Un feature store est un système qui centralise, stocke et sert les features (variables calculées à partir des données brutes) utilisées par les modèles de machine learning, aussi bien pour l'entraînement que pour les prédictions en production.
Une feature, c'est par exemple « nombre d'achats d'un client sur 30 jours ». Sans feature store, chaque équipe la recalcule à sa manière, et le calcul fait pour l'entraînement diffère souvent de celui fait en production. Le modèle voit alors des données différentes de celles sur lesquelles il a appris : c'est le training/serving skew, source classique de dégradation silencieuse.
Le feature store règle ce problème avec une définition unique de chaque feature, un stockage historique (offline) pour l'entraînement et un stockage rapide (online) pour servir les prédictions en quelques millisecondes.
Les solutions courantes sont Feast (open source), Hopsworks, Tecton, ou les feature stores intégrés de Databricks et de Google Vertex AI. L'outil se justifie surtout quand plusieurs modèles tournent en production.
Pourquoi ça compte quand on recrute
C'est un sujet de MLOps Engineer ou de ML Engineer confirmé. Le bon signal : un candidat qui sait expliquer un cas concret d'écart entre entraînement et production et comment il l'a détecté. Méfiance envers un projet où l'on veut installer un feature store avant d'avoir un premier modèle en production : c'est souvent mettre l'outillage avant le besoin.