Признаки для обучения считаются в Spark, а в онлайне — заново в Python-сервисе

Признаки для обучения модели кредитного скоринга собираются SQL-запросами в Spark, а в онлайн-сервисе те же признаки переписаны на Python разработчиками бэкенда. Через месяц после запуска выяснилось, что days_since_last_payment в онлайне считается от текущего времени, а в обучении — от начала дня, и ещё три признака расходятся в обработке пропусков.

Какое архитектурное решение снижает такие расхождения?