S05：Event Time、Point-in-Time、Lineage、Freshness 与 Skew
数据平面正确性来自时间语义、来源追踪、数据新鲜度与训练/服务一致性的共同约束，任何单一指标都不能独立保证决策可靠。
内容类型：预习教材（不代表已完成）
日期：2026-11-27
阶段：P2 · AI Systems Engineering 90
总路线：Day 095 / 360
周次 / 节奏：W1 · 周五知识整理
状态：教材已备；学习未完成
主题：W1 概念连接、freshness、training-serving skew
一句话定义
数据平面正确性来自时间语义、来源追踪、数据新鲜度与训练/服务一致性的共同约束，任何单一指标都不能独立保证决策可靠。
学习目标
- 能把本周五组概念画成因果关系，而不是孤立背诵定义。
- 能区分 freshness、latency、completeness 和 correctness。
- 能解释 training-serving skew 的数据、代码和时间三类来源。
- 能用低压力方式整理仍不清楚的问题，不创建考试或补考任务。
核心知识
Event time 决定事实属于哪个业务时刻；point-in-time correctness 限制在该时刻可以使用哪些已可用信息；lineage 说明这些信息从哪里来、如何变换；freshness 描述当前值距其有效更新的时间；skew 则表示训练和服务阶段的特征定义、数据分布或计算路径不一致。
Freshness 并非越新越好，而应相对业务更新频率和决策风险定义。例如每日更新的客户风险画像在数小时内可能仍有效，毫秒级行情则完全不同。数据延迟低不等于完整：一个源很快到达、另一个源迟到，整体特征仍可能缺失。完整也不等于正确，错误来源可以完整而及时地传播。
Training-serving skew 常见于三类差异：训练用离线 SQL，线上用另一段服务代码；训练数据用事后修正值，线上只有当时值；训练阶段缺失值和类别编码与服务不同。减少 skew 的方法包括共享定义、统一变换 artifact、point-in-time retrieval、版本记录和线上离线对比，但不能假定完全消除分布变化。
机制与推导
设特征真实有效时间为 t_e，最后更新时间为 t_u，决策时间为 t_d。可定义简单 age：
[ age=t_d-t_u ]
只有当 age ≤ freshness_SLO 且 available_time ≤ t_d 时，特征才满足本场景时效前提。训练/服务 skew 可用同一组样本的离线与在线变换差异观察：
[ skew_j=distance(f^{offline}_j(x), f^{online}_j(x)) ]
数值特征可比较绝对/相对误差，类别特征可比较不一致率。距离小只说明实现接近，不证明特征对任务有效。
概念图应同时包含失败传播：迟到→point-in-time join 错误→训练泄漏；lineage 缺失→无法定位；freshness 失效→线上输入过期；离线/在线变换分叉→skew→质量回退。
最小练习或观察步骤
- 不看笔记，先用自己的话写五个术语，每个限定两句。
- 画一张概念图，至少包含三个因果箭头和两个“不能证明”边界。
- 从 S02～S04 的合成事件中选一条，标注 event、available、update 和 decision time。
- 写一个训练特征与线上特征不一致的具体例子，指出应在哪一层发现。
- 将最多三个模糊点写入复习清单；本日不要求补完。
常见误区与边界
- 把 freshness 仅当数据管道延迟，忽略源系统本身更新频率。
- 认为共享 feature store 后一定没有 skew；调用版本和在线降级仍可能不同。
- 把 lineage 当成正确性证明，或把 point-in-time 正确当成模型有效性证明。
- 周总结变成背诵测验和大量文档；这里只需建立连接。
- 看到概念不会就扩大学习范围，而不先写清具体疑问。
系统场景连接
授信决策中的收入、余额、逾期与设备风险可能有不同更新频率。即便模型版本固定，某个源延迟也会改变输入组合。若训练集使用月末修正余额而线上使用授权时余额，便形成时间 skew。明确五概念关系，才能在后续 registry 中把数据和变换也纳入 AI 版本，而不是只登记模型权重。
自检问题
- freshness、latency 和 completeness 为什么不能互换？
- point-in-time 正确的数据是否必然新鲜？
- training-serving skew 至少有哪些不同来源？
- lineage 完整时仍可能发生什么质量问题？
专业课程对齐
- 阅读 Feast 官方文档 的 historical features、online store 与 point-in-time correctness，把离线训练和在线读取画在同一时间线上。
- 阅读 Stanford CS329S 的 data shift、monitoring 与 production ML 内容，重点分清输入变化、实现 skew 和模型退化。
- 阅读 Full Stack Deep Learning 2022 的 data management 与 monitoring 讲次，将 freshness 信号连接到系统故障而非仅模型指标。
深入学习提示
用“一个事实、四个时间、两个实现”做精读主线：事实发生、可用、更新、决策的时间，以及离线和在线两条计算路径。每个课程概念都要落到这张图上。尝试给出反例：数据很新但错误、point-in-time 正确但缺失、离线在线一致但模型无用。能说清反例，比记住更多工具名称更接近系统工程能力。
学后填写区
- 我的五概念定义：
- 最关键的三个连接：
- 一个 skew 场景：
- 最多三个复习问题：
- 本周最有帮助的最小练习：