Meta apresenta F3 Lightning e entrega features de ML para ads cerca de 3,6x mais rápido, sem custo extra de infraestrutura

O F3 (Facebook Feature Framework) é o framework da Meta para escrever, compilar e servir as features dos modelos de ranking de anúncios. Uma única requisição pode exigir mais de 20.000 features. A economia do F3 vinha de representar a extração como um DAG: o compilador gera um grafo pequeno por feature e mescla todos em um só, colapsando operações repetidas (como um filtro de sete dias usado por contagem de cliques e de impressões) em um nó que roda uma vez por requisição.

O custo era operacional. O grafo mesclado também era a unidade de release, então uma definição inválida travava tudo. No exemplo do post, com sete features (A a G), os erros em D e G exigiram três tentativas de build. Com o F3 passando de algumas centenas para mais de 20.000 features, e com testes de modelo caros que só rodam numa etapa tardia de release, a espera crescia. O F3 Lightning compila cada feature em uma configuração independente, validada, implantada e revertida sozinha. Para não perder eficiência, a Meta recuperou a execução compartilhada na inicialização do serviço, sem refazer o merge: identificadores estáveis derivados da operação, parâmetros e entradas; um plano de execução único com ordenação topológica e achatado em lista; um buffer de memória compartilhado por requisição; e mapeamento de índices densos para acesso direto a arrays. O resultado reportado é cerca de 3,6x mais velocidade até a produção para features de extração comparáveis, sem aumento de custo computacional de infraestrutura.

Para quem opera plataformas de features, a lição prática é separar o limite de deploy do limite de execução. O post também mostra que deduplicar computação não basta: layout de memória e número de cópias pesaram no CPU. Isso é leitura editorial, mas vale para qualquer feature store em escala. O ganho aqui é em velocidade de iteração de modelos, não em latência de inferência.