Accueil › Données et IA
Données et IA
Bases de données, SQL, big data et intelligence artificielle.
Articles parus (17)
- Les bases de donnéesLe solde de votre compte bancaire, votre dossier médical, le catalogue d’un site marchand, l’historique de votre navigateur, les contacts de votre téléphone : presque toutes les données qui comptent sont rangées dans des bases de données. Une base de données conserve des informations de façon structurée, les met à la disposition de nombreux utilisateurs à la fois et garantit qu’elles restent cohérentes, même en cas de panne. Cet article explique ce qu’est une base, à quoi sert le logiciel qui la gère, comment il est organisé, les grandes familles de bases, de la plus ancienne aux plus récentes, et pourquoi ces réservoirs de données sont la cible première des attaquants.
- Le langage SQL : interroger une baseDerrière presque chaque application, il y a une base de données, et derrière presque chaque base, un même langage : SQL. Inventé chez IBM dans les années 1970, normalisé depuis 1986, il permet de demander à une base des informations précises en décrivant simplement ce que l’on veut : les clients de Lyon, les ventes du mois triées par montant, la moyenne des notes par classe. Cet article apprend à lire et à écrire des requêtes : choisir des colonnes et des lignes, trier, regrouper, croiser plusieurs tables, imbriquer des requêtes, modifier les données. Il montre aussi pourquoi une requête mal construite peut ouvrir la base entière à un attaquant.
- L'intelligence artificielleEn quelques années, l’intelligence artificielle est passée des laboratoires à la vie quotidienne : assistants qui répondent aux questions, traduction instantanée, reconnaissance des visages, voitures qui se garent seules. Pourtant, l’expression a soixante-dix ans, et le domaine a connu des espoirs démesurés, des hivers et des renaissances. Cet article explique ce que recouvre l’intelligence artificielle, retrace son histoire, présente ses grandes approches, ce qu’elle sait faire et ce qu’elle ne sait pas faire, les enjeux qu’elle soulève et le cadre que l’Europe lui impose. Il montre aussi qu’elle est devenue un outil, une arme et une cible pour la cybersécurité.
- L'apprentissage automatiqueComment un téléphone reconnaît-il un visage, une messagerie un courriel indésirable, une banque une fraude à la carte ? Personne n’a écrit les règles : ces systèmes les ont apprises à partir d’exemples. C’est le principe de l’apprentissage automatique, le moteur de l’intelligence artificielle actuelle. Cet article explique ses trois grandes familles, le déroulement d’un projet, la façon dont une machine « apprend » en réduisant ses erreurs, les pièges du sur-apprentissage et des mauvaises mesures, puis les réseaux de neurones. Il montre enfin que les données d’apprentissage, comme les modèles eux-mêmes, sont devenues une cible.
- L'IA générative et les grands modèles de langageRédiger un courriel, résumer un rapport, traduire une notice, écrire un programme, créer une illustration : depuis la fin de 2022, des centaines de millions de personnes confient ces tâches à des intelligences artificielles dites génératives. Derrière ces assistants se cachent des modèles de langage, de gigantesques réseaux de neurones entraînés à prédire la suite d’un texte. Cet article explique comment ils fonctionnent, du découpage du texte en petits morceaux appelés jetons jusqu’aux étapes qui transforment un modèle en assistant, comment on génère des images, comment bien s’en servir, quelles sont leurs limites et leurs enjeux, et pourquoi ils ouvrent de nouvelles failles de sécurité.
- RAG et bases vectorielles : faire parler ses documentsUne intelligence artificielle générative ne connaît ni les règlements internes de votre entreprise, ni la notice de votre chaudière, ni les nouveautés parues après son entraînement, et quand elle ne sait pas, elle risque d’inventer. La génération augmentée par la recherche, plus connue sous son sigle anglais RAG, corrige ce défaut : avant de répondre, le système va chercher dans vos documents les passages utiles et les fournit au modèle, qui s’appuie dessus et cite ses sources. Cet article explique comment cela fonctionne, ce que sont les plongements, ces listes de nombres qui représentent le sens d’un texte, et les bases vectorielles qui les stockent, comment rendre un tel système fiable, et quels nouveaux risques de sécurité il introduit.
- Les agents d'IA et le protocole MCPUn assistant conversationnel répond ; un agent agit. Ranger des factures, corriger un programme, réserver une salle, comparer des offres sur plusieurs sites : depuis 2024, les intelligences artificielles génératives ne se contentent plus de rédiger, elles enchaînent des actions en utilisant des outils. Cet article explique comment fonctionne un agent d’IA, ce qu’est le protocole MCP, un standard ouvert qui permet de brancher une IA sur des logiciels et des données comme on branche un périphérique sur une prise, ce que ces agents savent faire et où ils échouent, et pourquoi leur donner des droits d’action ouvre des risques de sécurité d’un genre nouveau.
- Les modèles ouverts et l'IA sur sa propre machineLes grands assistants d’IA fonctionnent sur les serveurs de leurs éditeurs : chaque question, chaque document qu’on leur confie part à l’autre bout du monde. Il existe pourtant une autre voie. Des centaines de modèles, dits ouverts, peuvent être téléchargés et fonctionner sur un ordinateur portable, un poste de travail ou les serveurs d’une entreprise, sans que rien ne sorte. Cet article explique ce qu’est un modèle ouvert et en quoi il diffère d’un logiciel libre, pourquoi faire tourner une IA chez soi, de quel matériel on a besoin, avec quels outils, comment adapter un modèle à ses besoins, quelles sont les limites de cette approche et quelles précautions de sécurité elle impose.
- Le modèle relationnelPresque toutes les bases de données que vous croisez, dans une application de banque, une boutique en ligne ou un tableur partagé, rangent leurs données dans des tables : des colonnes, des lignes, rien de plus. Cette idée simple vient d’un article de 1970 d’un chercheur d’IBM, Edgar Codd, et elle repose sur de vraies mathématiques, celles des ensembles. Cet article explique ce qu’est une relation (le nom savant d’une table), à quoi servent les clés, quelles sont les opérations de l’algèbre relationnelle (garder des colonnes, garder des lignes, réunir, soustraire, croiser, recoller, compter), comment elles deviennent des requêtes en SQL (le langage des bases relationnelles), et comment on conçoit des tables sans répéter les informations.
- Le langage SQL : tables, contraintes et droitsLe langage SQL (Structured Query Language, « langage de requêtes structuré ») sert à interroger une base de données, mais aussi, et d’abord, à la construire et à la protéger. Avant de pouvoir poser la moindre question, quelqu’un a créé les tables, décidé de ce qu’elles ont le droit de contenir, ajouté des index pour que les recherches soient rapides, défini des vues pour simplifier ou masquer des données, et réglé qui peut faire quoi. C’est ce côté « administration » que traite cet article : créer et modifier des tables, déclarer des règles qui empêchent les données absurdes, créer des vues et des index, accorder et retirer des droits, et un mot sur les programmes stockés dans la base (PL/SQL). Plusieurs exemples courants sur ces sujets ne fonctionnent plus tels quels ; ils sont corrigés ici.
- La méthode MeriseAvant de construire un immeuble, on décide de ce qu’il doit contenir, puis on dessine les plans, puis on choisit les matériaux et enfin on bâtit. Concevoir le système d’information d’une organisation, c’est-à-dire la façon dont elle conserve, fait circuler et utilise ses informations, demande la même discipline : on ne commence pas par installer une base de données. Merise (le nom d’un arbre, le merisier, devenu un sigle) est la méthode française qui a organisé ce travail à partir de la fin des années 1970. Elle sépare les données (ce que l’on retient) et les traitements (ce que l’on en fait), et fait descendre la réflexion par niveaux : du besoin exprimé en mots jusqu’aux tables d’une base de données. Cet article explique chaque modèle, avec des exemples, donne les règles pour passer d’un dessin à des tables, et dit ce qui reste utile aujourd’hui, à l’ère d’UML et des méthodes agiles.
- Les SGBD : MySQL, PostgreSQL, OracleTout site, toute application de gestion repose sur un logiciel qui range les données et répond aux questions : un système de gestion de bases de données, ou SGBD. Trois noms reviennent sans cesse : MySQL, PostgreSQL et Oracle. Cet article explique ce qu’un SGBD fait derrière le rideau, comment un programme lui parle (par les interfaces ODBC et JDBC, deux standards de connexion), ce qui distingue les trois grands noms et leurs concurrents, comment fonctionne Oracle de l’intérieur (mémoire, processus, fichiers), comment on sauvegarde et on déplace une base, et comment choisir. Il signale aussi certaines techniques aujourd’hui disparues.
- Les bases NoSQLPendant trente ans, « base de données » voulait dire « tables et SQL ». Puis, dans les années 2000, de très grands sites ont eu besoin de stocker plus de données, pour plus de monde, sur plus de machines que ce qu’un seul serveur pouvait gérer, et ils ont inventé d’autres façons de ranger l’information. Elles se regroupent sous un nom un peu trompeur, NoSQL, qui veut dire « pas seulement SQL » (SQL est le langage des bases à tables). Cet article explique pourquoi elles sont nées, quelles sont leurs quatre grandes familles (paires clé-valeur, documents, colonnes larges, graphes), comment elles se répartissent sur plusieurs machines, ce que dit le théorème CAP (le choix entre cohérence et disponibilité quand le réseau coupe), comment choisir sans céder à la mode, et quelles précautions de sécurité elles demandent.
- L'informatique décisionnelleUne entreprise accumule des chiffres : ventes, stocks, factures, visites de son site, appels au support. Les données ne servent à décider que si on les rassemble, les nettoie et les présente de façon compréhensible. C’est le travail de l’informatique décisionnelle, que l’on appelle aussi business intelligence. Cet article suit la chaîne de bout en bout : l’extraction et le nettoyage des données (la chaîne dite ETL), l’entrepôt de données et ses magasins, la modélisation en étoile, l’analyse en cube (OLAP), la fouille de données (data mining), les tableaux de bord et les indicateurs. Il corrige ce qui a vieilli, ajoute ce qui est arrivé depuis (entrepôts dans le nuage, lacs de données, libre-service) et rappelle les contraintes de sécurité et de protection des données qui pèsent sur ces grandes réserves de chiffres.
- Le big dataChaque achat par carte, chaque clic sur un site, chaque mesure d’un capteur, chaque ligne d’un journal de serveur laisse une trace. Mises bout à bout, ces traces représentent des quantités qu’aucun ordinateur seul ne sait ranger ni examiner. On appelle cela le big data, ou mégadonnées. Cet article explique ce que le mot recouvre vraiment (les fameux trois V : volume, vitesse, variété), comment on stocke et on calcule sur des centaines de machines (le système de fichiers réparti, la méthode MapReduce, Spark), la différence entre traiter par lots et traiter en continu, comment on tire des décisions des données sans se tromper, et quels sont les risques pour la vie privée et la sécurité.
- XML et JSONDeux programmes qui veulent échanger des informations doivent s’accorder sur une façon de les écrire. XML, né en 1998, est un langage à balises dans lequel chacun invente son propre vocabulaire : il a servi à décrire des documents, des pages, des cartes, des flux d’actualités, des fichiers de bureautique. JSON, plus récent et plus léger, s’est imposé pour faire parler les programmes entre eux, en particulier sur le Web. Cet article explique les deux formats : la syntaxe et les règles de XML (document bien formé, document valide), les schémas qui décrivent la structure, les espaces de noms, la lecture d’un document par un programme (DOM, SAX), les transformations par XSLT, les liens, puis JSON et la manière de choisir. Il propose des exemples de code corrigés et à jour.
- Les plateformes de données modernes : lacs, entrepôts et lakehouseUne entreprise produit des données partout : ventes, journaux de connexion, capteurs, courriels, images. Pour en tirer des enseignements, il faut les réunir quelque part et pouvoir les interroger vite, sans gêner les logiciels qui font tourner l’activité au quotidien. Deux grandes réponses ont existé : l’entrepôt de données, très ordonné mais cher et rigide, et le lac de données, souple et bon marché mais vite désordonné. Depuis quelques années, un troisième modèle, le lakehouse, ajoute au lac une couche qui apporte de la fiabilité. Cet article explique ces trois modèles, les formats de fichiers qui les rendent possibles, la façon de faire circuler et de contrôler les données, les risques de sécurité et de vie privée, et comment choisir sans se laisser entraîner par les modes.