모델보다 중요한 데이터 표현, Tesla의 Feature Store 전략

Context

원시 센서 데이터는 개별적으로 의미 없는 신호 뭉치에 불과한 구조. 모델 성능에만 집중할 경우 데이터 일관성 부족으로 인한 잘못된 판단 가능성 상존. 학습 데이터와 실시간 추론 데이터의 불일치로 발생하는 Training-serving skew 문제 발생.

Technical Solution

• 원시 신호를 거리, 차선 위치, 객체 분류 등 구조화된 입력값으로 변환하는 Feature Store 도입
• 모델이 세상을 인식하는 방식인 Feature Representation 최적화에 집중하는 설계 전략
• 학습 환경과 운영 환경 간의 Feature 정의를 단일화하여 데이터 일관성 확보
• 최신 환경 상태를 실시간으로 모델에 공급하는 데이터 파이프라인 구축
• 단순 모델 고도화 대신 입력 데이터의 품질과 구조를 개선하는 데이터 중심 접근 방식

Key Takeaway

모델은 결정만 내릴 뿐 현실을 정의하는 것은 Feature의 품질이며, 고성능 AI의 핵심은 모델 자체가 아닌 데이터를 정제하는 인프라의 완성도에 있음.