온라인 작업은 실시간 추론 작업이고, 모델 학습이나 배치 처리(참고2)는 오프라인 작업이다(참고1:음악 플레이어의 예시). 특징 저장소(
‣ Feature Store)가 분리된 것은 레이턴시 요구사항 때문이다. 사용자가 특정 음악을 재생했을 때, 다음으로 재생할 음악을 추천하는 머신러닝 모델이 있다고 하자. 이 모델은 배치 단위로 추론할 수 없다. 배치가 쌓이기를 기다렸다가는 다음 음악을 추론하지 못한 채 사용자가 새로운 음악을 요청하게 될 것이다. 사용자가 특정 음악을 실행했다는 정보 정도쯤만을 빠르게 받아 바로 머신러닝 입력으로 사용할 수 있어야 한다. 배치 단위로 훈련하거나, 배치 단위로 추론해도 되는 특징들은 천천히 만들어져도 괜찮다(참고3). 하지만 이 사례와 같이 어떤 데이터도 똑같은 과정으로 다루지 못할 수 있다. 이를 위해 온라인과 오프라인 피처 저장소를 분리하게 된다(참고2).
‣ Feature Store)가 분리된 것은 레이턴시 요구사항 때문이다. 사용자가 특정 음악을 재생했을 때, 다음으로 재생할 음악을 추천하는 머신러닝 모델이 있다고 하자. 이 모델은 배치 단위로 추론할 수 없다. 배치가 쌓이기를 기다렸다가는 다음 음악을 추론하지 못한 채 사용자가 새로운 음악을 요청하게 될 것이다. 사용자가 특정 음악을 실행했다는 정보 정도쯤만을 빠르게 받아 바로 머신러닝 입력으로 사용할 수 있어야 한다. 배치 단위로 훈련하거나, 배치 단위로 추론해도 되는 특징들은 천천히 만들어져도 괜찮다(참고3). 하지만 이 사례와 같이 어떤 데이터도 똑같은 과정으로 다루지 못할 수 있다. 이를 위해 온라인과 오프라인 피처 저장소를 분리하게 된다(참고2).Apache Hive vs MySQL - What are the key differences?
parse me : 언젠가 이 글에 쓰이면 좋을 것 같은 재료들.
from : 과거의 어떤 생각이 이 생각을 만들었는가?
1.
3.
supplementary : 어떤 새로운 생각이 이 문서에 작성된 생각을 뒷받침하는가?
1.
None
opposite : 어떤 새로운 생각이 이 문서에 작성된 생각과 대조되는가?
1.
None
to : 이 문서에 작성된 생각이 어떤 생각으로 발전되고 이어지는가?
1.
참고 : 레퍼런스