
같은 모델, 다른 예측
두줄요약
서빙 파티션 기록과 블루/그린 전환으로 추천 모델의 Training-Serving Skew를 줄였습니다. 잔존 피처를 삭제해 학습·서빙 일관성을 높이고 온라인 실험으로 영향을 확인했습니다.
문제 상황
- 추천 모델 학습 시점과 온라인 추론 시점의 피처 파티션·값 불일치인 Training-Serving Skew
- 업로드 진행 중 값과 테이블 파티션 정보의 불일치, 집계 대상에서 제외된 Cross Feature의 잔존
원인 분석
- 테이블별 배치 업로드 완료 시점 차이로 동일 요청에서 서로 다른 시점의 파티션 사용
- 행 단위 덮어쓰기 중 신규 값 서빙과 기존 테이블 단위 파티션 기록 간 시점 차이
- Upsert와 TTL 기반 만료로 신규 집계에서 빠진 행의 과거 값 지속 서빙
해결 방법
- 요청 로그에 피처 값 전체 대신 실제 서빙에 사용한 테이블별 파티션 기록
- 블루/그린 적재 후 데이터와 파티션 정보를 함께 전환하는 방식
- 적재 대상 영역의 이전 파티션과 비교해 신규·변경 행 반영, 제외 행 삭제
성능/운영 포인트
- 사용자 피처 약 89%, 상품 피처 약 94%의 학습 대상 행에 서빙 파티션 연결
- Cross Feature 조회 노출 비율 14.4%에서 6.0%로 감소
- 온라인 실험에서 CTR 상대 0.86% 감소, CVR 상대 0.91% 증가 및 주요 목표·가드레일 지표의 유의한 변화 부재

