Feature store는 ML 모델 학습과 서빙 간의 기능 불일치라는 중요한 문제를 해결합니다. Feast는 기능 레지스트리, 구현, 온라인 검색을 관리하여 이 격차를 해소하도록 설계된 오픈 소스 솔루션입니다. 이를 통해 모델은 프로덕션에서 학습 중에 사용했던 것과 동일한 데이터에 일관되게 액세스할 수 있습니다. 관계형 데이터베이스 또는 클라우드 데이터 웨어하우스로 자주 시연되지만, 이 글에서는 대안적인 접근 방식을 탐구합니다. 기능 계산 엔진으로 Neo4j Desktop을 활용합니다. 5가지 기능은 Cypher 쿼리로 쉽게 처리할 수 있는 간단한 집계 기능을 포함합니다. 6번째 기능인 고객 커뮤니티 ID는 그래프 알고리즘을 사용하여 파생됩니다. 이러한 알고리즘은 Graph Data Science 노드 유사성을 통해 유사한 구매 패턴을 가진 고객을 식별합니다. 이후 Louvain 커뮤니티 감지를 통해 이러한 유사한 고객을 그룹화합니다. 그런 다음 Feast는 6가지 기능을 모두 수집합니다. 추론 중에 효율적인 서빙을 위해 SQLite 온라인 저장소로 구현합니다. 이 프로세스는 또한 시점 정확한 학습 데이터의 구성을 보장합니다.