← 전체 뉴스
Databricks Blog2026년 11월 5일
Feature Views로 구현하는 실시간 사기 탐지
영어 원문을 AI가 번역했습니다. 영어로 보기
요약
Feature Views를 사용하면 사기 탐지 피처를 한 번만 정의해 시점 기준(point-in-time) 학습과 온라인 스코어링에 모두 재사용할 수 있어, 데이터 유출과 학습-서빙 스큐를 줄일 수 있습니다. 예제에서는 결제 급증을 포착하는 롤링 윈도우와 30일 Sawtooth 베이스라인, 그리고 각 결제를 해당 베이스라인과 비교해 점수를 매기는 온디맨드 피처를 함께 사용합니다. materialize_features() 호출 한 번으로 Lakebase 기반 Online Feature Store로 이어지는 관리형 streaming 파이프라인이 구성되며, 200ms 미만의 피처 신선도를 제공합니다.
* Feature Views로 사기 탐지 피처를 한 번만 정의해 시점 기준 학습과 온라인 스코어링에 재사용함으로써 데이터 유출과 학습-서빙 스큐를 줄입니다. * 롤링 윈도우로 결제 급증을 포착하고, 30일 Sawtooth 베이스라인으로 일반적인 지출 패턴을 파악하며, 온디맨드 피처로 각 결제를 해당 베이스라인과 비교해 점수를 매깁니다. * materialize_features() 호출 한 번으로 Lakebase 기반 Online Feature Store로 이어지는 관리형 streaming 파이프라인이 생성되며, 200ms 미만의 피처 신선도를 제공합니다.