Feature Store

Feature Store

ML Feature를 중앙 집중식으로 저장·관리·서빙하는 플랫폼으로, Train-Serve Skew를 방지하고 Feature 재사용·버전 관리를 지원하는 MLOps 핵심 컴포넌트

특징: 중앙 집중식 저장소, Online·Offline 이원화, 버전 관리, 실시간 서빙

구성요소

• •Offline Store: 학습용, 배치 처리, S3/BigQuery, Point-in-Time Join
• •Online Store: 추론용, 저지연(<10ms), Redis/DynamoDB
• •Feature Registry: 메타데이터 관리(스키마·버전·Owner)
• •Ingestion Pipeline: Batch(Spark)·Streaming(Kafka)으로 Feature 계산·저장

Train-Serve Skew 방지: 학습과 추론에서 동일 Feature 정의·계산 로직 사용하여 일관성 보장

대표 플랫폼: Feast(오픈소스), Tecton(상용·스트리밍), AWS SageMaker Feature Store, Databricks Feature Store

워크플로: Feature 정의 → Ingestion(계산·저장) → 학습(Offline) → 추론(Online) → 모니터링(Drift)

장점: Train-Serve 일관성, Feature 재사용, 버전 관리, 협업 효율

단점: 인프라 복잡도, 비용(Online Store), 초기 구축 시간

적용사례: 추천 시스템(실시간 User Feature), 사기 탐지(거래 Feature), 광고(CTR Feature)

비교: Feature Store(일관성·재사용) vs 수동관리(Train-Serve Skew 위험) vs Data Warehouse(학습만)

연관: MLOps, Train-Serve Skew, Feast, Tecton, Redis, Feature Engineering