Step 3 クイズ：特徴量ストアを設計しよう
特徴量ストアの概念、Feast、特徴量パイプライン、ガバナンスについて理解度を確認しましょう。
Q1. 特徴量ストアが解決する問題として正しくないものはどれか？
A. Training-Serving Skew（学習と推論での特徴量計算の不一致） B. 特徴量の重複開発 C. モデルのハイパーパラメータ最適化 D. Point-in-Time Correctnessの欠如（データリーク）
答えを見る
正解：C. モデルのハイパーパラメータ最適化
特徴量ストアは特徴量の管理・提供に特化しており、Training-Serving Skew、重複開発、データリークの防止を解決します。ハイパーパラメータ最適化は実験管理やAutoMLの領域であり、特徴量ストアの守備範囲ではありません。
Q2. FeastのOnline StoreとOffline Storeの使い分けとして正しいのはどれか？
A. Online Store はモデル学習用、Offline Store は推論用 B. Online Store はリアルタイム推論用、Offline Store はバッチ学習用 C. Online Store はバッチ処理用、Offline Store はストリーミング用 D. 両方とも同じ用途で、バックエンドだけが異なる
答えを見る
正解：B. Online Store はリアルタイム推論用、Offline Store はバッチ学習用
Online Store（Redis/DynamoDB等）は最新の特徴量をミリ秒のレイテンシで提供し、リアルタイム推論に使用します。Offline Store（S3/BigQuery等）は全履歴データを保持し、Point-in-Time Joinによるバッチ学習データセット作成に使用します。
Q3. Point-in-Time Joinの主な目的はどれか？
A. データの結合を高速化する B. 将来のデータを学習に含めないようにしてデータリークを防ぐ C. 特徴量の欠損値を補完する D. 複数のテーブルを外部結合する
答えを見る
正解：B. 将来のデータを学習に含めないようにしてデータリークを防ぐ
Point-in-Time Joinは、各レコードの時点で利用可能だった特徴量のみを結合する手法です。これにより、学習時に未来の情報が混入する「データリーク」を防止し、本番環境での予測精度と学習時の精度を一致させます。
Q4. バッチ特徴量とストリーミング特徴量の違いとして正しいのはどれか？
A. バッチ特徴量は正確だが、ストリーミング特徴量は近似値である B. バッチ特徴量は定期スケジュールで計算、ストリーミング特徴量はイベント駆動で更新 C. バッチ特徴量はOnline Storeのみ、ストリーミング特徴量はOffline Storeのみに保存 D. 両者に技術的な違いはなく、名前が異なるだけ
答えを見る
正解：B. バッチ特徴量は定期スケジュールで計算、ストリーミング特徴量はイベント駆動で更新
バッチ特徴量は日次や時間次などのスケジュールで計算されます（例：30日間購買回数）。ストリーミング特徴量はイベント発生ごとにリアルタイムで更新されます（例：直近1時間のクリック数）。更新頻度の要件に応じて使い分けます。
Q5. 特徴量ガバナンスにおけるデータリネージの目的として最も適切なのはどれか？
A. 特徴量の計算を高速化する B. 特徴量の出自を追跡し、データソース変更時の影響範囲を特定する C. 特徴量のアクセス権限を管理する D. 特徴量の欠損値を自動補完する
答えを見る
正解：B. 特徴量の出自を追跡し、データソース変更時の影響範囲を特定する
データリネージは、特徴量がどのデータソースからどのような変換を経て生成されたかの経路を記録します。これにより、あるデータソースが変更された際に、影響を受ける特徴量やモデルを即座に特定できます（影響分析）。
結果
5問中何問正解できましたか？
| 正解数 | 評価 |
|---|---|
| 5問 | 素晴らしい！Step 4に進みましょう |
| 3-4問 | 良い調子です。間違えた部分を復習しましょう |
| 1-2問 | Step 3のレッスンをもう一度確認しましょう |
| 0問 | 基礎から丁寧に見直しましょう |
推定所要時間：30分