A AWS lançou uma atualização importante para quem opera pipelines de machine learning em produção: o Amazon SageMaker Feature Store agora permite escrita em nível de feature, por meio de uma nova API chamada UpdateRecord. Na prática, dá para atualizar um ou mais valores de feature em uma única chamada, sem precisar ler e reescrever o registro inteiro.
O problema que a mudança resolve
Até agora, atualizar um único valor em um Feature Group — a coleção lógica de features usada para treinar modelos ou gerar predições — exigia um ciclo completo de leitura-modificação-escrita com a API PutRecord. Um pipeline de detecção de fraude que precisasse atualizar o risk_score de um cliente tinha de: ler o registro completo com GetRecord, mesclar o novo valor no código da aplicação e escrever o registro inteiro de volta com PutRecord.
Esse padrão adicionava latência a cada atualização, consumia capacidade de leitura desnecessária e — o pior — criava condições de corrida quando múltiplos pipelines atualizavam features diferentes do mesmo registro simultaneamente. No pior cenário, a escrita de um pipeline podia sobrescrever silenciosamente a de outro: o clássico problema de lost update. Havia ainda o custo extra das leituras (Read Capacity Units) que se acumulava rapidamente em feature groups largos e com alta frequência de atualização.
O que o UpdateRecord faz
A nova API elimina o ciclo de leitura-modificação-escrita. Você informa apenas as features que quer alterar, e o Feature Store aplica as mudanças de forma atômica ao registro existente — as features não incluídas na requisição são preservadas como estão. A operação está disponível tanto no armazenamento online Standard (baseado em DynamoDB) quanto no In-Memory (baseado em ElastiCache).
Na requisição, você passa o FeatureGroupName, o identificador do registro (RecordIdentifierValueAsString) e a lista de features a atualizar (até 100 features por chamada). Um detalhe importante: o UpdateRecord não é um upsert — o registro precisa já existir. E para atualizar o EventTime, o novo timestamp precisa ser mais recente que o atual; caso contrário, a chamada é rejeitada com HTTP 409.
Por que isso importa para times de dados
A mudança é especialmente relevante para arquiteturas em que vários pipelines escrevem features independentes no mesmo registro — por exemplo, um fluxo de cliques, um fluxo de compras e um fluxo de pontuação de crédito, todos alimentando o mesmo Feature Group. Com o UpdateRecord, cada um escreve apenas o que é seu, sem coordenação entre eles e sem risco de sobrescrever o trabalho do outro.
A AWS destaca três benefícios diretos: menor latência (uma chamada em vez de três), correção garantida (atualizações atômicas eliminam o lost update) e menor custo (sem as leituras desnecessárias do ciclo antigo). Enquanto a atualização parcial vai para o armazenamento online, um snapshot completo do registro é replicado automaticamente para o armazenamento offline, mantendo os datasets de treinamento consistentes.
Para quem já opera ou planeja operar o SageMaker Feature Store em escala, a nova API é uma melhoria incremental — mas do tipo que, em feature groups grandes e com alta frequência de escrita, se traduz em economia real e menos bugs difíceis de rastrear.
Descubra mais sobre noticiAI
Assine para receber nossas notícias mais recentes por e-mail.
