Comment utiliser l'IA quand on est ingénieur feature store ?
Prompts et workflows 2026

En tant qu ingenieur feature store, tu dois produire un audit qualite complet pour la groupe de features [NOM_FEATURE_GROUP]. Analyse les aspects suivants et fournis des recommandations concretes: 1) Qualite des donnees brutes: verification des valeurs nulles, des doublons, des outliers statistiques, des types de donnes coherents. 2) Couverture et disponibilite: pourcentage de valeurs non-nulles par feature, latence de generation, frequence de mise a jour. 3) Distribution et stabilite: comparaison des distributions training vs serving, detection de drift potentiel, analyse des percentiles. 4) Consistance technique: verification des noms de features (snake_case), des types (float32 vs float64), des valeurs par defaut. 5) Risques de data leak: identification des features basees sur des donnees futures par rapport a la cible, verification des fenetres temporelles. Pour chaque point, attribue un statut: OK, WARNING, ou BLOQUANT. Si BLOQUANT, propose des actions correctives immediates.

Tu es ingenieur feature store, produis une documentation complete pour le feature group [FEATURE_GROUP_NAME] destinee a etre integree dans le catalogue du feature store. Structure le document ainsi: 1) Description metier: quel probleme cette feature resout-elle, quel cas d usage elles supportent (recommandation, detection de fraude, scoring client...). 2) Schema de donnees: liste complete des features avec leur nom, type, description, unite, plage de valeurs attendue. 3) Logique de generation: description des transformations appliquees, sources de donnees utilisees, fenetres temporelles (lookback period, granularity). 4) Metadonnees: proprietaire, equipe, date de creation, date de derniere mise a jour, tags (finance, client, produit...). 5) Guide d utilisation: exemples de requetes en SQL ou via le SDK Python, patterns recommandes pour le join avec les tables de training, anti-patterns a eviter. 6) SLA et: disponibilite cible, latence max, politique de retention. 7) Limitations et caveats: connus, regles d exclusion, conseils de preprocessing additionnel.

Tu es ingenieur feature store, tu dois diagnostiquer un probleme de qualite affectant les features du groupe [FEATURE_GROUP_NAME]. Le probleme reporte est: [DESCRIPTION_DU_PROBLEME]. Exemple: latence elevee, valeurs aberrantes, , inconsistency.orealise les etapes suivantes: 1) Hypotheses de causes: liste les causes possibles classees par probabilite (probleme source, transformation bugguee, probleme de streaming, drift de donnees, saturation de ressource). 2) Analyse des logs: propose des requetes pour extraire les logs pertinents (timestamps, messages d erreur, metriques). 3) Analyse des metrics: propose des requetes pour verifier les metriques SLO (latence P99, error rate, null rate). 4) Tests de hypothesis: fourni un script de verification pour chaque hypothese avec les commandes ou requetes a executer. 5) Plan de remediation: pour la cause la plus probable, propose des actions immediates (hotfix) et des actions long terme (refactoring, monitoring ameliore). 6) Prevention: recommande des garde-fous a installer pour eviter que ce probleme se reproduise.

Tu es ingenieur feature store, tu dois produire une synthesis executive du monitoring des features pour la periode [DATE_DEBUT] a [DATE_FIN]. Les feature groups a analyser sont: [LISTE_FEATURE_GROUPS]. Pour chaque feature group, fourni: 1) Sante globale: statut (GREEN/YELLOW/RED) base sur les SLO definis (disponibilite, latence, fresherness). 2) Anomalies detectees: liste des spikes, baisses inexpliquees, valeurs aberrantes avec gravite et impact. 3) Tendances: comparaison avec la periode precedente (J-7, J-30) pour les metriques cles (volume, utilisation, null rate). 4) Impact business: correlation eventuelle entre anomalies techniques et KPIs metier (si Donnees disponibles). 5) Actions en cours: statut des incidents ouverts, estimated time to resolution. 6) Recommandations: priorite des actions d amelioration basees sur l impact et la faisabilite. Adapte le niveau de langage pour etre comprehensible par un public non technique (data engineers, product managers).