ML 데이터 플랫폼 팀에서 요구하는 피쳐 스토어의 역할과 중요성에 대해 설명해 주세요.

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.