그림(참고1)

Data warehouse versus feature store

위와 같은 그림이 있다고 해보자. 데이터 레이크와 데이터 웨어하우스 사이에 ELT가 아니라 ETL이라는 이름이 붙어 있다. 아니 분명히 ELT라고 하지 않았는가!

이것은 그냥 관점 차이다. 전체 파이프라인의 관점에서 살펴보면, 데이터 레이크라는 존재가 생겨나면서, 변환(Transform)이 후순위로 간 것이 사실이다. 하지만, 데이터 레이크 → 데이터 웨어하우스의 관점에서 본다면, 데이터 레이크에서 데이터를 추출(Extraction), 과거 데이터 웨어하우스에 있던 데이터에 맞게 변환(Transform), 그리고 변환한 데이터를 **저장(Load)**하는 과정이 필요하다.

[데이터 ETL([[[SW Environment](https://janghoo.notion.site/Environment-d73d08b95a824b3f957eb0134f8ced1f) MLOps](https://janghoo.notion.site/MLOps-1be9e881d5444f268fde8c1ea7e00f59)Data Extract, Transform, Load (ETL)](https://janghoo.notion.site/Data-Extract-Transform-Load-ETL-767c8e7be3384c86862c0f6b33cc9260)) 과정과 데이터 웨어하우스([[[SW Environment](https://janghoo.notion.site/Environment-d73d08b95a824b3f957eb0134f8ced1f) MLOps](https://janghoo.notion.site/MLOps-1be9e881d5444f268fde8c1ea7e00f59) Data warehouse (DW)](https://janghoo.notion.site/Data-warehouse-DW-555519fa404e4a7dbd2784794fc6454f)), 특징 저장소([[[SW Environment](https://janghoo.notion.site/Environment-d73d08b95a824b3f957eb0134f8ced1f) MLOps](https://janghoo.notion.site/MLOps-1be9e881d5444f268fde8c1ea7e00f59) Feature Store](https://janghoo.notion.site/Feature-Store-15843dbb6be94c1d9cfffe6427cc64a6)) 사이에는 어떤 관계가 존재하는가?](https://janghoo.notion.site/ETL-2d75188e52464e2988f032705f05166d)

parse me : 언젠가 이 글에 쓰이면 좋을 것 같은 재료들.

1. None

from : 과거의 어떤 생각이 이 생각을 만들었는가?

1. None

supplementary : 어떤 새로운 생각이 이 문서에 작성된 생각을 뒷받침하는가?

1. None

opposite : 어떤 새로운 생각이 이 문서에 작성된 생각과 대조되는가?

1. None

to : 이 문서에 작성된 생각이 어떤 생각으로 발전되고 이어지는가?