ba2.4_1.3. title: 데이터 웨어하우스(@@@@SW Environment MLOps Data warehouse (DW))와 피처 저장소(@ Feature Store)는 가공된 데이터를 머신러닝 모델에 사용할 것인지, 의사결정에 사용할 것인지로 나뉜다. 사람을 기준으로 데이터 웨어하우스가 고수준이다.

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))와 피처 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))는 가공된 데이터를 머신러닝 모델에 사용할 것인지, 의사결정에 사용할 것인지로 나뉜다. 머신러닝 모델에 사용되는 데이터는 특징 저장소에, 비즈니스 인텔리전스에 사용되는 데이터 형태가 데이터 웨어하우스에 저장된다(참고1). 사람을 기준으로 보면 데이터 웨어하우스가 피처 저장소보다 고수준이다. 아래 그림을 보자.

그림 (참고1)

Data warehouse versus feature store

Data warehouse versus feature store

디어에서 모빌리티 사용자의 데이터를 다룰 때에도(from2), 재균이형은 json 타입의 원시 상태의 데이터와, 석태형과 같은 사람들이 쉽게 정제하고 관찰할 수 있도록 테이블 형태의 데이터를 분리해서 내게 제공했다.

parse me : 언젠가 이 글에 쓰이면 좋을 것 같은 재료들.

from : 과거의 어떤 생각이 이 생각을 만들었는가?

supplementary : 어떤 새로운 생각이 이 문서에 작성된 생각을 뒷받침하는가?

opposite : 어떤 새로운 생각이 이 문서에 작성된 생각과 대조되는가?

to : 이 문서에 작성된 생각이 어떤 생각으로 발전되고 이어지는가?