예시 답변 1
약 104초
피쳐 스토어 역할 설명 → training-serving skew 문제 해결 경험 → 재사용 가치로 풀어내는 결
피쳐 스토어는 ML 모델 훈련과 서빙 단계에서 동일한 피쳐를 안정적으로 제공하기 위한 중앙화된 저장소라고 이해하고 있습니다. 가장 중요한 역할은 훈련 시점과 서빙 시점의 피쳐 불일치, 즉 training-serving skew를 방지하는 것입니다.
인턴 프로젝트에서 Feast를 사용해 간단한 피쳐 스토어를 구성해본 경험이 있습니다. 초기에는 훈련용 배치 피쳐를 별도 CSV로 뽑아 쓰다 보니, 서빙 시 실시간으로 계산한 피쳐와 분포가 달라져 모델 성능이 오프라인 평가보다 눈에 띄게 낮게 나오는 문제가 있었습니다.
Feast를 도입해 오프라인 스토어와 온라인 스토어를 동일한 피쳐 정의(FeatureView)로 연결하자 두 시점의 값이 일치하게 됐고, 추론 지연도 허용 범위 안으로 들어왔습니다.
또한 피쳐 스토어는 여러 모델이 같은 피쳐를 재사용할 수 있게 해주는 역할도 중요하다고 봅니다. 피쳐마다 계산 비용이 다르기 때문에, 중앙에서 한 번 계산하고 캐싱해두는 구조가 팀 전체의 개발 속도를 높입니다. 이 경험을 바탕으로 피쳐 스토어는 단순한 저장소가 아니라 ML 파이프라인 전반의 일관성을 보장하는 인프라 레이어라고 생각합니다.
이 결의 특징
CSV로 배치 피쳐를 뽑아 쓰다 서빙 시 실시간 계산값과 분포가 달라져 오프라인 평가보다 낮은 성능이 나온 문제를 구체적으로 짚은 흔적이 있습니다. Feast 도입으로 오프라인·온라인 스토어를 같은 FeatureView로 연결해 값을 일치시킨 전환이 담겨 있습니다.
이 결이 통하는 자리
training-serving skew라는 구체적 문제와 그 해결 과정이 순서대로 살아 있을 때 통합니다. 단순 저장소가 아니라 일관성을 보장하는 인프라 레이어라는 관점이 붙어 있을 때 면접관이 개념 이해도를 읽는 결이 보입니다.