Feature Store: คลังตัวแปรกลาง ที่ทำให้งาน AI ไม่ต้องเริ่มนับหนึ่งทุกครั้ง

เบื้องหลังโมเดล AI ที่ทำนายอะไรสักอย่าง เช่น ลูกค้าคนไหนกำลังจะเลิกใช้บริการ คือรายการตัวแปรที่สกัดจากข้อมูลดิบ เช่น ยอดซื้อเฉลี่ยสามเดือน จำนวนวันตั้งแต่ซื้อครั้งล่าสุด หรือความถี่การเข้าใช้งาน ตัวแปรเหล่านี้เรียกว่า Feature และมันคืองานหนักที่แท้จริงของโปรเจกต์ AI ปัญหาเกิดเมื่อองค์กรมีหลายโมเดล แต่ละทีมสร้าง Feature เดียวกันซ้ำ ๆ ด้วยสูตรที่ต่างกันนิดหน่อย ยอดซื้อเฉลี่ยของทีมหนึ่งรวมส่วนลด อีกทีมไม่รวม ผลคือโมเดลสองตัวมองลูกค้าคนเดียวกันไม่เหมือนกัน และไม่มีใครรู้ว่าตัวไหนถูก

นิยามครั้งเดียว ใช้ได้ทั้งตอนเทรนและตอนใช้งานจริง

Feature Store คือคลังกลางที่นิยามและคำนวณ Feature ไว้ที่เดียว พร้อมคำอธิบายว่าสูตรคืออะไรและใครดูแล ทีมใหม่ที่จะสร้างโมเดลก็หยิบของที่มีไปใช้ได้เลย ไม่ต้องนับหนึ่ง และประโยชน์ที่ลึกกว่านั้นคือการแก้ปัญหาคลาสสิกของ AI ที่ชื่อว่าความไม่ตรงกันระหว่างตอนเทรนกับตอนใช้จริง โมเดลถูกเทรนด้วยสูตรหนึ่งแต่ตอนให้บริการจริงคำนวณอีกสูตร ทำให้ผลเพี้ยนแบบหาสาเหตุยาก เมื่อทั้งสองฝั่งดึงจากคลังเดียวกัน ปัญหานี้หายไปเอง เช่นเดียวกับแนวคิด Semantic Layer ที่ทำให้รายงานทุกฉบับใช้นิยามตัวเลขเดียวกัน Feature Store คือการทำสิ่งเดียวกันให้กับโมเดล AI

• นิยามและคำนวณ Feature ที่เดียว พร้อมเจ้าของและคำอธิบาย
• ให้ตอนเทรนและตอนใช้งานจริงดึงจากแหล่งเดียวกันเสมอ
• เริ่มคุ้มเมื่อมีโมเดลที่สองที่ใช้ตัวแปรซ้ำกับตัวแรก

Feature Store เป็นโครงสร้างพื้นฐานที่มองไม่เห็นจากภายนอก แต่มันคือสิ่งที่แยกองค์กรที่ทำ AI ได้เป็นระบบ ออกจากองค์กรที่แต่ละโปรเจกต์เป็นงานฝีมือชิ้นใหม่ทุกครั้ง สำหรับธุรกิจที่เริ่มมีโมเดลมากกว่าหนึ่ง คำถามง่าย ๆ ที่ใช้ตรวจคือ ตัวแปรที่โมเดลเราใช้ นิยามอยู่ที่ไหน ถ้าคำตอบคืออยู่ในโค้ดของแต่ละทีม นั่นคือสัญญาณว่าถึงเวลาสร้างคลังกลางก่อนที่ความซ้ำซ้อนจะโตตามจำนวนโมเดล