L’impact de l’IA générative et des nouveaux types de données sur l’architecture des applications

Lori Mac VittieIngénieur émérite et évangéliste en chef | F5

En 2022, j’ai remarqué une évolution subtile de l’architecture des applications, qui s’est manifestée sur le marché par des discussions autour de nouveaux protocoles et des données. Cela n’avait rien de très surprenant, car, comme je l’indiquais à l’époque les architectures applicatives émergent historiquement tous les cinq ans et commencent alors à façonner les marchés de la mise à disposition et de la sécurité des applications, avant de s’imposer environ cinq ans plus tard.

En 2023, je pensais que ce changement deviendrait manifeste vers 2025. Mais je ne pouvais pas prévoir l’arrivée de l’IA générative, ni son effet fulgurant sur l’évolution de ces architectures.

En somme, cette transition s’opère plus rapidement que prévu et va avoir un impact considérable sur… eh bien, absolument tout.

Mais avant de nous laisser emporter par l’évolution de l’architecture, nous devons bien comprendre ce qui la motive : les données.

Différents types de données

En général, lorsque quelqu’un prononce le mot « données », son interlocuteur imagine immédiatement des lignes de données sur des clients et des produits, stockées quelque part dans un immense SGBDR. Bon, ce n’est peut-être pas le cas de tout le monde, mais c’est celui de beaucoup de personnes. Cela s’explique par le fait que le modèle de stockage de données dominant privilégie les données structurées et tabulaires. Ouvrez une feuille de calcul et vous comprendrez ce que je veux dire. Elle repose sur des lignes et des colonnes, et un SGBDR n’est finalement pas si différent.

On pourrait faire valoir que les bases de données NoSQL, les magasins clé-valeur, les magasins d’objets et autres structures de données similaires existent et que, par conséquent, les architectures applicatives ne s’articulent pas autour de données tabulaires. Mais soyons honnêtes : c’est bel et bien le cas. Tous ces autres types de magasins de données sont utilisés, et pour de bonnes raisons, mais la plupart de ces raisons étaient secondaires par rapport à l’application et n’ont donc pas modifié de manière significative les grands principes architecturaux qui ont guidé la conception des applications pendant des décennies.

Mais la distribution croissante des applications — ainsi que les modèles hybrides — engendre de nombreux besoins, notamment en matière d’observabilité et de sécurité, qui nécessitent la génération de données de télémétrie. La distribution exige de pouvoir comprendre les relations entre les magasins de données distribués, d’où le recours aux graphes de connaissances. Quant à l’IA générative, elle nécessite des moyens d’enrichir et d’entraîner les modèles, ce qui conduit à utiliser des plongements vectoriels stockés dans des bases de données vectorielles.

Il s’agit de quatre types de données très différents, qui s’accompagnent de nouvelles méthodes de stockage et d’accès. Tous quatre deviennent rapidement des « composants standard » des applications modernes, en particulier de celles conçues pour faciliter l’utilisation de l’IA générative.

Figure : vue d’ensemble simplifiée d’une application moderne intégrant l’IA

1. La télémétrie entraîne des changements majeurs dans le domaine des opérations, à mesure que nous comprenons que les formats en colonnes sont plus adaptés au transfert et au traitement des flux de données en temps réel, ce que sont réellement les données de télémétrie.
2. Les graphes de connaissances et les technologies de graphes gagnent en importance pour fédérer les données distribuées et comprendre les relations complexes entre différentes sources de données. Cette technologie nous apporte des protocoles tels que GraphQL, qui transforment radicalement notre façon d’exploiter les API pour rechercher et gérer les données dans l’ensemble de l’entreprise distribuée.
3. L’adoption croissante des techniques de génération augmentée par récupération (RAG) pour l’IA générative favorise l’intégration des bases de données vectorielles directement dans l’application, plutôt que comme un magasin de données situé plus en profondeur dans l’architecture.
4. Enfin, n’oublions pas les données de l’IA générative. Un LLM génère de nouvelles données à chaque requête. Cela pose des défis majeurs aux équipes de sécurité, qui doivent déterminer comment identifier les menaces et les problèmes potentiels au sein de données non structurées générées dynamiquement.

Ce sont les données — avec leurs différents formats, protocoles, usages et applications — qui sont à l’origine de ce changement. Il en résulte une approche headless qui s’appuie sur les API d’une manière que beaucoup n’avaient encore jamais envisagée. Autrement dit, les capacités et fonctions métier sont exposées sous forme d’API sans tenir compte de la couche de présentation traditionnelle, ce qui permet de développer un éventail plus large d’interfaces pour une gamme plus étendue d’appareils utilisateur. Les API rendent les données et les capacités accessibles, ce qui explique pourquoi elles sont si importantes pour la transformation numérique.

Nous retrouvons cette approche dans de nombreuses applications modernes qui tirent parti des microservices. C’est pourquoi les frameworks d’interface utilisateur sont si répandus (et suscitent des débats sur Internet). Ces frameworks servent à créer des applications individuelles qui s’appuient sur des API pour accéder à des fonctionnalités et à des données. Ces applications sont des entités distinctes des « applications » back-end qu’elles utilisent pour orchestrer les workflows et apporter de la valeur sur le marché.

Tout cela favorise l’essor des architectures headless. Cette transition était déjà en cours, mais l’arrivée de l’IA générative a mis en lumière le caractère critique des données et l’a accélérée.

Cela aura, à son tour, un impact profond sur la livraison et la sécurité des applications, à mesure qu’émergeront de nouvelles menaces et de nouveaux défis auxquels il faudra répondre pour satisfaire les besoins des entreprises et des utilisateurs.

À propos de l’auteur

Lori Mac VittieIngénieur émérite et évangéliste en chef | F5

Lori MacVittie est ingénieure émérite et évangéliste en chef au sein du bureau du directeur technique de F5. Elle possède une expertise approfondie dans la fourniture d’applications, les stratégies d’automatisation et les infrastructures. Elle est réputée pour sa capacité à rendre la complexité intelligible, qu’elle définisse des garde-fous pour les agents d’IA, analyse des architectures multicloud fragiles ou explore les limites des systèmes évolutifs. Elle cumule plus de trente ans d’expérience dans le secteur, couvrant le développement d’applications, l’architecture informatique ainsi que l’exploitation des réseaux et des systèmes. Avant de rejoindre F5, elle a été rédactrice spécialisée dans les technologies et a reçu plusieurs distinctions. MacVittie est titulaire d’un master en informatique et est une autrice prolifique dont les publications couvrent la sécurité, le cloud et l’architecture d’entreprise. Elle est également une passionnée de jeux de société et de jeux vidéo, et assume pleinement ses avis bien tranchés sur le fromage.

Autres articles de Lori Mac Vittie