Опорная идея
Training-serving skew возникает, когда признаки в обучении и в production считаются по-разному. В offline-метриках модель выглядит хорошо, но в реальном сервисе деградирует. Причины: разные источники, задержки обновления, преобразования в разных языках, отсутствие логирования serving features.
Чтобы снизить риск, feature pipeline делают общим, признаки версионируют, а production-запросы логируют для проверки распределений.