Référentiel centralisé qui stocke, versionne et sert des features calculées (variables d'entrée des modèles ML) de façon réutilisable entre équipes et projets. Il résout un problème classique en MLOps : le training-serving skew, c'est-à -dire la divergence entre les features calculées lors de l'entraînement et celles calculées en production, source de dégradation silencieuse des modèles. Le feature store maintient deux couches : offline (historique pour l'entraînement, dans un warehouse) et online (inférence temps réel, dans un cache comme Redis). Il évite aussi que chaque équipe réimplémente la même logique de calcul.