与非专业人士经常使用的AutoML不同，特性存储是为数据科学家设计的。特征存储的前提是基于两个重要事实：（1）单个ML模型可以从多个源获得其训练数据，每个源可以以不同的节奏更新；（2）一些这样的源数据可以被多个模型使用。基于这种多对多关系（通常被认为是一对一的关系），将模型视为ML操作中最小的粒度单位通常是不正确的。相反，数据输入的源数据和一组ML模型特性（输入变量）应该一起管理，包括摄取、特性工程，然后可能是受影响模型的传播再培训。
实现是Databricks的AutoML平台，它是UI和API驱动的，它比市场上的许多产品更进一步，因为它避免了简单地获取数据，然后推出模型的“黑匣子”场景。虽然您可以这样使用它，但Databricks采用了它所称的“玻璃盒”方法，在这种方法中，您可以看到用于生成各种模型的实际代码，并决定“获胜”的输出模型，就像工作是由数据科学家手工编码的一样。
Databricks AutoML将把代码放在一个标准的、可编辑的笔记本中，代码将利用databricks推出数据共享，自动化管道，数据目录，Cosmos DB