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
- 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.
- 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.
- 「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.
그림 1 · 숫자는 사서가 한 번만 계산해 신문철에 쌓고 아침마다 게시판에 옮겨 적으므로, 지난 경기를 보는 기자와 마감 기자가 같은 숫자를 쓴다.
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 역할 | 실제 이름 | 실제로 하는 일 |
|---|---|---|
| 자료실 | 피처 스토어 | 특성 정의 · 값 · 조회를 한곳에서 맡는다 |
| 사서 계산 | 특성 파이프라인 | 원천 데이터에서 특성 값을 계산해 쓴다(배치 · 스트림) |
| 목록 카드 | 레지스트리 · 특성 정의 | 이름 · 엔터티 키 · 버전 · TTL 을 남긴다 |
| 날짜별 신문철 | 오프라인 저장소 | 기록 시각이 붙은 모든 값을 학습용으로 둔다 |
| 그날 아침까지만 | 시점 정합 조인 | 레이블 시각 앞의 가장 가까운 값만 붙인다 |
| 아침마다 옮겨 적기 | 구체화(materialization) | 최신 값을 온라인 저장소로 옮긴다 |
| 입구 게시판 | 온라인 저장소 | 키마다 최신 값 한 행을 저지연으로 돌려준다 |
| 기자들 | 여러 모델의 학습 · 추론 | 같은 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.
그림 3 · 특성 파이프라인 하나가 같은 정의로 두 저장소를 채우고, 학습은 오프라인 저장소를 시점 정합으로, 추론은 온라인 저장소를 키로 읽는다.
| 요소 | 맡는 일 | 담는 것 | 근거 |
|---|---|---|---|
| 레지스트리 | 특성 정의를 저장하고 찾게 한다 | 이름 · 엔터티 키 · 버전 · TTL · 계보 | Feast 구성 요소 · de la Rúa Martínez 2024 3절 |
| 특성 파이프라인 | 원천 → 특성 값(모델 독립 변환) | 창 집계 · 구간화 · 임베딩 | de la Rúa Martínez 2024 2.2절 |
| 오프라인 저장소 | 학습 데이터 · 일괄 추론용 대량 읽기 | 엔터티 키 · 기록 시각 · 값의 전체 이력 | Kreuzberger 2023 C4 |
| 온라인 저장소 | 서빙 때 키로 저지연 조회 | 엔터티마다 최신 값만 | Feast 구성 요소 |
| 구체화 | 오프라인 최신 값을 온라인으로 옮김 | 실행 시각 · 대상 구간 | Feast 구성 요소(feast materialize) |
| 특성 뷰 | 모델 하나가 읽을 특성 · 레이블 묶음 | 스키마 · 조인 키 · 필터 | de 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.
- 특성 뷰
card_activity버전 v1 을 엔터티 키card_id· TTL 2시간으로 레지스트리에 등록한다. - 특성 파이프라인이 매시 정각에 카드마다 한 행(기록 시각 · 값)을 오프라인 저장소에 쓴다 — 5일 동안 12,000행이다.
- 학습 파이프라인이 레이블 3,504행(사기 91건)을 받아, 행마다 «기록 시각 ≤ 거래 시각» 가운데 가장 가까운 특성 행을 시점 정합 조인으로 붙인다.
- 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.
- 구체화를 매시 실행해 카드마다 최신 값 한 행, 모두 100행을 온라인 저장소에 둔다.
- 둘째 날 06:35 카드 0번 결제 요청이 오면 추론 파이프라인이
card_id로 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. - 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.
- 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.
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.
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= 로 «기록된 시각 ≤ 레이블 시각»을 함께 요구한다.
6비교 — 특성을 제공하는 네 가지 방식
| 기준 | 모델마다 특성 코드 | 데이터 웨어하우스 조회 | 요청 시 계산 | 피처 스토어 |
|---|---|---|---|---|
| 계산 · 재사용 | 모델마다 다시 구현 | SQL 을 팀이 공유 | 서빙 코드 안에서 매번 | 한 번 계산 · 이름으로 재사용 |
| 학습 데이터 시각 | 작성자 손에 달림 | 이력 표가 있으면 직접 조인 | 과거 요청 재현이 어려움 | 시점 정합 조인 내장 |
| 서빙 조회 | 서비스가 직접 계산 | 대량 조회용이라 저지연 아님 | 요청 입력으로 즉시 | 온라인 저장소 키 조회 |
| 학습 · 서빙 같은 값 | 두 구현 대조가 필요 | 서빙 경로가 따로 생김 | 학습 쪽 구현을 맞춰야 함 | 같은 정의 · 버전으로 두 저장소 |
| 신선도 | 구현마다 다름 | 적재 주기 | 요청 시각 그대로 | 구체화 · 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).
| # | 증상 | 의심 원인 | 단계 | 확인 자료 | 판정 기준(근거) |
|---|---|---|---|---|---|
| 1 | 학습 점수가 유난히 높고 서빙에서 급락 | 레이블 시각 뒤 특성 값 조인(누수) | 학습 데이터 생성 | 학습 행의 특성 기록 시각 · 레이블 시각 | 모든 행에서 기록 시각 ≤ 레이블 시각(Feast 시점 정합 조인) |
| 2 | 백필 뒤 학습 점수만 오름 | 나중에 고친 값이 과거 행에 붙음 | 학습 데이터 생성 | 특성 행의 생성 시각 | filter_by_created_timestamp= 로 다시 만든 점수와 비교(Feast) |
| 3 | 온라인 조회 값이 비거나 오래됨 | 구체화 실패 · 주기 > TTL | 구체화 | feast materialize 실행 기록 · 마지막 갱신 시각 | 마지막 구체화 뒤 경과 시간 < TTL(Feast 구성 요소) |
| 4 | 같은 특성인데 학습 · 서빙 분포가 다름 | 정규화 등 모델 의존 변환을 두 곳에서 따로 구현 | 변환 코드 | 학습 · 추론 파이프라인의 변환 코드 버전 · 계보 | 변환 한 벌을 두 파이프라인이 공유(de la Rúa Martínez 2024 2.2절) |
| 5 | 이름은 같은데 모델마다 값이 다름 | 다른 버전의 특성 정의를 읽음 | 레지스트리 | 특성 뷰가 가리키는 특성 그룹 버전 | 이름 + 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.
- 개요 — 정의(MLOps 구성 요소 C4 · Kreuzberger 2023) · 이중 저장소 · 2017 사내 플랫폼의 중앙 특성 저장소
- 필요성 — 특성 중복 구현 · 학습 · 서빙 불일치 · 미래 값 누수 · 사례 재현율 0.747 → 0.099
- 구성 요소 — 그림 3 레지스트리 · 특성 파이프라인 · 오프라인 · 온라인 저장소 · 학습 · 추론 파이프라인(FTI)
- 동작 — 그림 4 정의 등록 → 매시 적재 → 시점 정합 조인 → 구체화 → 키 조회
- 핵심 원리 — 그림 5 시점 정합 조인 · TTL · 생성 시각 필터 · 네 방식 비교표
- 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
| 구분 | 맡는 일 | 읽는 쪽 | 조회 방식 | 사례 값 | 근거 |
|---|---|---|---|---|---|
| 레지스트리 | 특성 정의 · 버전 | 모든 파이프라인 | 이름 · 버전 | card_activity v1 · TTL 2시간 | Feast 구성 요소 |
| 특성 파이프라인 | 원천 → 특성 값 | — | 배치 · 스트림 쓰기 | 매시 100행 | de la Rúa Martínez 2024 2.1절 |
| 오프라인 저장소 | 전체 이력 보관 | 학습 · 일괄 추론 | 시점 정합 조인 | 12,000행 | Kreuzberger 2023 C4 |
| 온라인 저장소 | 키마다 최신 값 | 실시간 추론 | 엔터티 키 조회 | 100행 · 카드 0번 값 1 | Feast 구성 요소 |
| 구체화 | 오프라인 → 온라인 | 온라인 저장소 | 주기 실행 | 매시 | Feast 구성 요소 |
| 데이터 누수 | 레이블 뒤 값이 학습에 섞임 | — | 잘못된 조인 | 540행 · 재현율 0.747 → 0.099 | Feast 시점 정합 조인 |
| 특성 뷰 | 모델 하나의 스키마 | 학습 · 추론 | 특성 · 레이블 묶음 | txn_count_1h | de la Rúa Martínez 2024 4절 |
11참고 문헌
- 먼저 볼 문헌
- ★ The Hopsworks Feature Store for Machine Learning (SIGMOD Companion 2024 Industrial Track) — 이중 저장소 · FTI 파이프라인 · 변환 분류 · 누수 없는 조인을 볼 때
- ★ Machine Learning Operations (MLOps): Overview, Definition, and Architecture (IEEE Access 11 31866-31879) — MLOps 구성 요소 안에서 피처 스토어(C4)의 정의를 볼 때
- ★ Feast documentation — Point-in-time joins — TTL · 생성 시각 필터가 조인 결과를 바꾸는 규칙을 볼 때
- ★ Feast documentation — Components overview — 오프라인 · 온라인 저장소 · 레지스트리 · 구체화 명령을 볼 때
- 본문 근거
- Meet Michelangelo: Uber's Machine Learning Platform — Uber Engineering · 2017-09 ·
www.uber.com/blog/michelangelo-machine-learning-platform/· 확인 2026-11-12 - Machine Learning Operations (MLOps): Overview, Definition, and Architecture (arXiv 2205.02302v3) — arXiv · 2022-05 ·
arxiv.org/abs/2205.02302· 확인 2026-11-12 - NumPy 2.4 Reference numpy.random.Generator — NumPy Developers · 2026-11 ·
numpy.org/doc/2.4/reference/random/generator.html· 확인 2026-11-12