Vertex AI Feature Store 完全ガイド｜新版 (BigQuery ベース)・MLOps

Vertex AI Feature Store は ML 用の特徴量を中央管理するサービスで、 2024 新版で BigQuery ベースのアーキテクチャに進化しました。学習と本番推論で同じ特徴量を再利用し、Feature Skew (学習と推論の差) を排除します。

Feature Store の役割

• 特徴量の中央管理: チーム間で再利用
• Online Store: 本番推論時の低レイテンシ取得 (ms 級)
• Offline Store: 学習時の大量取得
• Point-in-time Lookup: Data Leakage 防止
• Feature Skew 検知: 学習 vs 本番分布の乖離検知

新版 vs 旧版

主要コンセプト (新版)

• Feature Group: BigQuery テーブル / View をベースとした特徴量グループ
• Feature: 個別の特徴量 (列)
• Feature View: Online Serving 用の特徴量セット (Entity 指定)
• Online Store: 低レイテンシ Serving 用のクラスタ
• Sync: BQ → Online Store の同期 (Cron または手動)

セットアップ例

from google.cloud import aiplatform as ai

ai.init(project="my-project", location="asia-northeast1")

# Online Store 作成
online_store = ai.FeatureOnlineStore.create_bigtable_store(
    name="my-online-store",
    min_node_count=1, max_node_count=3,
)

# Feature View 作成 (BigQuery を Source に)
feature_view = online_store.create_feature_view(
    name="user-features",
    source=ai.FeatureViewBigQuerySource(
        uri="bq://my-project.ml_features.user_features",
        entity_id_columns=["user_id"],
    ),
    sync_config="0 * * * *",  # 毎時 Sync
)

# 同期実行
feature_view.sync()

# Online 取得 (推論時、ミリ秒)
result = feature_view.read(key="user-123")

Point-in-time Lookup (学習用)

# 学習用バッチ取得: 特定時点の特徴量
df = feature_group.fetch_historical_features(
    entity_df=labels_df,  # user_id, timestamp, label
    feature_groups=[user_features, transaction_features],
)
# Data Leakage 防止: 各 timestamp 以前の最新値のみ取得

典型的なアーキ

1. BigQuery で特徴量を計算 (Dataform / Dataflow)
2. Feature Group / Feature View で登録
3. Sync で Online Store に複製
4. Vertex AI Endpoint がオンライン取得
5. 学習時は Offline (BQ) から Point-in-time 取得
6. Model Monitoring が Feature Skew 検知

他 Feature Store 比較

料金例

ベストプラクティス

• BigQuery で特徴量計算を完結 (データ移動不要)
• Sync スケジュールを業務時間に合わせる
• Entity ID を一貫化 (user_id / device_id 等)
• Feature Skew Monitoring を必ず有効化
• BigQuery Materialized View で再計算コスト削減

※ Google Cloud は Google LLC の商標です。最新情報は Vertex AI Feature Store 公式 をご確認ください。