AI 용어집 · 심화 · MLOps·LLMOps · 데이터 엔지니어링
피처 스토어 Feature Store
피처 스토어는 머신러닝 모델이 쓰는 입력값(피처)을 한곳에서 만들고 저장해 두는 저장소입니다. 학습할 때와 실제 서비스에서 예측할 때 같은 값을 똑같은 방식으로 꺼내 쓸 수 있게 해 줍니다.
어떻게 작동하나
먼저 원본 데이터(구매 기록, 클릭 로그 등)를 가공해 '최근 7일 구매 횟수' 같은 피처를 만드는 파이프라인을 정의합니다. 이렇게 만든 피처는 두 곳에 저장됩니다. 하나는 과거 기록을 오래 쌓아 두는 오프라인 저장소로, 모델 학습용 데이터를 만들 때 씁니다. 다른 하나는 최신 값만 빠르게 꺼낼 수 있는 온라인 저장소로, 서비스 중에 실시간 예측을 할 때 씁니다. 피처의 이름·정의·만든 사람 같은 정보도 함께 등록해 두어 다른 팀이 찾아 쓸 수 있습니다.
왜 중요한가
가장 흔한 문제는 학습 때 계산한 방식과 서비스 때 계산한 방식이 조금씩 달라져 모델 성능이 몰래 떨어지는 것입니다. 피처 스토어는 정의를 한 번만 적고 양쪽에서 같이 쓰게 해 이 차이를 줄입니다. 또 여러 팀이 같은 피처를 각자 다시 만드는 중복을 줄여 줍니다. 과거 특정 시점에 알 수 있었던 값만 골라 학습 데이터를 만드는 기능도 있어, 미래 정보가 섞여 들어가는 실수를 막아 줍니다.
알아 둘 점
피처 스토어는 주로 추천·이상 탐지·수요 예측처럼 표 형태 데이터를 다루는 전통적인 머신러닝에서 많이 쓰입니다. LLM 서비스에서는 문서 검색용 벡터 DB가 비슷한 역할을 일부 맡기도 하지만, 둘은 목적이 다릅니다. 모델이 몇 개 안 되는 작은 조직에서는 도입·운영 부담이 이득보다 클 수 있습니다. MLOps 도구 모음의 한 부분으로 함께 도입하는 경우가 많습니다.
예시
쇼핑 앱의 추천 시스템을 예로 들면, '이 사용자가 최근 본 상품 분야'나 '지난주 구매 금액' 같은 피처를 피처 스토어에 등록해 둡니다. 데이터 과학자는 오프라인 저장소의 과거 값으로 추천 모델을 학습시키고, 앱에서 사용자가 화면을 열면 서버가 온라인 저장소에서 같은 피처의 최신 값을 바로 꺼내 모델에 넣어 추천 목록을 만듭니다. 사기 거래 탐지 모델도 같은 피처를 가져다 쓸 수 있습니다.