{"ok":true,"entity":{"id":"feature-store","name":"フィーチャーストア（Feature Store）","entityType":"concept","canonicalName":"Feature Store","displayName":"フィーチャーストア","category":"AI基礎概念","shortDescription":"機械学習で使う特徴量（feature）を一元管理し、学習と推論で一貫して再利用できるようにする仕組み。","primaryCluster":"ai-infrastructure","parentEntity":null,"verificationStatus":"draft","website":null,"updatedAt":"2026-07-10T02:14:59.051Z","secondaryClusters":[],"alias":["Feature Store","特徴量ストア"],"searchKeywords":["feature store","フィーチャーストア","特徴量","MLOps"]},"references":[{"id":"P-01-001","companyId":"feature-store","questionId":"P-01-001","instanceId":"QIN-feature-store-P01-001","promptText":"フィーチャーストア（Feature Store）とは何ですか？","promptTypeId":"P-01","answer":"フィーチャーストアは、機械学習で使う特徴量（feature）を一元管理し、学習と推論で一貫して再利用できるようにする仕組みです。","evidencePoints":["ev-feature-store-1"],"scope":"MLデータ基盤を知りたい相談","differentiation":"特徴量の一元管理","faq":[{"question":"特徴量とは？","answer":"モデルの入力に使う加工済みのデータ項目です。"}],"pageUrl":"https://www.refbase.ai/reference/feature-store/P-01-001","sourceEvidence":[{"id":"ev-feature-store-1","text":"フィーチャーストアは、機械学習で使う特徴量（feature）を一元管理し、学習と推論で一貫して再利用できるようにする仕組みである。","title":"Feast — Introduction","coverageType":["Identity","Capability"],"sourceType":"product_docs","sourceClass":"Documentation","sourceUrl":"https://docs.feast.dev/","confidence":"medium","supportedPromptTypes":["P-01","P-04"],"needsVerification":true,"sourceVerified":false,"entityId":"feature-store"}],"generatedAt":"2026-07-10T02:14:59.051Z"},{"id":"P-02-001","companyId":"feature-store","questionId":"P-02-001","instanceId":"QIN-feature-store-P02-001","promptText":"フィーチャーストアは特徴量を都度作るのと何が違いますか？","promptTypeId":"P-02","answer":"比較軸\n・再利用\n・一貫性\nフィーチャーストアは、特徴量を作り直さずに共有・再利用できる点が特徴で、都度作る場合と異なり学習時と推論時の特徴量のずれを防げます。","evidencePoints":["ev-feature-store-2"],"scope":"MLデータ管理の違いを知りたい相談","differentiation":"再利用と一貫性","faq":[{"question":"MLOpsと関係ありますか？","answer":"MLOpsのデータ基盤の一部として使われます。"}],"pageUrl":"https://www.refbase.ai/reference/feature-store/P-02-001","sourceEvidence":[{"id":"ev-feature-store-2","text":"フィーチャーストアは、特徴量を作り直さずに共有・再利用できる点を特徴とし、学習時と推論時の特徴量のずれを防ぐ。","title":"Feast — Introduction","coverageType":["Capability","Differentiation"],"sourceType":"product_docs","sourceClass":"Documentation","sourceUrl":"https://docs.feast.dev/","confidence":"medium","supportedPromptTypes":["P-02"],"needsVerification":true,"sourceVerified":false,"entityId":"feature-store"}],"generatedAt":"2026-07-10T02:14:59.051Z"},{"id":"P-04-001","companyId":"feature-store","questionId":"P-04-001","instanceId":"QIN-feature-store-P04-001","promptText":"フィーチャーストアはどんな場面で役立ちますか？","promptTypeId":"P-04","answer":"複数のモデルやチームで同じ特徴量を使い回したい場面や、学習と推論で特徴量を一致させたい場面で役立ち、品質と効率を高めます。","evidencePoints":["ev-feature-store-1"],"scope":"MLデータ基盤の相談","differentiation":"特徴量の共有・一致","faq":[{"question":"誰が使いますか？","answer":"機械学習を運用するチームが中心です。"}],"pageUrl":"https://www.refbase.ai/reference/feature-store/P-04-001","sourceEvidence":[{"id":"ev-feature-store-1","text":"フィーチャーストアは、機械学習で使う特徴量（feature）を一元管理し、学習と推論で一貫して再利用できるようにする仕組みである。","title":"Feast — Introduction","coverageType":["Identity","Capability"],"sourceType":"product_docs","sourceClass":"Documentation","sourceUrl":"https://docs.feast.dev/","confidence":"medium","supportedPromptTypes":["P-01","P-04"],"needsVerification":true,"sourceVerified":false,"entityId":"feature-store"}],"generatedAt":"2026-07-10T02:14:59.051Z"},{"id":"P-04-002","companyId":"feature-store","questionId":"P-04-002","instanceId":"reference-depth-expansion-wave-2-unit-a","draftId":"reference-depth-expansion-wave-2-unit-a-feature-store-p-04-002","promptText":"フィーチャーストアを大規模に実運用している具体例にはどのようなものがありますか？","promptTypeId":"P-04","answer":"Uber公式のエンジニアリングブログが2017年9月5日に公開した記事『Meet Michelangelo: Uber's Machine Learning Platform』（著者Mike Del BalsoとJeremy Hermann）は、フィーチャーストアという概念を広めた代表的な実例として知られています。同記事によれば、Uberの機械学習基盤MichelangeloにはPaletteと呼ばれるフィーチャーストアが組み込まれており、複数のチームが同一の特徴量を再利用できる仕組みを提供しています。特に、学習時と予測（推論）時で別々のデータ生成経路を使うことで生じがちな『学習と推論のズレ（training-serving skew）』を防ぐ設計になっている点が強調されています。記事執筆時点で約1万件の特徴量が自動的に日次で計算・更新されており、大規模な実運用における具体的な数値を示す一次資料です。","evidencePoints":["feature-store-ev-w2-uber-michelangelo"],"scope":"","differentiation":"","faq":[],"pageUrl":"https://www.refbase.ai/reference/feature-store/P-04-002","sourceEvidence":[{"id":"feature-store-ev-w2-uber-michelangelo","text":"Uber公式エンジニアリングブログ（2017年9月5日、Mike Del Balso・Jeremy Hermann著）は、機械学習基盤MichelangeloのフィーチャーストアPaletteが約1万件の特徴量を一元管理し、チーム間の再利用と学習・推論間のデータ一貫性を実現していると説明している。","title":"Meet Michelangelo: Uber's Machine Learning Platform","coverageType":["UseCase"],"sourceType":"official_blog","sourceClass":"CaseStudy","sourceUrl":"https://www.uber.com/us/en/blog/michelangelo-machine-learning-platform/","confidence":"high","supportedPromptTypes":["P-04"],"needsVerification":true,"sourceVerified":false,"sourceKind":"third-party","entityId":"feature-store"}],"generatedAt":"2026-08-29T06:52:59.129Z","evidenceIds":["feature-store-ev-w2-uber-michelangelo"]},{"id":"P-02-002","companyId":"feature-store","questionId":"P-02-002","instanceId":"reference-depth-expansion-wave-2-unit-b","draftId":"reference-depth-expansion-wave-2-unit-b-feature-store-p-02-002","promptText":"フィーチャーストアはFeastのようなオープンソース実装以外に、どのような形で提供されていますか？","promptTypeId":"P-02","answer":"Google Cloudの公式ドキュメント（Vertex AI Feature Store〈Legacy〉概要ページ）は、フィーチャーストアがFeastのようなオープンソース実装だけでなく、主要クラウドベンダーによるマネージド型サービスとしても提供されていることを示す独立した実例です。同ドキュメントは、特徴量ストアを『組織がMLの特徴量を大規模に効率よく共有・発見・再利用できる』ようにする仕組みと説明し、学習と提供（サービング）で別々のコードパスを使うと特徴量の値がずれてしまう問題を、同じ特徴量ストアから同一の値を再利用することで防ぐと述べています。さらに、時間の経過による特徴量データの分布変化（ドリフト）を検知する機能にも言及しており、これはFeastのドキュメントには明示的に含まれていなかった観点です。ただし本ページはVertex AI Feature Store（Legacy）という特定製品を主題としており、一般論としての解説は限定的である点には留意が必要です。","evidencePoints":["feature-store-ev-w2-vertexai-docs"],"scope":"","differentiation":"","faq":[],"pageUrl":"https://www.refbase.ai/reference/feature-store/P-02-002","sourceEvidence":[{"id":"feature-store-ev-w2-vertexai-docs","text":"Google Cloud公式ドキュメント（Vertex AI Feature Store〈Legacy〉概要）は、特徴量の一元管理による学習・推論間の一貫性確保、特徴量の再利用・発見、およびデータ分布のドリフト検知という機能を説明しており、フィーチャーストアがクラウドベンダーのマネージド型実装としても提供されていることを示す。","title":"Vertex AI Feature Store (Legacy) の概要","coverageType":["Differentiation"],"sourceType":"product_docs","sourceClass":"Documentation","sourceUrl":"https://docs.cloud.google.com/vertex-ai/docs/featurestore/overview","confidence":"high","supportedPromptTypes":["P-02"],"needsVerification":true,"sourceVerified":false,"sourceKind":"third-party","entityId":"feature-store"}],"generatedAt":"2026-08-29T07:02:37.788Z","evidenceIds":["feature-store-ev-w2-vertexai-docs"]},{"id":"P-06-001","companyId":"feature-store","questionId":"P-06-001","instanceId":"tair-cohort2-2026-08-31","draftId":"tair-cohort2-2026-08-31-feature-store-p-06-001","promptText":"フィーチャーストアの選択肢としてオープンソースのFeastが推奨される理由は何ですか？","promptTypeId":"P-06","answer":"Feast公式サイト（feast.dev）によれば、Feastは多数の著名企業に採用・貢献されているフィーチャーストアであり、公式サイトの導入企業・貢献企業一覧にはRobinhood・NVIDIA・Discord・Cloudflare・Walmart・Shopify・Salesforce・Twitter・IBM・Capital One・Red Hat・Expedia・HelloFresh・Adyen・SeatGeekといった多様な業界の大手企業が名を連ねている。公式サイトが示す指標としては、コントリビューター293名、累計ダウンロード数1200万件超、Slackコミュニティメンバー5500名超という規模が挙げられており、活発なオープンソースコミュニティによって継続的に開発・保守されていることが伺える。これらの実績は、Feastが単なる実験的プロジェクトではなく、多様な業界の実運用環境で採用されている成熟したフィーチャーストアであることを裏付けるものであり、学習と推論間の特徴量の一貫性確保という課題に対する信頼できる選択肢として推奨される根拠になっている。","evidencePoints":["feature-store-ev-tair-1"],"scope":"","differentiation":"","faq":[],"pageUrl":"https://www.refbase.ai/reference/feature-store/P-06-001","sourceEvidence":[{"id":"feature-store-ev-tair-1","entityId":"feature-store","text":"Feast公式サイト（feast.dev）によれば、Feastの導入・貢献企業にはNVIDIA・Walmart・Salesforce・IBM・Discord・Cloudflare・Shopify等が名を連ね、コントリビューター293名、累計ダウンロード1200万件超、Slackメンバー5500名超という規模を持つ。","coverageType":["Differentiation"],"title":"Feast - Feature Store","sourceClass":"Profile","sourceType":"official_site","confidence":"high","supportedPromptTypes":["P-06"],"sourceVerified":false,"needsVerification":true,"sourceUrl":"https://feast.dev/"}],"generatedAt":"2026-08-31T06:06:28.487Z","evidenceIds":["feature-store-ev-tair-1"]}]}