1. 课程导论：金融特征服务概述、样本一致性校验的定义与重要性、课程目标与学习路径

1.1 金融特征服务概述

在金融科技领域，特征服务（Feature Service）是连接原始业务数据与机器学习模型之间的核心中间层。它将分散在多个数据源（如交易流水、用户画像、风控记录）中的原始数据，通过标准化、可复用的特征工程加工为模型可直接使用的特征变量，并以低延迟、高可用的接口对外提供。

一个典型的金融特征服务平台通常包含以下核心组件：

1.2 样本一致性校验的定义与重要性

样本一致性校验（Sample Consistency Validation）是指在模型训练、评估、上线及监控全生命周期中，确保不同阶段使用的样本数据在特征分布、统计属性、缺失模式等方面保持一致的校验过程。其核心目标是防止因数据不一致导致的模型性能退化或决策偏差。

在金融场景中，样本不一致的常见来源包括：

• 特征逻辑变更：特征加工代码更新后，离线训练样本与在线请求样本的计算结果不一致。
• 数据源漂移：上游业务系统数据格式或内容发生变化，导致特征值分布偏移。
• 时间窗口差异：离线回溯数据与实时数据的时间窗口定义不同（如T+1 vs 实时）。
• 缺失值处理差异：训练时填充策略与在线服务时填充策略不统一。

样本一致性校验的重要性体现在三个层面：

1. 模型可靠性：保证模型在离线评估时的性能指标能够真实反映在线表现。
2. 监管合规：金融监管机构要求模型全生命周期可追溯、可审计，样本一致性是审计基础。
3. 业务连续性：避免因特征不一致导致的线上推理异常、拒贷误判或欺诈漏报。

1.3 课程目标与学习路径

本课程旨在帮助金融科技从业者系统掌握特征服务场景下样本一致性校验的理论、方法与工程实践。完成本课程后，学员将能够：

• 理解核心概念：掌握样本一致性的定义、度量指标与校验策略。
• 搭建校验体系：设计并实现覆盖离线训练与在线推理的全链路校验框架。
• 处理典型问题：识别并解决特征漂移、数据倾斜、时间窗口不一致等常见问题。
• 落地工程实践：基于 Flink、Spark 等引擎构建自动化校验流水线。

课程学习路径分为五个阶段，建议按顺序推进：