Apa itu Feature Store?

Repositori terpusat untuk menyimpan, mengelola, dan melayani fitur machine learning yang dapat digunakan bersama oleh berbagai model dan tim data science.

Kapan Feature Store digunakan?

Menghindari duplikasi komputasi fitur RFM di 10 model berbeda untuk pelanggan yang sama. Memastikan konsistensi fitur antara training dan real-time serving untuk model fraud. Katalog fitur terpusat agar tim baru dapat menemukan dan memanfaatkan fitur yang sudah ada. Point-in-time feature retrieval untuk training model prediksi yang menghindari data leakage. Online feature serving dengan latency <10ms untuk rekomendasi real-time

Apa kesalahpahaman umum tentang Feature Store?

Feature Store bukan kebutuhan hari pertama - nilai Feature Store baru terasa saat ada 5+ model di production atau 3+ tim ML yang bekerja paralel. Feature Store bukan hanya database fitur - komponen kunci lainnya adalah point-in-time correctness untuk training dan low-latency serving untuk inference. Semua fitur tidak perlu masuk Feature Store - hanya fitur yang reusable dan shared antar model atau tim yang worth dikelola di Feature Store

Feature Store: Pengertian, Cara Kerja, dan Implementasi

Q: Apa kesalahpahaman umum tentang Feature Store?

Feature Store bukan kebutuhan hari pertama - nilai Feature Store baru terasa saat ada 5+ model di production atau 3+ tim ML yang bekerja paralel. Feature Store bukan hanya database fitur - komponen kunci lainnya adalah point-in-time correctness untuk training dan low-latency serving untuk inference. Semua fitur tidak perlu masuk Feature Store - hanya fitur yang reusable dan shared antar model atau tim yang worth dikelola di Feature Store

Feature Store adalah lapisan infrastruktur yang berfungsi sebagai repositori terpusat untuk fitur machine learning - mengatasi masalah duplikasi, inkonsistensi, dan kesulitan sharing fitur antara tim dan antara training dan serving.

Masalah yang Dipecahkan Feature Store

Tanpa Feature Store, tim ML sering menghadapi:

Setiap tim menghitung fitur yang sama secara independen → duplikasi kerja
Fitur training dihitung berbeda dari fitur serving → training-serving skew
Tidak ada katalog fitur → tidak tahu fitur mana yang sudah ada
Fitur sulit di-reuse antar model → lambat iterasi

Online vs Offline Feature Store

Aspek	Offline Feature Store	Online Feature Store
Storage	Data Warehouse / Data Lake	Low-latency store (Redis, DynamoDB)
Latency	Menit - jam	Milidetik
Throughput	Sangat tinggi (batch)	Ribuan QPS
Penggunaan	Training model	Real-time inference
Contoh data	Fitur historis 12 bulan	Fitur paling baru pelanggan

Arsitektur Feature Store

Alur data dalam Feature Store:

Sumber Data (DB, Event Stream)
Feature Computation (dbt, Spark, Python)
Feature Store (Feast, Tecton, Vertex AI)
- Offline Store → untuk training model
- Online Store → untuk serving real-time (<10ms)

Fitur yang Baik untuk Feature Store

Reusable: dapat digunakan oleh lebih dari satu model
Stable: tidak berubah definisi terlalu sering
Documented: ada deskripsi, owner, dan SLA
Versioned: perubahan fitur dapat dilacak

Masalah yang Dipecahkan Feature Store

Tanpa Feature Store, tim ML sering menghadapi:

Setiap tim menghitung fitur yang sama secara independen → duplikasi kerja

Fitur training dihitung berbeda dari fitur serving → training-serving skew

Tidak ada katalog fitur → tidak tahu fitur mana yang sudah ada

Fitur sulit di-reuse antar model → lambat iterasi

Aspek

Offline Feature Store

Online Feature Store

Storage

Data Warehouse / Data Lake

Low-latency store (Redis, DynamoDB)

Latency

Menit - jam

Milidetik

Throughput

Sangat tinggi (batch)

Ribuan QPS

Penggunaan

Training model

Real-time inference

Contoh data

Fitur historis 12 bulan

Fitur paling baru pelanggan