AI › AI 엔지니어링(AI 시스템 운영) › MLOps

피처 스토어Feature Store

머신러닝 특성의 정의 · 값을 한곳에 두고, 학습용 오프라인 저장소와 서빙용 온라인 저장소를 같은 정의로 채워 여러 모델이 같은 특성을 재사용하게 하는 데이터 시스템이다.

1요약

  1. 피처 스토어는 MLOps 구성 요소 가운데 데이터 쪽을 맡는 시스템으로(Kreuzberger 2023 C4), 오프라인 · 온라인 이중 저장소 위에서 특성 파이프라인이 값을 쓰고 학습 파이프라인 · 추론 파이프라인이 같은 정의로 읽는다.
  2. 학습 데이터에 레이블 시각 뒤의 특성 값이 섞이면 학습 점수만 부풀고 서빙에서 무너진다 — 본문의 합성 사례에서 잘못된 조인으로 정한 판정 기준은 학습 재현율 0.747 이 서빙에서 0.099 로 떨어졌다.
  3. 「학습 때보다 서빙 성능이 낮다」는 조인 시각 · 구체화 시차 · 변환 코드 세 가지 가운데 어디가 어긋났는지로 가른다 — 학습 행마다 «특성 기록 시각 ≤ 레이블 시각»이 지켜졌는지부터 본다.

2등장 배경

피처 스토어가 없던 팀에서는 «최근 1시간 결제 수» 같은 특성 하나를 데이터 과학자가 학습용 SQL 로, 서비스 개발자가 서빙 코드로 따로 구현했다. 두 구현의 창 경계 · 결측 처리가 조금만 달라도 같은 이름의 값이 달라졌고, 학습 데이터를 만들 때 오늘 스냅숏을 지난 사건에 그대로 붙여 미래 값이 섞였다.

2017-09 한 차량 호출 회사가 사내 머신러닝 플랫폼을 공개하면서 팀들이 표준 특성을 만들어 공유하는 중앙 특성 저장소를 소개했다 — 약 10,000개 특성을 매일 다시 계산했고, 학습과 서빙에 같은 배치 파이프라인을 써서 두 값이 어긋나지 않게 했다(Michelangelo 2017). 한 대형 소셜 미디어 회사는 가장 많이 쓰는 특성 100개가 각각 100개 넘는 모델에서 재사용된다고 보고했다(de la Rúa Martínez 2024 1절 인용).

Kreuzberger 외(2023)는 피처 스토어를 MLOps 구성 요소 C4 로 두고 «실험용 오프라인 저장소 + 운영 예측용 저지연 온라인 저장소» 두 데이터베이스로 정의했다. de la Rúa Martínez 외(2024)는 지금의 상용 · 오픈소스 피처 스토어가 모두 이 이중 저장소 구조를 따른다고 정리하고(1절), 시스템을 특성 · 학습 · 추론 세 파이프라인(FTI)으로 나누는 구조와 임베딩 유사도 검색까지 넓혔다(2.1절).

3쉽게 이해하기 — 스포츠 신문사 자료실

스포츠 신문사 자료실의 사서 수진은 기자들이 자주 찾는 숫자(선수별 최근 득점 · 시즌 평균)를 한 번만 계산해 자료실에 둔다. 날짜가 찍힌 신문철에는 그 숫자의 날짜별 기록이 전부 있고, 편집국 입구 게시판에는 오늘 아침 숫자 한 줄만 붙는다. 지난 경기를 다시 분석하는 기자는 그 경기 날 아침까지 나온 숫자만 꺼내 쓰고, 마감에 쫓기는 기자는 게시판만 보고 바로 기사를 쓴다. 수진은 매일 아침 신문철의 최신 숫자를 게시판에 옮겨 적는다.

1 경기 기록 원천 데이터 2 사서 계산 숫자는 한 번만 특성 파이프라인 자료실 · 피처 스토어 3 날짜별 신문철 모든 날짜의 기록 오프라인 저장소 목록 카드 이름 · 계산법 · 고친 날 레지스트리 입구 게시판 온라인 저장소 4 아침마다 옮겨 적기 = 구체화 5 분석 기자 지난 경기 다시 보기 그날 아침까지 값만 학습 파이프라인 6 마감 기자 게시판 한 줄로 바로 추론 · 서빙 같은 숫자를 기자 둘이 함께 쓴다 = 특성 재사용 · 학습과 서빙이 같은 값 기록 · 데이터 계산 이름 · 정의 서빙용 사본 쓰는 쪽

그림 1 · 숫자는 사서가 한 번만 계산해 신문철에 쌓고 아침마다 게시판에 옮겨 적으므로, 지난 경기를 보는 기자와 마감 기자가 같은 숫자를 쓴다.

숫자 계산한 번만
목록 카드이름 · 계산법
신문철 보관날짜별 전부
게시판 옮기기아침마다
지난 경기 분석그날 아침까지만
마감 기사게시판 한 줄
비유 — 3월 5일 경기를 다시 분석할 때 실제 — 레이블 시각 기준 조인 3월 3일 신문 · 득점 순위 3월 4일 신문 · 득점 순위 3월 5일 아침판 · 득점 순위 경기 시작 14:00 레이블 시각(사건이 일어난 때) 3월 5일 저녁판 · 경기 결과 실림 3월 6일 신문 · 순위 갱신 특성 행 · 기록 시각 < 레이블 시각 특성 행 · 기록 시각 < 레이블 시각 가장 가까운 앞 행 → 이 값을 붙임 기록 시각 > 레이블 시각 · 미래 값 미래 값 · 붙이면 누수 사건 앞의 가장 가까운 값 하나만 붙인다 = 시점 정합 조인 사건 뒤 값을 붙이면 결과를 미리 본 셈 = 데이터 누수 쓸 수 있는 값 미래 값 굵은 테두리 = 고른 값

그림 2 · 3월 5일 경기를 다시 분석할 때는 경기 전에 나온 숫자 가운데 가장 가까운 것 하나만 쓴다 — 경기 뒤 신문을 쓰면 결과를 미리 본 셈이다.

비유 속 역할실제 이름실제로 하는 일
자료실피처 스토어특성 정의 · 값 · 조회를 한곳에서 맡는다
사서 계산특성 파이프라인원천 데이터에서 특성 값을 계산해 쓴다(배치 · 스트림)
목록 카드레지스트리 · 특성 정의이름 · 엔터티 키 · 버전 · TTL 을 남긴다
날짜별 신문철오프라인 저장소기록 시각이 붙은 모든 값을 학습용으로 둔다
그날 아침까지만시점 정합 조인레이블 시각 앞의 가장 가까운 값만 붙인다
아침마다 옮겨 적기구체화(materialization)최신 값을 온라인 저장소로 옮긴다
입구 게시판온라인 저장소키마다 최신 값 한 행을 저지연으로 돌려준다
기자들여러 모델의 학습 · 추론같은 특성을 다시 계산하지 않고 재사용한다

⚠ 비유가 맞지 않는 곳: 게시판은 하루 한 번 바뀌지만, 온라인 저장소는 스트림으로 몇 초마다 갱신되기도 한다. 또 사서는 신문 날짜만 보면 되지만, 실제로는 값이 «일어난 시각»과 «기록된 시각»이 달라 나중에 고친 값(백필)이 과거 행에 끼어들 수 있다.

4구조 — 이중 저장소와 세 파이프라인

de la Rúa Martínez(2024)는 피처 스토어를 쓰는 시스템을 특성 · 학습 · 추론 세 파이프라인으로 나눈다(2.1절). 세 파이프라인은 서로 직접 호출하지 않고 피처 스토어와 모델 레지스트리를 통해서만 데이터를 주고받으므로, 팀마다 따로 개발 · 운영할 수 있다.

원천 데이터 로그 · 거래 특성 파이프라인 배치 · 스트림 피처 스토어 레지스트리 · 특성 정의 이름 · 엔터티 키 · 버전 · TTL 오프라인 저장소 기록 시각이 붙은 모든 행 열 지향 · 대량 읽기 구체화 온라인 저장소 키마다 최신 값 1행 행 지향 · 키 조회 두 저장소 = 같은 정의 · 같은 버전 학습 파이프라인 시점 정합 조인 추론 파이프라인 엔터티 키 조회 모델 레지스트리 예측 · 예측 로그 데이터 계산 · 파이프라인 정의 · 식별 서빙용 사본 · 출력

그림 3 · 특성 파이프라인 하나가 같은 정의로 두 저장소를 채우고, 학습은 오프라인 저장소를 시점 정합으로, 추론은 온라인 저장소를 키로 읽는다.

요소맡는 일담는 것근거
레지스트리특성 정의를 저장하고 찾게 한다이름 · 엔터티 키 · 버전 · TTL · 계보Feast 구성 요소 · de la Rúa Martínez 2024 3절
특성 파이프라인원천 → 특성 값(모델 독립 변환)창 집계 · 구간화 · 임베딩de la Rúa Martínez 2024 2.2절
오프라인 저장소학습 데이터 · 일괄 추론용 대량 읽기엔터티 키 · 기록 시각 · 값의 전체 이력Kreuzberger 2023 C4
온라인 저장소서빙 때 키로 저지연 조회엔터티마다 최신 값만Feast 구성 요소
구체화오프라인 최신 값을 온라인으로 옮김실행 시각 · 대상 구간Feast 구성 요소(feast materialize)
특성 뷰모델 하나가 읽을 특성 · 레이블 묶음스키마 · 조인 키 · 필터de la Rúa Martínez 2024 4절

🔑 오프라인 저장소는 «언제 무엇이었나»를, 온라인 저장소는 «지금 무엇인가»만 답한다 — 둘을 같은 정의 · 같은 버전으로 채워야 학습과 서빙이 같은 값을 본다.

정규화처럼 학습 데이터로 매개변수가 정해지는 모델 의존 변환은 특성 파이프라인이 아니라 학습 · 추론 파이프라인에서 같은 코드로 적용한다 — 특성 저장소에 넣으면 모델마다 다시 써야 하고, 두 곳에서 따로 구현하면 값이 어긋난다(de la Rúa Martínez 2024 2.2절). 특성을 «만드는 법»(창 길이 · 인코딩 고르기)은 특성 공학이 맡는다.

5동작 — 결제 사기 특성 하나를 학습과 서빙에 함께 쓰기

아래 값은 직접 실행한 결과다(합성 데이터) — Python 3.14.0 · NumPy 2.4.3 default_rng(7) · 카드 100장 · 5일(120시간) · 거래율 · 사기 확률 · 사기 뒤 연속 거래는 설명용 가정 값이다. 특성 = 카드별 «직전 1시간 거래 수»(txn_count_1h) 하나다.

  1. 특성 뷰 card_activity 버전 v1 을 엔터티 키 card_id · TTL 2시간으로 레지스트리에 등록한다.
  2. 특성 파이프라인이 매시 정각에 카드마다 한 행(기록 시각 · 값)을 오프라인 저장소에 쓴다 — 5일 동안 12,000행이다.
  3. 학습 파이프라인이 레이블 3,504행(사기 91건)을 받아, 행마다 «기록 시각 ≤ 거래 시각» 가운데 가장 가까운 특성 행을 시점 정합 조인으로 붙인다.
  4. 비교용으로 같은 레이블에 «거래가 속한 시간대의 정각 행»을 붙이면, 그 행이 거래 뒤 1시간 끝에 계산된 것이라 540행(15.4%)에 거래 뒤 값이 섞인다 — 사기 91건 가운데 82건이다.
  5. 구체화를 매시 실행해 카드마다 최신 값 한 행, 모두 100행을 온라인 저장소에 둔다.
  6. 둘째 날 06:35 카드 0번 결제 요청이 오면 추론 파이프라인이 card_id 로 온라인 저장소를 조회해 06:00 행의 값 1 을 받는다. 시점 정합 조인이 같은 거래에 붙인 값도 1 이고, 잘못된 조인은 07:00 행의 값 4 를 붙였다.
  7. 판정 기준을 학습 데이터에서 F1 이 가장 큰 값으로 정한다 — 잘못된 조인은 «값 ≥ 4»(학습 재현율 0.747), 시점 정합 조인은 «값 ≥ 2»(0.275)이다.
  8. 같은 기준을 서빙 값에 적용하면 잘못된 조인 쪽 재현율은 0.099 로 떨어지고, 시점 정합 쪽은 0.275 그대로다. 창을 30분으로 바꾸려면 v1 을 고치지 않고 v2 를 새로 등록해 v1 을 쓰는 모델을 그대로 둔다.
레지스트리 특성 파이프라인 오프라인 저장소 온라인 저장소 학습 파이프라인 추론 1 정의 등록 · v1 2 매시 100행 5일 12,000행 3 레이블 3,504행 시점 정합 조인 5 구체화 100행 키마다 최신 1행 6 카드 0번 · 06:35 조회 값 1(06:00 행) 8 학습 재현율 0.275 = 서빙 재현율 0.275 회색 화살 = 응답

그림 4 · 정의 · 적재 · 조인 · 구체화 · 조회가 모두 레지스트리의 같은 v1 정의를 따르므로, 학습 행과 서빙 요청이 카드 0번 06:35 에 같은 값 1 을 받는다.

05:00 06:00 07:00 05:42 레이블 06:35 · 사기 거래 06:00 행 값 1 시점 정합 07:00 행 값 4 잘못된 조인 = 거래 뒤 3건을 셈 ← 04:35 까지 이어짐 TTL 2시간 = 06:35 에서 거슬러 찾는 범위 잘못된 조인으로 정한 기준(값 ≥ 4) — 학습 재현율 0.747 → 서빙 0.099 시점 정합 조인으로 정한 기준(값 ≥ 2) — 학습 0.275 = 서빙 0.275

그림 5 · 06:35 거래에 06:00 행을 붙이면 값 1, 07:00 행을 붙이면 거래 뒤 3건이 섞인 값 4 — 미래 값으로 정한 기준은 학습에서만 맞고 서빙에서 무너진다.

🔑 피처 스토어가 지키는 것은 «값»이 아니라 «그때 알 수 있었던 값»이다 — 시점 정합 조인으로 만든 학습 점수만 서빙 점수를 미리 알려 준다.

TTL 은 레이블 시각에서 거슬러 찾는 범위다 — 그 안에 특성 행이 없으면 값은 비어서 나온다(Feast 시점 정합 조인). 또 기본 조인은 «일어난 시각»만 보므로, 레이블 시각 뒤에 고쳐 넣은 값(백필)이 과거 행에 붙을 수 있다 — Feast 는 filter_by_created_timestamp=True 로 «기록된 시각 ≤ 레이블 시각»을 함께 요구한다.

6비교 — 특성을 제공하는 네 가지 방식

기준모델마다 특성 코드데이터 웨어하우스 조회요청 시 계산피처 스토어
계산 · 재사용모델마다 다시 구현SQL 을 팀이 공유서빙 코드 안에서 매번한 번 계산 · 이름으로 재사용
학습 데이터 시각작성자 손에 달림이력 표가 있으면 직접 조인과거 요청 재현이 어려움시점 정합 조인 내장
서빙 조회서비스가 직접 계산대량 조회용이라 저지연 아님요청 입력으로 즉시온라인 저장소 키 조회
학습 · 서빙 같은 값두 구현 대조가 필요서빙 경로가 따로 생김학습 쪽 구현을 맞춰야 함같은 정의 · 버전으로 두 저장소
신선도구현마다 다름적재 주기요청 시각 그대로구체화 · 스트림 주기

분석특성을 한 모델만 쓰고 서빙이 일괄 예측뿐이면 데이터 웨어하우스 조회로 충분하고, 요청 입력만으로 계산되는 특성(이번 요청 금액 등)은 요청 시 계산이 맞으며, 여러 모델이 같은 특성을 쓰면서 실시간 서빙까지 하면 피처 스토어를 둔다. 근거는 표의 「서빙 조회」 · 「학습 · 서빙 같은 값」 행이고, 실제 피처 스토어도 요청 시 계산을 온디맨드 변환으로 함께 쓴다(de la Rúa Martínez 2024 2.2절).

7실무 진단 — 학습 · 서빙 점수 차이의 원인 가르기

분석서빙 성능이 학습 점수보다 낮으면 «조인 시각 → 구체화 · TTL → 변환 코드 · 버전» 순서로 본다. 조인 누수는 학습 점수 자체를 부풀려 뒤 단계의 비교 기준을 무너뜨리고, 구체화 문제는 온라인 조회 로그만으로 바로 보이기 때문이다(Feast 시점 정합 조인 · 구성 요소).

#증상의심 원인단계확인 자료판정 기준(근거)
1학습 점수가 유난히 높고 서빙에서 급락레이블 시각 뒤 특성 값 조인(누수)학습 데이터 생성학습 행의 특성 기록 시각 · 레이블 시각모든 행에서 기록 시각 ≤ 레이블 시각(Feast 시점 정합 조인)
2백필 뒤 학습 점수만 오름나중에 고친 값이 과거 행에 붙음학습 데이터 생성특성 행의 생성 시각filter_by_created_timestamp=True 로 다시 만든 점수와 비교(Feast)
3온라인 조회 값이 비거나 오래됨구체화 실패 · 주기 > TTL구체화feast materialize 실행 기록 · 마지막 갱신 시각마지막 구체화 뒤 경과 시간 < TTL(Feast 구성 요소)
4같은 특성인데 학습 · 서빙 분포가 다름정규화 등 모델 의존 변환을 두 곳에서 따로 구현변환 코드학습 · 추론 파이프라인의 변환 코드 버전 · 계보변환 한 벌을 두 파이프라인이 공유(de la Rúa Martínez 2024 2.2절)
5이름은 같은데 모델마다 값이 다름다른 버전의 특성 정의를 읽음레지스트리특성 뷰가 가리키는 특성 그룹 버전이름 + 버전이 같으면 같은 계산(de la Rúa Martínez 2024 3절)

확인 명령은 오픈소스 피처 스토어 Feast 기준이다 — 다른 구현에서도 «과거 특성 조회(학습 데이터 생성)» · «구체화 작업» · «특성 그룹 버전»이 같은 기능이다.

8시험 대비

시험에서는 피처 스토어의 개념 · 필요성 · 구성 요소를 묻는 정의 · 특징형, 오프라인 · 온라인 저장소와 파이프라인 관계를 그리게 하는 구조 · 구성형이 나올 수 있다. 정의 · 특징형이면 «특성 중복 구현 · 누수 문제 → 정의 → 이중 저장소 → 시점 정합 조인» 순서로, 구조 · 구성형이면 그림 3 에 구성 요소마다 «담는 것»을 붙이고 그림 5 로 조인 규칙을 보인다.

답안 목차
  1. 개요 — 정의(MLOps 구성 요소 C4 · Kreuzberger 2023) · 이중 저장소 · 2017 사내 플랫폼의 중앙 특성 저장소
  2. 필요성 — 특성 중복 구현 · 학습 · 서빙 불일치 · 미래 값 누수 · 사례 재현율 0.747 → 0.099
  3. 구성 요소 — 그림 3 레지스트리 · 특성 파이프라인 · 오프라인 · 온라인 저장소 · 학습 · 추론 파이프라인(FTI)
  4. 동작 — 그림 4 정의 등록 → 매시 적재 → 시점 정합 조인 → 구체화 → 키 조회
  5. 핵심 원리 — 그림 5 시점 정합 조인 · TTL · 생성 시각 필터 · 네 방식 비교표
  6. 고려 사항 — 구체화 주기와 신선도 · 특성 버전 · 변환 분류(모델 독립 · 모델 의존 · 요청 시)

꼭 쓸 키워드
오프라인 저장소온라인 저장소구체화(materialization)시점 정합 조인(point-in-time join)데이터 누수학습서빙 불일치(skew)특성 뷰엔터티 키TTLFTI 파이프라인

다른 답안과 차이를 내는 한 가지는 그림 5 처럼 «잘못된 조인으로 정한 기준이 서빙에서 무너지는» 수치를 함께 보이는 것이다 — 피처 스토어를 «저장소»가 아니라 «학습 점수를 믿게 하는 장치»로 설명한다.

9오해와 사실

  • 오해피처 스토어는 특성 값을 모아 두는 데이터베이스 하나다.
    사실상용 · 오픈소스 피처 스토어는 모두 대량 읽기용 오프라인 저장소와 저지연 조회용 온라인 저장소를 함께 두는 이중 구조다(de la Rúa Martínez 2024 1절).
  • 오해학습 데이터는 엔터티 키로만 조인하면 된다.
    사실키만 맞추면 레이블 시각 뒤 값이 붙는다 — 사례에서 정각 행 조인은 540행(15.4%)에 거래 뒤 값을 섞었고 판정 기준의 서빙 재현율을 0.099 로 만들었다.
  • 오해정규화 같은 변환도 특성 파이프라인에서 미리 해 두는 것이 좋다.
    사실학습 데이터로 평균 · 표준편차가 정해지는 모델 의존 변환은 모델마다 달라 학습 · 추론 파이프라인에서 같은 코드로 한다(de la Rúa Martínez 2024 2.2절).

10핵심 정리

구분맡는 일읽는 쪽조회 방식사례 값근거
레지스트리특성 정의 · 버전모든 파이프라인이름 · 버전card_activity v1 · TTL 2시간Feast 구성 요소
특성 파이프라인원천 → 특성 값—배치 · 스트림 쓰기매시 100행de la Rúa Martínez 2024 2.1절
오프라인 저장소전체 이력 보관학습 · 일괄 추론시점 정합 조인12,000행Kreuzberger 2023 C4
온라인 저장소키마다 최신 값실시간 추론엔터티 키 조회100행 · 카드 0번 값 1Feast 구성 요소
구체화오프라인 → 온라인온라인 저장소주기 실행매시Feast 구성 요소
데이터 누수레이블 뒤 값이 학습에 섞임—잘못된 조인540행 · 재현율 0.747 → 0.099Feast 시점 정합 조인
특성 뷰모델 하나의 스키마학습 · 추론특성 · 레이블 묶음txn_count_1hde la Rúa Martínez 2024 4절

11참고 문헌

  1. 먼저 볼 문헌
  2. ★ The Hopsworks Feature Store for Machine Learning (SIGMOD Companion 2024 Industrial Track) — 이중 저장소 · FTI 파이프라인 · 변환 분류 · 누수 없는 조인을 볼 때
    ACM · 2024-06 · content.hopsworks.ai/hubfs/The_Hopsworks_Feature_Store_for_Machine_Learning.pdf · 확인 2026-11-12
  3. ★ Machine Learning Operations (MLOps): Overview, Definition, and Architecture (IEEE Access 11 31866-31879) — MLOps 구성 요소 안에서 피처 스토어(C4)의 정의를 볼 때
    IEEE · 2023-03 · doi.org/10.1109/ACCESS.2023.3262138 · 확인 2026-11-12
  4. ★ Feast documentation — Point-in-time joins — TTL · 생성 시각 필터가 조인 결과를 바꾸는 규칙을 볼 때
    Feast · 2026-11 · docs.feast.dev/getting-started/concepts/point-in-time-joins · 확인 2026-11-12
  5. ★ Feast documentation — Components overview — 오프라인 · 온라인 저장소 · 레지스트리 · 구체화 명령을 볼 때
    Feast · 2026-11 · docs.feast.dev/getting-started/components/overview · 확인 2026-11-12
  6. 본문 근거
  7. Meet Michelangelo: Uber's Machine Learning Platform — Uber Engineering · 2017-09 · www.uber.com/blog/michelangelo-machine-learning-platform/ · 확인 2026-11-12
  8. Machine Learning Operations (MLOps): Overview, Definition, and Architecture (arXiv 2205.02302v3) — arXiv · 2022-05 · arxiv.org/abs/2205.02302 · 확인 2026-11-12
  9. NumPy 2.4 Reference numpy.random.Generator — NumPy Developers · 2026-11 · numpy.org/doc/2.4/reference/random/generator.html · 확인 2026-11-12