Développement d'applications

Un framework pour exploiter pleinement Gemini Code Assist et mesurer son impact

Thu, 10 Jul 2025 08:00:00 +0000

Contraintes de livrer toujours plus vite, les équipes de développeurs sont soumises à une pression constante. En tant que partenaires de DORA research, nous nous sommes récemment penchés sur l’adoption de l’intelligence artificielle et son impact sur le cycle de vie du développement logiciel. Les résultats montrent que plus de 75 % des développeurs s’appuient déjà sur l’IA dans le cadre de leurs activités quotidiennes.

Avec Gemini Code Assist, les développeurs cherchent à gagner en efficacité et à améliorer la qualité de leur code. Mais comment adopter concrètement le codage assisté par l’IA ? Et comment mesurer l’impact réel de ces technologies sur la performance de vos équipes ?

Dans cet article, nous proposons une méthode concrète, un framework, pour adopter la génération de code assistée par l’IA dans votre équipe mais plus encore en mesurer les effets dans vos processus de développement. Ce framework comporte quatre étapes :

Adoption : vérifiez que l’outil est réellement utilisé au quotidien en suivant des indicateurs comme le nombre d’utilisateurs actifs et le volume de suggestions de code générées.
Confiance : mesurez dans quelle mesure les développeurs font confiance aux suggestions de l’IA, à travers le taux d’acceptation des recommandations et le nombre de lignes intégrées.
Accélération : évaluez les gains en productivité et en qualité logicielle via vos indicateurs habituels : les métriques DORA (mesures de performance des équipes DevOps), les « Story Points » de vos sprints agiles, le nombre de tickets résolus, etc.
Impact : reliez ces gains à vos objectifs business en observant l’évolution d’indicateurs clés comme le chiffre d’affaires, la part de marché ou les délais de mise sur le marché.

Intégrer l’assistance IA : une démarche progressive

Adopter l’assistance au codage avec l’IA, c’est initier une dynamique de changement : l’équipe doit passer d’une méthodologie traditionnelle (codage sans IA) à une nouvelle façon de coder, assistée par l’IA. En d’autres termes, il faut prévoir une transition progressive.

Les quatre étapes de la montée en puissance de la productivité du codage assisté par l’IA

Ces quatre étapes structurent l’adoption de l’assistance IA dans le temps, chacune correspondant à un niveau d’usage, d’engagement et de maturité différent. Voici ce qu’elles recouvrent concrètement :

Adoption : C’est une phase d’évaluation et de PoC (Proof of Concept) visant à identifier dans quels contextes et sur quels cas d’usage l’assistance au codage avec l’IA peut contribuer à améliorer la production des développeurs.
Confiance : La phase où l’IA gagne la confiance des développeurs grâce à la pertinence de ses suggestions.
Accélération : Phase où l’assistance IA commence à générer des gains concrets en efficacité, mesurés à l’aide d’indicateurs tels que les métriques DORA ou les story points.
Impact : Validation de l’effet réel de l’assistance IA sur les indicateurs de performance business, comme le chiffre d’affaires, la part de marché ou le time-to-market.

Au-delà du rôle de chaque phase, il est essentiel de comprendre comment chaque acteur y contribue. Les responsables techniques et leaders business jouent souvent un rôle moteur dans les phases d’adoption (en lançant les premières évaluations) et les phases d’impact (en confirmant les résultats obtenus). Entre ces deux étapes, ce sont les développeurs qui explorent activement l’outil, testent ses fonctionnalités, apprennent à l’utiliser et commencent à l’intégrer à leur quotidien (confiance). Pendant cette phase, il est essentiel de laisser le temps aux développeurs d’explorer librement les possibilités offertes par l’outil pour en tirer le meilleur parti. À mesure que la confiance s’installe, les développeurs commencent à partager leurs retours, affinent leurs usages et font évoluer leurs pratiques ensemble : la phase d’accélération peut commencer.

Les quatre étapes s’inscrivent dans une progression logique : chacune alimente la suivante, et aucune ne peut être court-circuitée.

L’une des erreurs fréquentes des organisations consiste à croire que l’usage d’un assistant de codage basé sur l’IA (phase d’adoption) produira immédiatement des résultats business tangibles (phase d’impact). Autrement dit, elles imaginent pouvoir passer directement de l’adoption à l’impact, en faisant l’impasse sur les étapes de Confiance et d’Accélération. Si les organisations ne s’engagent pas résolument dans l’Adoption des outils d’assistance IA, et si elles ne laissent pas le temps à la Confiance de s’installer, il est illusoire d’espérer une amélioration sensible de la productivité (Accélération) — et a fortiori un véritable Impact business.

Un délai de 6 à 8 semaines est généralement nécessaire pour valider l’adoption et instaurer la confiance

Une autre idée reçue consiste à croire que l’adoption d’un assistant IA au codage produira des effets immédiats. Chaque organisation est différente, mais notre expérience montre qu’il faut généralement au moins 6 à 8 semaines — soit l’équivalent de quatre sprints de deux semaines — avant de pouvoir observer un réel impact sur la productivité (phase d’accélération). Comme chaque étape alimente la suivante, il faut du temps pour que les effets de l’adoption de l’IA se diffusent dans l’organisation. Ce facteur temps est particulièrement important à prendre en compte lorsqu’on entre en phase d’évaluation, nous y reviendrons plus loin.

Effets attendus et indicateurs associés à chaque phase

Même si elles sont conceptuelles, ces quatre phases d’adoptions peuvent être mesurées pour valider à la fois la progression du parcours et l’impact. Voici comment et quand utiliser ces mesures :

Adoption. Les premières mesures à surveiller sont : le volume d’activité quotidienne (utilisation de l’assistance IA par les développeurs), le nombre de suggestions de code générées par l’IA et le volume d’interactions via le chat (demandes formulées à l’IA). Ces indicateurs permettent de vérifier si les développeurs commencent réellement à tirer parti de l’outil, l’objectif étant de confirmer un engagement quotidien régulier et en croissance.
Lorsque l’adoption s’ancre dans les usages, vous pouvez alors porter votre attention sur la confiance.
Confiance. Les développeurs qui adoptent l’outil acceptent-ils réellement l’aide de l’IA ? Pour le mesurer, vous pouvez vous appuyer sur les indicateurs suivants : nombre de suggestions de code acceptées (suggestions générées par l’IA acceptées), taux d’acceptation (nombre de suggestions acceptées divisé par le total des suggestions proposées) et le nombre de lignes de code issues de l’IA intégrées dans le code final. Des taux d’acceptation faibles doivent vous alerter et vous pousser à analyser les causes du manque de confiance. Des entretiens avec les développeurs ou des enquêtes ciblées peuvent apporter un éclairage complémentaire (voir nos exemples de questions).
Accélération. Vous disposez peut-être déjà d’indicateurs de productivité des développeurs, à commencer par les métriques DORA liées à la performance de livraison logicielle. Vous pouvez également suivre le nombre de story points réalisés ou de tickets clôturés sur une période donnée, par exemple. Une fois l’adoption et la confiance établies, le suivi de ces métriques sur l’Accélération permet de confirmer les bénéfices concrets de l’aide de IA sur la productivité tout en offrant une visibilité sur les impacts métier potentiels.
Impact. Dernière étape : la traduction des gains en indicateurs business. Ces KPI varient selon les organisations et doivent être suivis par les décideurs pour évaluer la valeur générée par l’IA. Parmi les indicateurs classiques, on trouve notamment le chiffre d’affaires, les parts de e marché, le time-to-market (délai de mise à disposition d’une amélioration produit) ou encore des critères de performance globale. Une amélioration observée dans la phase d’accélération est en principe un signal positif pour les indicateurs d’impact business.

Attention : ne confondez pas les indicateurs des phases d’adoption et de confiance — qui mesurent l’usage, pas la productivité — avec les véritables indicateurs portant sur la productivité, utilisés dans la phase d’accélération. De fait, un taux élevé d’acceptation des suggestions IA ou un grand nombre de lignes de code générées par l’IA ne constituent pas, en soi, une preuve de gain de productivité : si ces résultats s’accompagnent d’une dégradation des métriques DORA ou d’une baisse du rythme de clôture des tickets, il n’y a aucune amélioration réelle de la productivité. Raison pour laquelle la distinction entre les indicateurs d’usage et de productivité est essentielle. Les métriques associées à l’usage permettent de mesurer l’Adoption et la Confiance. Les métriques de productivité permettent de mesurer les effets de cette adoption. Et seuls les indicateurs d’impact permettent d’évaluer les bénéfices à l’échelle de l’organisation.

Avec un parcours clairement défini, des phases structurées et des indicateurs associés à chaque étape, vous disposez désormais d’un cadre de référence, d’un framework, pour piloter l’adoption de l’assistance IA au codage, en suivre la progression, et en démontrer concrètement les résultats.

Mesurer l’impact avec Gemini Code Assist

Gemini Code Assist permet de suivre les phrases d’Adoption et de Confiance grâce aux journaux de log « Gemini pour Google Cloud », disponibles en version Preview. Ces journaux permettent d’obtenir des métriques clés sur les usages, les suggestions de code générées, les suggestions acceptées, le taux d’acceptation, les interactions via le chat et les lignes de code acceptées. Les données sont granulaires, segmentées par utilisateur, langage de programmation, IDE utilisé et plage horaire. Ce niveau de détail est rarement proposé par les solutions d’assistance IA au codage. Essentielles, ces informations permettent pourtant non seulement de suivre la progression globale de l’organisation dans son parcours d’adoption, mais aussi de répondre à des questions précises, comme : « Combien de lignes de code assistées par l’IA avons-nous acceptées la semaine dernière ? Par langage ? Par développeur ? »

Les journaux de Gemini Code Assist fournissent des insights détaillés sur l’activité, notamment le volume de suggestions proposées et acceptées, segmentées par langage de programmation, utilisateur et période.

Les journaux de Gemini Code Assist offrent une vue détaillée des activités individuelles. Nous proposons aussi un tableau de bord construit avec Log Analytics pour faciliter le suivi agrégé des indicateurs d’Adoption et de Confiance.

Exemple de tableau de bord des mesures Gemini Code Assist, basé sur Log Analytics

En complément, des métriques Cloud Monitoring sont également disponibles (en version Preview) pour suivre l’utilisation de Gemini pour Google Cloud, Gemini Code Assist compris.

Mettre en place une phase d’évaluation

Les quatre étapes de l’évaluation de l’impact de l’assistance IA

Avant de s’engager pleinement sur l’assistance au code par l’IA, de nombreuses organisations choisissent de commencer par une phase d’évaluation. À l’image du parcours d’adoption, cette phase peut, elle aussi, être structurée en étapes successives, chacune impliquant des parties prenantes spécifiques. Comme précédemment, chaque étape alimente la suivante, aucune ne pouvant être court-circuitée.

Critères de succès. Avant de lancer l’évaluation, il est indispensable de définir clairement les critères de réussite. Ces critères doivent être définis conjointement par les équipes de développement et les décideurs métier. Les critères de succès peuvent, par exemple, inclure une amélioration des indicateurs de la phase d’Accélération (métriques DORA, rapidité d’exécution des story points, nombre de tickets résolus, etc.). Cette étape est souvent négligée, alors qu’elle est fondamentale : sans critères de réussite définis dès le départ, il est très difficile d’évaluer l’impact de l’assistance IA a posteriori. Or, c’est une erreur que nous observons régulièrement sur le terrain.

Participants. La sélection des participants à l’évaluation est une étape tout aussi essentielle et qui mérite beaucoup d’attention. Plusieurs configurations d’évaluation sont possibles, mais deux approches reviennent le plus souvent :

travailler avec une seule équipe, en comparant deux projets réalisés successivement — l’un avec l’assistance IA, l’autre sans ;
constituer deux groupes distincts dans une logique de test A/B — l’un utilisant l’assistance IA, l’autre non.

Quelle que soit l’option retenue, il est essentiel de définir clairement, dès le départ, qui participe à l’évaluation et pour quelles raisons. L’enjeu est de garantir une comparaison fiable, basée sur des critères « justes ». Par exemple, si l’équipe A (avec IA) est nettement plus expérimentée que l’équipe B (sans IA), l’évaluation sera biaisée avec le risque de tirer des conclusions erronées sur l’impact réel de l’IA.

Mesurer. Le parcours d’adoption de l’assistance IA peut servir de fil conducteur pour organiser et suivre l’évaluation. Des mesures à la fois quantitatives (métriques, journaux) et qualitatives (retours, enquêtes) doivent être croisées aux critères de succès (définis lors de la première phase) pour s’assurer que l’évaluation progresse dans la bonne direction.

Conclure. Si les critères de succès ont été fixés et suivis tout au long de l’évaluation, l’organisation est alors en mesure de confirmer ou non les avantages apportés par l’assistance IA, en fonction des résultats obtenus.

Les différents niveaux d’investissement dans l’évaluation

Le niveau d’investissement dans une évaluation de l’assistance IA au développement peut varier selon les objectifs visés. L’approche Minimale mobilise généralement un petit groupe de développeurs, s’appuie sur quelques enquêtes qualitatives et se limite au suivi d’indicateurs d’accélération de base. Dans la majorité des cas, les organisations optent plutôt pour un niveau Modéré, combinant des mesures quantitatives et qualitatives. Ce type d’évaluation repose le plus souvent sur l’une des deux méthodes suivantes :

une même équipe effectue deux développements successifs, l’un avec l’assistance IA, l’autre sans ou deux
deux équipes comparées en parallèle (test A/B), l’une utilisant l’assistance, l’autre non.

Le niveau d’évaluation Approfondi — plus rare — repose sur des protocoles de recherche formels, des études en environnement de test, et des analyses approfondies. Ce format reste peu courant dans la pratique.

Quelle que soit la démarche choisie, nous insistons de nouveau sur la nécessité de définir en amont les critères de succès et de collecter des données de référence pour pouvoir mesurer objectivement les résultats.

L’évaluation peut être finalisée dès lors qu’une amélioration des indicateurs d’accélération est constatée.

Lors de la définition des critères de succès, il est important de viser un seuil pertinent permettant de valider l’impact de l’assistance IA. Dans de nombreux cas, une amélioration des indicateurs de productivité associés à la phase d’accélération constitue un signal clair de l’effet positif sur les indicateurs business de la phase d’impact (KPI métiers). À l’inverse, fixer un critère de réussite trop ambitieux ou complexe à mesurer risque de retarder, voire d’empêcher, l’identification rapide des bénéfices de l’assistance IA.

Lancez-vous !

Prêt à adopter l’assistance IA pour vos développements ? Pour en savoir plus sur Gemini Code Assist, consultez notre page produit, la documentation et le guide pour démarrer rapidement.

Ressources complémentaires

Vous pouvez vous appuyer sur les enseignements du rapport DORA 2024 concernant l’impact de l’assistance IA dans le codage, ainsi que sur les travaux de recherche de Google.
Les métriques de performance de livraison logicielle définies par DORA sont d’excellents indicateurs pour évaluer les phases d’accélération et d’impact de votre parcours d’adoption.
Si vos équipes ne les suivent pas encore, vous pouvez utiliser DORA Quick Check pour mesurer leur niveau de performance actuel.
Par ailleurs, les recherches DORA montrent aussi que de nombreuses pratiques contribuent à l’amélioration des performances de la livraison logicielle. La mesure de ces pratiques peut alimenter les phases d’Adoption et de Confiance, tout en servant d’indicateurs avancés pour les étapes suivantes du parcours.

Enfin, des enquêtes ciblées (voir exemples) peuvent enrichir l’évaluation qualitative de l’adoption de l’IA et permettre de focaliser vos efforts sur les axes d’amélioration souhaités : performance de livraison, qualité de la documentation, durée des revues de code, fluidité des workflows ou centrage utilisateur.

Le Développeur Augmenté : Quand l’IA et Google Cloud réinventent le développement logiciel

Wed, 19 Mar 2025 08:00:00 +0000

Le développement logiciel est en constante mutation liée au fait que les développeurs doivent jongler avec des exigences de plus en plus élevées. Productivité accrue, délais de mise sur le marché (TTM) réduits, nombre croissant de releases, réutilisation du code, automatisation des tâches et sécurité renforcée sont autant de défis qui pèsent sur leurs épaules. Face à ces pressions et au stress associé à cette charge de travail, le besoin d'"augmenter" le développeur semble indispensable.

Au regard de ces problématiques, le développeur est confronté à plusieurs enjeux :

Maintenir un haut niveau de compétences : Le développeur doit constamment apprendre et se former pour maîtriser les nouveaux langages ou frameworks, les bonnes pratiques, les normes de développement de son équipe, etc
Gérer la complexité : Les applications modernes sont de plus en plus complexes, intégrant des technologies et des environnements variés (cloud, mobile, IA, Data, etc).
Collaborer efficacement : Le développement logiciel est un travail d'équipe, et la collaboration est essentielle pour réussir.

Pour relever ces défis et répondre à ces enjeux, le concept de "développeur augmenté" émerge. Il s'agit de proposer aux développeurs des outils et technologies qui les assistent dans leur travail quotidien. Dans ce contexte, la plateforme Google Cloud propose un ensemble de solutions permettant de:

Automatiser les tâches répétitives : Deployment Manager permet de déployer l'infrastructure Google Cloud Platform GCP (machines virtuelles, réseaux, stockage) de manière automatisée et reproductible à l'aide de modèles déclaratifs. Plus besoin de configurer manuellement chaque élément, Deployment Manager se charge de tout. En combinaison avec Terraform, nativement intégré, le développeur gère son infrastructure “as code” !
Disposer d’environnement de travail sécurisé et adapté aux exigences de chaque projet : Cloud Workstation offre aux développeurs un environnement sécurisé, accessible partout, évolutif et personnalisé en fonction des projets permettant ainsi de s’affranchir des problématiques liées aux stations de développement (isolation des environnements, contrôle d'accès, délai d'approvisionnement et de paramétrage, disparité des configurations, obsolescence, perte/vol, coût) qui limitent l'efficacité des équipes de développement.
Générer rapidement du code ou des tests unitaires : Code Assist est basé sur le modèle de langage Gemini, est capable de gérer diverses tâches, y compris la génération ou l’explication de code, corrections d’erreurs, transformation de code à grande échelle (ajout de fonctionnalités, mise à jour des dépendances, révisions de code, etc). En complément, il permet de personnaliser le code généré en s’appuyant sur les assets de l'entreprise (codebase local), assurant ainsi le respect des standards de développement internes, ou de normes internationales industrielles.
Améliorer la collaboration et le partage des connaissances : Cloud Source Repositories permet aux développeurs de collaborer sur le code source via des fonctionnalités de revue de code, de suivi des modifications et de gestion des branches. Les commentaires et suggestions peuvent être directement intégrés au code, favorisant un échange d'expertise et un apprentissage continu. En complément, Cloud Build facilite le partage des connaissances en permettant aux développeurs de créer et de partager des pipelines de construction et de déploiement automatisés. Ces pipelines peuvent être documentés et réutilisés par d'autres membres de l'équipe, favorisant la standardisation et la diffusion des bonnes pratiques.
Intégrer la sécurité de bout en bout dès la conception : GCP fournit au développeur augmenté un arsenal pour intégrer la sécurité dès la conception et tout au long du cycle de vie du logiciel. Secure Source Manager offre un environnement sécurisé pour le code source avec contrôle d'accès et chiffrement. Binary Authorization garantit que seuls les logiciels vérifiés et approuvés sont déployés, minimisant les risques liés aux images non fiables. L'intégration de la sécurité dans les pipelines CI/CD (via Cloud Build) permet d'automatiser les tests de sécurité, l'analyse de vulnérabilités et la conformité aux politiques de sécurité. Cette approche "shift-left" renforce la sécurité des applications et réduit les failles potentielles avant même le déploiement.
Exploiter la puissance de l'IA pour améliorer la qualité du code : graĉe à Vertex AI, le développeur peut entraîner des modèles personnalisés pour détecter des bugs, des failles de sécurité et des anomalies dans le code source, voire suggérer des corrections. Vertex AI permet également de produire la retro-documentation du code, d'automatiser des tâches fastidieuses comme la génération de tests unitaires ou la refactorisation de code.

Le développeur augmenté, c'est l'alliance du savoir-faire humain et de la puissance de l'Intelligence Artificielle. GCP offre les services nécessaires afin d’accompagner les développeurs pour accélérer les cycles de développement, améliorer la qualité du code et renforcer la sécurité des applications.

Cela constitue une véritable révolution qui permet aux entreprises d'innover plus rapidement et de créer des solutions toujours plus performantes tant en permettant aux développeurs de se concentrer sur la logique métier et l'innovation.

Pour vos besoins de modernisation, oubliez le "Shift Left" ! Visez le "Shift Down" !

Tue, 04 Mar 2025 08:00:00 +0000

Bienvenue sur notre toute première publication de « The Modernization Imperative », également connu sous le nom de "TMI", un acronyme qui capture parfaitement notre mission : partager avec enthousiasme tout ce qui concerne la Tech.

Cette chronique portée par les leaders de Google Cloud veut, au fil des épisodes, explorer l'univers du développement logiciel, des systèmes distribués, du serverless, des microservices, du DevOps & SRE, des opérations de plateforme... bref, tous les buzz words qui font vibrer nos experts !

Aujourd'hui, c'est Richard Seroter qui prend la plume. Directeur de la Stratégie et de l'Engagement pour l'équipe Infrastructure Moderne de Google Cloud, il cogite sur ces sujets depuis près de 20 ans.

Alors, chers lecteurs, accrochez-vous : après tout, quand on parle d'infrastructure moderne, il n’y a jamais trop d'infos !

Seul au volant d'une voiture glaciale, le petit Richard alors âgé de 10 ans se prenait pour un roi. « Vroom, vroom… Regarde-moi, je conduis ! » lançais-je fièrement à mon passager imaginaire. Ce n'est que des années plus tard que j'ai compris le stratagème de ma mère. Elle me "laissait" démarrer notre voiture. J'étais tellement ébloui par mes talents de pilote hors pair que je ne réalisais pas que je faisais une tâche dont elle voulait se débarrasser : faire chauffer le moteur et monter la température interne du véhicule avant notre trajet matinal.

Aujourd'hui ? Rien n'a vraiment changé, sauf ma lucidité. À quarante et quelques années, me voilà en train de marteler frénétiquement l'écran tactile d'une caisse automatique, cherchant désespérément le code des « raisins sans pépins » tout en savourant le « privilège » de scanner moi-même et d'emballer mes propres courses.

De ma mère à mon supermarché local en passant par le développement logiciel, redistribuer les tâches d'un groupe à un autre est une étape cruciale pour optimiser les ressources. Aujourd'hui, nous demandons à nos développeurs de pratiquer du "Shift Left" et de s'adapter à des méthodologies en constante évolution.

Mais c'est un fardeau lourd à porter. Plutôt que de surcharger nos développeurs, pourquoi ne pas maximiser leurs talents en exploitant pleinement l'éventail des outils et services à leur disposition ?

Certes, le « Shift Left » - cette pratique qui consiste à intégrer les contrôles de sécurité et de qualité plus tôt dans le processus de développement - est une idée tout à fait sensée. Mais au fil des ans, de plus en plus de tâches, traditionnellement hors du périmètre des développeurs, ont « glissé vers la gauche » au nom de la sacro-sainte polyvalence et autonomisation des « ingénieurs full stack ». Il est temps que cela cesse.

[Mini coup de gueule, mais justifié : Il y a genre neuf vrais « ingénieurs full stack » sur Terre. Pratiquement personne ne code un frontend en React, ne configure Kubernetes, ne paramètre une instance RabbitMQ, ne provisionne de l'espace sur un SAN et n'allume un switch top-of-rack, tout ça dans une même journée. Aujourd'hui, on demande aux développeurs de maîtriser les frameworks web, les patterns d'architecture, les stratégies de test, les systèmes de build, de multiples types de bases de données, les caches, les outils d'automatisation, les orchestrateurs de conteneurs, les concepts réseau L4-L7, les API SaaS, les systèmes de monitoring, de nombreux clouds publics, et oh, pourquoi pas un peu de machine learning ! Je viens de parcourir Indeed.com, et c'est hallucinant de voir ce qu'on exige des développeurs juniors et seniors. C'est trop, tout simplement.]

En tant qu’industrie, nous ne pouvons rester immobiles et ne pas intervenir.

Shift Down !

Dans un premier temps, au lieu de dire aux développeurs (et à leurs managers !) de tout « décaler à gauche » (un Shift Left), nous devrions les encourager à « descendre d'un cran » (un Shift Down) et tirer pleinement parti des technologies disponibles en refilant le boulot aux plateformes qu'ils utilisent déjà.

Simplifiez votre pile technologique. N'obligez pas les gens à tout connaître pour faire leur job. Offrez des abstractions de plateforme. J'ai récemment fait une présentation pour un client sur « comment Google pratique le DevOps », mettant ainsi en lumière le nombre conséquent de plateformes que nous offrons à nos ingénieurs. Nous proposons des solutions managées pour le codage, les tests, la compilation, les déploiements, l'hébergement, les alertes et bien plus encore. Des équipes dédiées chez Google soutiennent ces plateformes essentielles afin que nos ingénieurs produits puissent se concentrer sur leur travail sans avoir à connaître ou gérer une "pile complète" d'infrastructure. Et, chaque organisation devrait en faire autant.

Au lieu d'exiger toujours plus de leurs équipes d'ingénierie actuelles - en leur demandant d'apprendre de nouveaux langages, plateformes et clouds - les dirigeants technologiques devraient désormais chercher à assembler des équipes d'ingénierie de plateforme qui traitent leurs diverses plateformes comme des produits à part entière.

L’optimisation commence par la réduction de la charge cognitive des développeurs et l’élimination des tâches inutiles qui les détournent de l’innovation. En parallèle, il est essentiel de leur fournir les outils et l’infrastructure nécessaires pour exploiter la puissance de l’IA et des modèles de langage (LLM). Ainsi, vos développeurs pourront se concentrer sur la création plutôt que sur des tâches répétitives. Nous mettons actuellement en place davantage de coaching et de supports pour aider chacun à adopter l'ingénierie de plateforme, alors restez à l'écoute !

Tout un potentiel à portée de mains

Dans un second temps, en tant que fournisseurs de cloud, nous pouvons accompagner les développeurs avec des principes universels de "déchargement", de « Shift down », qui assurent un partage de la charge de gestion de l'infrastructure.

J'apprécie, par exemple, que GKE Autopilot me fournisse à la demande un cluster Kubernetes sécurisé et managé, sans perturber mon flux de travail. Si vous devez utiliser Kubernetes, adoptez la méthode Autopilot et dites adieu aux prises de tête liées au provisionnement d'un cluster qui vous détourne du développement.

Autre exemple, vous voulez une chaîne d'approvisionnement sécurisée ? Ne demandez pas à un humain de décoder les manifestes Supply Chain Levels for Software Architects (SLSA). Ajoutez automatiquement des attestations aux builds (comme nous le faisons avec Cloud Build) et transformez les vérifications d’exécution… en une simple case à cocher !

Parallèlement, rendez les services hautement disponibles par défaut au lieu de demander à un développeur de se débrouiller. Nos services comme Pub/Sub, Firestore, Spanner, Cloud Storage ou Cloud Logging fonctionnent "tout simplement" et nativement de cette façon.

Nous pouvons également intervenir à un niveau plus bas, en aidant quelqu’un à analyser CloudEvents dans son code au lieu de le laisser se débrouiller seul.

Enfin, avec des outils comme Generative AI App Builder, les développeurs peuvent rapidement proposer de nouvelles expériences captivantes, telles que des assistants digitaux, des moteurs de recherche personnalisés, des interfaces de chat, et bien plus encore. Offrir aux clients des frameworks structurés mais extensibles, qui maximisent leur investissement technologique, est la clé d'une expérience cloud réussie.

Chez Google Cloud, nous aidons les entreprises à utiliser des technologies incroyables pour réaliser des choses extraordinaires. Pour y parvenir, nous créons des outils et des services qui offrent aux développeurs une expérience matérielle et logicielle sécurisée par conception (secure by design). Cela leur permet d'appliquer de façon totalement automatisée nombre de bonnes pratiques de "Shift Left", accélérant ainsi le développement. En assignant efficacement les workloads, nous veillons à ce que les ressources d'ingénierie restent disponibles et performantes au maximum de leur capacité, au moment où vous en avez le plus besoin.

Être développeur en 2024 est une expérience extraordinaire. Mais le job s’accompagne d’une charge mentale parmi les plus lourdes, toutes professions confondues. Plutôt que de surcharger les équipes de devs avec toujours plus de responsabilités dans le cycle de vie du logiciel, chez Google Cloud nous aidons nos clients à mettre en place une approche « plateforme » qui favorise une culture d’ingénierie durable et innovante. En adoptant les pratiques de « Shift Down » et en exploitant pleinement les avantages d'une stack technologique complète, l'innovation s’épanouit grâce à des automatisations bien ficelées et des services managés.

Nous sommes aujoud’hui à l'aube d'une nouvelle ère de technologies dopées par l'IA, où la création de code se simplifie et où les devs se tournent vers des chatbots en langage naturel pour obtenir des conseils en temps réel. Il est temps d’offrir aux développeurs du monde entier les moyens de favoriser le succès technologique et commercial. Et, contrairement au jeune Richard d’une dizaine d’années, leur permettre vraiment d’aller quelque part…

Quand l’IA métamorphose la productivité du développeur dans tous les domaines

Fri, 31 Jan 2025 06:00:00 +0000

L’environnement du développement logiciel est en constante évolution et des objectifs trop ambitieux, des technologies complexes ou encore des priorités changeantes peuvent engendrer beaucoup de frustration chez les développeurs. D’autant qu’ils subissent aussi une pression toujours croissante pour livrer plus rapidement, travailler de façon plus efficace tout en garantissant une sécurité robuste. Et si un moyen existait pour dépasser tous ces obstacles ? Une façon d'insuffler une nouvelle dynamique à vos projets, d'inspirer vos équipes et de simplifier le chemin vers le succès ?

En plein essor, l'IA générative change la donne et s’impose comme un catalyseur fondamental de productivité dans tous les aspects du développement. Dans cet article, nous vous proposons de découvrir quelques exemples mettant en évidence le rôle capital désormais joué par l'IA dans la transformation des tâches et des rôles dans le développement logiciel.

L'impact « full-stack » de l'IA

Le développement logiciel englobe diverses disciplines d'ingénierie, toutes axées sur la création de solutions appréciées des utilisateurs. Ces disciplines incluent le développement d'applications, le DevOps, la fiabilité des sites, le Machine Learning, les données, la sécurité, l'assurance qualité et l'architecture logicielle. Imaginez une technologie capable de stimuler la productivité dans tous ces domaines. L'IA révolutionne la façon dont les développeurs construisent, exploitent et sécurisent les logiciels : adopter cette technologie peut propulser l'innovation à des sommets jamais atteints dans votre organisation.

Au-delà du code : la révolution du développement logiciel

Avec leur capacité à créer du code standard, à suggérer des complétions de code et même à générer des fonctions ou des classes entières, les solutions de génération de code sont au cœur de toutes les conférences technologiques d’aujourd’hui. Elles libèrent les développeurs, qui peuvent ainsi se concentrer sur le design et la logique de haut niveau. Mais les avantages vont au-delà de la simple génération de code.

Conception : une innovation accélérée

L'IA joue aujourd’hui un rôle crucial dans la détection, la prévention et la correction des bugs, ainsi que dans les tests automatisés. Elle aide à identifier les bugs potentiels plus tôt dans le processus de développement, réduisant ainsi considérablement le temps passé sur le débogage tout en améliorant l'expérience des développeurs.
Des entreprises comme mabl ont conçu des logiciels d'automatisation de tests en s’appuyant sur Google Cloud et le ML. Les outils de génération de tests, d'exécution et d'analyse statique pilotés par l'IA contribuent à des cycles de livraisons plus rapides et à des logiciels plus fiables.
Lorsque les data ingénieurs et les analystes peuvent se concentrer sur l'extraction d’informations, leur satisfaction au travail augmente. Gemini dans BigQuery accélère les tâches complexes, comme l'exploration de données, les transformations et la compréhension de requêtes, permettant ainsi aux data ingénieurs et aux analystes de consacrer leur temps à des tâches plus stratégiques. L'IA peut aussi aider les ingénieurs ML à identifier les caractéristiques pertinentes pour les modèles, favorisant ainsi de meilleures performances.
Les administrateurs de bases de données peuvent directement améliorer l'expérience utilisateur en s’appuyant sur Gemini dans les bases de données afin d’analyser les requêtes et suggérer des optimisations qui améliorent in fine les performances des applications.

Exploitation : de l’efficacité et de la résilience

Une expérience utilisateur de qualité ne s'arrête pas à la conception de la solution. En réalité, elle commence dès que le développeur soumet son code. Si une application est insuffisamment testée ou si elle fonctionne lentement ou se révèle instable en production, c’est toute l’expérience utilisateur qui s’en trouve ruinée. L'IA peut révolutionner ce processus. Elle peut optimiser les pipelines CI/CD, en automatisant des tâches comme le déploiement de code, les tests et la supervision. Résultat, les livraisons sont plus rapides et plus fiables.

Pour garantir la résilience des solutions, les opérationnels sont souvent confrontés à une immense pression : lorsqu’un problème survient, le niveau d’urgence pour le résoudre est généralement bien supérieur à celui d’un développeur devant gérer un problème. Des assistants IA comme Gemini Cloud Assist apportent une aide inestimable dans ces situations, analysant les journaux système et les données de performance pour identifier rapidement la source des incidents, ce qui réduit les délais d’interruption de service et améliore la fiabilité globale des systèmes. De plus, l'IA permet aux SRE de prévoir l'utilisation des ressources, favorisant ainsi l’optimisation de l'infrastructure tout en garantissant une capacité optimale pour répondre à la demande.

Sécurité : une approche proactive

À l'ère du DevSecOps, la sécurité devient véritablement la responsabilité de tous. L'IA permet aux responsables de la sécurité d'analyser plus efficacement les journaux et le trafic réseau : elle identifie les menaces potentielles et automatise les réactions, réduisant ainsi le risque de violations. Gemini dans Google SecOps simplifie la recherche, l'analyse de données complexes et la remédiation des menaces dans le cadre de la détection et de la réponse aux attaques.

De plus, les outils basés sur l'IA peuvent fournir un retour en temps réel sur la sécurité du code : en aidant les développeurs à écrire un code plus sûr dès le début, ils déplacent efficacement le curseur de la sécurité plus en amont dans le processus de développement.

Le DevSecOps lui-même est une philosophie culturelle et technique qui met l'accent sur la collaboration entre les équipes de développement, d'exploitation et de sécurité. L'IA agit comme le complément idéal du DevSecOps, fournissant des outils et des informations qui permettent à chaque ingénieur de contribuer à la sécurité et à la fiabilité globales du logiciel qu'ils construisent.

Donnez des ailes à vos futurs développements

Exploiter le pouvoir transformateur de l'IA peut donner un réel coup d'accélérateur à l'innovation au sein de votre entreprise. Toutefois, une démarche couronnée de succès avec l’IA qui renforce l’autonomie de vos équipes suppose une approche stratégique. Pour maîtriser les capacités de votre entreprise à construire des applications modernes à l'ère de l'IA, réalisez une évaluation. Une fois l’évaluation terminée, vous recevrez des recommandations avec un plan d'action.
Contactez votre service commercial Google Cloud au sujet du programme pilote Gemini Code Assist for Developers qui propose des ateliers guidés, une démarche par étapes avec points de contrôle et des cas d’usage afin d’accroître la productivité et la satisfaction de vos développeurs. Nos experts en solutions peuvent partager des recommandations, des meilleures pratiques et des conseils sur l'intégration de l'IA dans le développement logiciel. Pour plus d'informations sur les solutions, consultez notre documentation.

Débuter une carrière en ingénierie de plateforme : les fondamentaux

Tue, 05 Nov 2024 09:00:00 +0000

Imaginez un instant que vous soyez ingénieur dans l'entreprise Acme Corp et que l'on vous confie un grand projet : intégrer et fournir des logiciels en utilisant l’approche CI/CD et l'automatisation tout en mettant en place des métriques et des outils d'observabilité.
Malheureusement, les membres de votre équipe sont déjà submergés par une trop lourde charge mentale, provoquée par le déploiement et l'automatisation des clusters Kubernetes, la configuration des pipelines CI/CD sans oublier toutes les préoccupations concernant la sécurité.
Vous réalisez alors que si vous voulez pouvoir monter en charge et soutenir la croissance de votre entreprise, vous allez devoir adopter une nouvelle approche pour relever les défis de votre nouvelle mission. Pas de panique : C’est précisément là que l'ingénierie de plateforme peut vous apporter une aide précieuse.

L'ingénierie de plateforme, c'est l'art de concevoir et de fournir des environnements informatiques complets aux développeurs et utilisateurs. Selon la Fondation Cloud Native Computing (CNCF), cette discipline englobe tous les aspects des plateformes : les équipes, les processus, les politiques et les technologies, sans oublier les objectifs commerciaux qui les motivent. Ce domaine en plein essor s'appuie sur les enseignements tirés de la révolution DevOps, les récentes avancées du Cloud Native avec Kubernetes et le serverless, ainsi que les progrès en matière d'observabilité et de SRE.

Une carrière dans l'ingénierie des plateformes implique de faire partie d'une équipe « produit », chargée de fournir des logiciels, des outils et des services. Que vous débutiez votre carrière dans l'informatique en tant que jeune diplômé ou que vous soyez déjà un développeur ou un ingénieur confirmé, l'ingénierie de plateforme offre des possibilités d'évolution ainsi que l’opportunité d'acquérir de nouvelles compétences techniques.

Dans cet article, nous vous proposons un aperçu du domaine de l'ingénierie des plateformes. Nous aborderons également le rôle des ingénieurs de plateformes ainsi que les compétences requises pour exercer ce métier. Nous évoquerons également l'importance d’une approche centrée sur l’utilisateur et d’un état d’esprit orienté « produit ». Enfin, nous vous donnerons aussi quelques conseils pour définir vos objectifs et éviter les pièges courants dans ce domaine.

Les compétences clés d'un ingénieur de plateforme

Que peut-on attendre d'un ingénieur de plateforme ? En général, ce rôle exige un mélange de compétences techniques et relationnelles. Il s'agit à la fois de savoir-faire professionnels nécessaires pour accomplir le travail, et de qualités personnelles qui influencent la façon de pratiquer ce métier. Pour se lancer dans une carrière d'ingénieur de plateforme, il est possible d'acquérir certaines de ces compétences. Cependant, il n'est pas nécessaire de toutes les maîtriser pour réussir, car elles sont souvent réparties au sein de l'équipe. Voici un aperçu des différentes facettes du métier d'ingénieur de plateforme :

Il adopte une approche centrée sur le client : en étant un partenaire fiable pour les équipes d'ingénierie, en partageant les connaissances, en travaillant avec d'autres équipes, y compris les développeurs de logiciels, les SRE et les gestionnaires de produits ;
Il est familiarisé avec les pratiques DevSecOps ;
Il est avide d'apprendre, de résoudre des problèmes tout en étant attentif aux détails et capable de communiquer efficacement avec les différentes équipes ;
Il est capable de promouvoir les avantages de l'approche d'ingénierie de plateforme avec ses collègues et les ingénieurs ;
Il applique une philosophie « produit » à la plateforme, en utilisant, par exemple, des parcours utilisateurs et des analyses de points de friction.

Compte tenu de son importance dans le domaine de l'ingénierie de plateforme, examinons de plus près l'approche centrée sur le client mentionnée ci-dessus.

La boucle de conception et l'importance de la focalisation client

Si les plateformes sont avant tout un produit, comme le suggère le livre blanc de la CNCF sur les plateformes, l'accent est malgré tout mis sur les utilisateurs. Le rapport DORA Research 2023 de Google montre clairement que l'attention portée à l'utilisateur est essentielle : « Les équipes qui se concentrent sur l'utilisateur ont des performances organisationnelles 40 % supérieures à celles des équipes qui ne le font pas ».

Chez Google, nous sommes convaincus que si nous nous concentrons sur l'utilisateur, tout le reste suit naturellement : c’est un principe clé de notre philosophie. Adopter une approche empathique centrée sur l'utilisateur nécessite une compréhension approfondie de ses besoins et de ses attentes. Pour y parvenir, nous utilisons plusieurs méthodes : entretiens, analyses statistiques, indicateurs de performance et collecte de données. Notre approche combine des métriques quantitatives et qualitatives pour obtenir une vision complète.

Vous pourriez, par exemple, décider d'adopter le cadre HEART (Happiness, Engagement, Adoption, Retention, Task Success) de Google, décrit en détail dans ce livre blanc. En tant qu'ingénieur de plateforme, vous pourriez être particulièrement intéressé par le « bonheur » (autrement dit l’axe Happiness), autrement dit la satisfaction ressentie par vos utilisateurs avec les services offerts par la plateforme. Parallèlement, vous voudrez aussi probablement mesurer et suivre « l'adoption » de la plateforme ainsi que « la rétention » (autrement dit la capacité à conserver leurs utilisateurs sur le long terme) des différentes offres.
Pourquoi les utilisateurs adoptent-ils votre offre ou au contraire la quittent ? Qu'est-ce qui manque et qui pourrait être amélioré lors du prochain sprint de conception de la plateforme ? Vous pouvez également créer un journal des frictions qui documente les obstacles auxquels vos utilisateurs sont confrontés lorsqu'ils utilisent les services de votre plateforme. Idéalement, vous pourriez même devenir votre propre client et utiliser vos solutions, en vous référant au journal de frictions et aux parcours des utilisateurs à travers la plateforme.

Pour bien comprendre l'ingénierie de plateforme, imaginez-vous au cœur d'un cycle d'amélioration continue. Dans ce processus, vous renforcez votre orientation client en menant des études sur les usages des utilisateurs pour mieux cerner leurs priorités. Vous développez de l'empathie en documentant les points de friction et en réalisant d'autres types d'expériences. Point central, le backlog de la plateforme (cette fameuse liste hiérarchisée des tâches à faire) devient l’outil à partir duquel toute votre équipe prend les décisions en se concentrant sur la valeur ajoutée de la plateforme pour l'entreprise. Adopter une mentalité produit vous aide à comprendre les besoins des utilisateurs, à définir une vision et une feuille de route claires, à prioriser les fonctionnalités et la documentation, et à rester ouvert aux améliorations. Une fois la première version de votre plateforme livrée, vous continuez à itérer dans ce cycle, l'améliorant à chaque tour.

Que fait réellement un ingénieur plateforme ?

En pratique, un ingénieur de plateforme effectue une grande variété de tâches au sein d'un groupe d'ingénierie de plateforme plus large. Bien entendu, personne ne peut tout faire et vous devrez vous spécialiser, mais voici quelques-uns des sujets sur lesquels vous pourriez vouloir vous concentrer :

Services Google Cloud

Runtimes de container : Google Kubernetes Engine, Cloud Run
Runtimes de Compute : Compute Engine, Google Cloud VMware Engine
Bases de données : Spanner, Bigtable, Cloud SQL
Conception et gestion du portail interne développeur
Outillage pour le support développeurs : Cloud Workstations
Gestion de la chaine CI/CD : Cloud Build, Cloud Deploy et Artifact Registry
Mise en œuvre de la conformité en tant que Code (RCaC) pour certaines voies royales (golden paths) gérées par Infrastructure Manager et Policy Controller, ce qui permet de réduire la charge cognitive des développeurs et d'accélérer les délais de déploiement.

Architecture

Acquérir une compréhension approfondie de l'infrastructure et de l'architecture des applications.
Co-écrire avec les développeurs et utiliser les voies royales en s’appuyant sur l’usage de l’Infrastructure as Code.
Créer une très bonne documentation en s’inspirant, par exemple, des conseils donnés dans nos formations sur la rédaction technique. N'oubliez pas que les enregistrements de décision d'architecture sont une partie essentielle de votre documentation d'ingénierie.

Opérations et fiabilité

Site Reliability Engineering (SRE)- Adopter les meilleures pratiques pour une exploitation fiable de votre plateforme.
Ingénierie de la sécurité - Conformité, contrôles horizontaux et garde-fous pour votre plateforme.

Ingénierie backlog

Adopter un backlog pour lister les tâches en attente et établir des priorités pour les travaux d'ingénierie. L'essentiel de l'effort doit porter sur la résolution des demandes en attente, tout en réservant un peu de temps à l'amélioration continue et à l'expérimentation.
Expérimenter et innover avec de nouvelles technologies - Il s'agit d'une tâche essentielle pour les ingénieurs de plateforme. Exemples : maîtriser de nouveaux services et de nouvelles fonctionnalités pour améliorer votre plateforme.

Ces dernières années, notre industrie s'est beaucoup focalisée sur le concept de « shift left », c'est-à-dire déplacer la complexité en amont du processus de développement. L'objectif est d'obtenir un code mieux testé, mieux intégré et plus sécurisé. Chez Google, nous sommes convaincus qu'en plus de cette approche, une bonne stratégie de plateforme permet aussi de « déplacer vers le bas » cette complexité (principe du « shift down ») . Bien entendu, même le plus talentueux des ingénieurs de plateforme ne peut pas tout gérer seul - la charge cognitive a ses limites !

Que doivent absolument éviter les ingénieurs de plateformes ?

Au-delà des bonnes pratiques à adopter, voici aussi quelques erreurs que les nouveaux ingénieurs de plateforme devraient éviter :

Négliger les besoins des développeurs et les exclure du processus de conception ;
Devenir la « bonne à tout faire » pour les tâches diverses : il est crucial de prioriser et d'instaurer une culture adaptée, sous peine d'épuisement et de perte de productivité (comme le souligne le rapport State of DevOps Report 2023) ;
Stagner professionnellement : l'apprentissage continu n'est pas un simple avantage, c'est une part essentielle du travail quotidien d'un ingénieur ;
Céder au syndrome du « héros » : répartissez plutôt les compétences au sein de l'équipe et travaillez à un rythme soutenable ;
S'attendre à une adoption immédiate de la plateforme sans effort de promotion, de formation et sans avoir gagné la confiance des développeurs.

Cette liste n'est pas exhaustive, mais elle regroupe les écueils les plus courants que nous avons pu observer jusqu'à présent.

Ingénieurs de plateforme : les piliers de la livraison logicielle moderne

Les ingénieurs de plateforme sont essentiels au succès d'une stratégie logicielle d'entreprise moderne. Ils sont responsables de la création et de la maintenance des plateformes utilisées par les développeurs pour construire et déployer des applications. Dans un monde où les logiciels évoluent constamment, les ingénieurs de plateforme jouent un rôle clé en fournissant des services logiciels évolutifs, tout en gardant les utilisateurs au cœur des préoccupations. Ils comprennent finement les exigences et les besoins de leurs clients internes, combinant leur expertise technologique avec une connaissance pointue des dernières avancées du secteur.

Pour approfondir vos connaissances en ingénierie de plateforme, voici quelques ressources complémentaires :

Le livre « Software Engineering at Google » explore la création d'un écosystème logiciel durable en se penchant sur la culture, les processus et les outils
Les livres SRE et les ateliers de Google
DORA.dev - études sur les compétences qui stimulent la performance en matière de livraison et d'exploitation logicielles

Certifications Google Cloud : Cloud Architect, Cloud DevOps Engineer, Cloud Developer, Cloud Security Engineer, Cloud Network Engineer

Comment l'IA générative s'intègre dans l'ensemble du cycle de développement logiciel

Fri, 26 Jan 2024 06:00:00 +0000

Il ne suffit pas d’écrire et déployer du code pour créer des services de qualité. Les séances de brainstorming autour d’un tableau blanc, les conversations dans les couloirs et les échanges d’emails contribuent tout autant au processus. C’est là que se décide le plus souvent ce qu’il faut concevoir et comment y parvenir. Bien sûr, une fois le service lancé, il faut aussi s’assurer qu’il est résilient, sécurisé et qu’il a un impact significatif sur le client.

L’année 2023 a été riche en rebondissements pour l'IA générative. Avec autant de solutions qui arrivent sur le marché, vous vous demandez peut-être en quoi ces nouveaux outils peuvent réellement être utiles dans la vie réelle. Après tout, ce sont les humains - et non les machines - qui sont au cœur des bons logiciels.

Pour illustrer en quoi ces outils peuvent réellement changer la donne tout au long du cycle de développement, nous vous proposons de partager le parcours d’un développeur chez Google Cloud qui utilise l’aide de Google AI pour passer de l'idée à la production.

Imaginons que je sois ingénieur logiciel chez Cymbal Superstore, société spécialisée dans le commerce de détail alimentaire.

Notre site est hébergé chez Google Cloud et on m’a demandé d’ajouter une nouvelle page mettant en avant nos tout derniers produits de type « snacks ». On est lundi, il est 9 heures du matin et j'ai pris mon café. Allez, y a plus qu’à….

Concevoir ensemble

Cette demande d’ajout d’une nouvelle page est arrivée dans ma boite mail. J'utilise donc la fonction d'aide à la rédaction de Gmail pour y répondre rapidement.

Je me rends ensuite dans une salle de réunion avec mon binôme et nous commençons à réfléchir à la mise en œuvre sur un tableau blanc.

De retour à mon bureau, je transforme notre magnifique gribouillage (sur le tableau blanc) en superbe diagramme avec Google Cloud Architecture Diagram Tool.

Voilà ! Maintenant, je suis paré pour rédiger le cahier des charges technique. Mon binôme doit se rendre à une réunion mais je dois encore régler quelques questions d’architecture. Je télécharge mon diagramme dans Google Lens afin que Bard puisse lire mon diagramme d’architecture, puis j’approfondis la question des risques potentiels induits par mon implémentation en interrogeant l’IA conversationnelle.

J’exporte ensuite mon échange avec Bard dans Google Docs pour commencer à rédiger le cahier des charges. J’utilise alors la fonction Google Docs Help me write pour générer automatiquement un plan. Très pratique, cette fonction me fait gagner du temps et je peux ainsi me concentrer sur des questions de conception plus délicates, comme la manière dont nous pourrions mettre en cache les requêtes Firestore dans le backend.

Aux alentours de midi, j’envoie le cahier des charges à mon équipe pour qu’elle l’examine. En parallèle, l’équipe UX a travaillé sur une maquette de l’interface pour la page « Nouveau produits ».

Résultat, lorsque mon cahier des charges est approuvé, je dispose d’une page prête à être testée. Je peux donc commencer à coder…

Coder (avec un peu d’aide)

Le code relève souvent d’une activité pratiquée en solitaire. Et bien que je sois un ingénieur TypeScript chevronné, je suis relativement nouveau dans Google Cloud. Résultat, je me retrouve rapidement avec cinquante onglets ouverts - documentation, StackOverflow, musique apaisante, etc. - juste pour écrire 10 lignes de code ! Voyons comment Duet AI pour Google Cloud peut m'aider.

Je lance mon environnement de développement à partir de Google Cloud Workstations et j'ouvre un éditeur de code. Tout d'abord, j'utilise Duet AI dans Apigee pour générer automatiquement une spécification OpenAPI pour le nouveau point de terminaison de l'API REST. Ensuite, j'utilise un générateur swagger pour créer automatiquement un code TypeScript à partir de cette spécification.

Je peux passer à l’implémentation de la logique métier. Pour ce faire, j’utilise la génération de code par Duet AI en y saisissant l’invite (le prompt) expliquant, en langage naturel, la requête Firestore que je souhaite obtenir. J'appuie sur la touche tab pour accepter les suggestions de code de Duet AI.

Je teste ensuite le code localement. Oula…je constate une erreur.

Je ne suis pas sûr de la signification de l'erreur, alors j'ouvre l’interface Duet AI chat depuis mon IDE. Duet AI a été entraîné sur la documentation et les exemples de code de Google Cloud. L’IA peut donc m'aider à comprendre la signification de l'erreur, mais aussi la manière de la corriger. Dès lors, je ne suis plus obligé de chercher dans tous les sens sur Google pour arriver au même résultat.

Une fois l'erreur corrigée, je peux poursuivre mes échanges avec Duet AI - sans changer de fil de discussion - pour m'aider à rédiger un scénario de test pour ce code. Duet AI peut adapter sa réponse en utilisant le contenu de mon fichier de test ouvert afin de générer un test qui utilise les mêmes frameworks et formats que mes autres tests.

Avec l'aide de Duet AI, j’obtiens ainsi un prototype fonctionnel plus rapidement, car j’ai moins besoin de sortir de l’IDE et de changer d’interface et de contexte pour faire aboutir mon projet.

Opérer en toute confiance

Je soumets mon code au référentiel de code source, puis je procède à un examen du code avec mon binôme. J’intègre la nouvelle fonctionnalité et la page « Nouveaux produits » est déployée en production. Super ! Mais le cycle de vie du développement logiciel ne s'arrête pas là.

En tant que développeur DevOps, je suis responsable de ce service en production. Dès lors, la première chose dont j’ai besoin, ce sont les journaux du service (service logs). J'utilise la console de chat de Duet AI pour m'aider à naviguer dans la console de Cloud Run.

Ensuite, je travaille avec l'équipe SRE pour déterminer des objectifs de niveau de service pour le service d'inventaire. Dans Cloud Monitoring, j’utilise la fonction « help me modify » de Duet AI pour créer des requêtes complexes sur l'état de mes services. En tant que non-expert du langage de requête PromQL (Prometheus), cette fonctionnalité me permet de gagner un temps considérable en m’évitant de chercher la bonne syntaxe.

N'oublions pas la sécurité ! Partons du principe que la semaine dernière, lors d'une session de débogage, j'ai accordé à mon binôme un rôle IAM temporaire et permissif dans mon projet Google Cloud. Le Security Command Center peut s’en apercevoir. Grâce aux résumés générés par l'IA Duet AI, je peux rapidement comprendre le problème et travailler avec l'équipe de sécurité pour y remédier.

Partager l'impact

Une semaine plus tard, le chef de produit me demande de présenter quelques diapositives sur le projet lors de la prochaine réunion de tous les collaborateurs. Je me prépare avec mon collègue business analyste. Nous essayons de comprendre l'impact de la création d'une vitrine pour les nouveaux produits - ces nouveaux produits se sont-ils mieux vendus après avoir été présentés sur leur propre page dédiée ?

Nous commençons par créer une liste de tâches dans Google Sheets, en utilisant la fonction « help me organize ».

Nous utilisons ensuite la fonction de complétion de code de Duet AI dans Spanner afin d’accéder aux données de vente en interrogeant les données brutes des transactions réalisées sur les dernières semaines.

Nous collectons davantage de données à partir des tables de ventes dans BigQuery. Alors que l'analyste business écrit des requêtes SQL avec une facilité d'expert, j'utilise la fonction d'explication de code de Duet AI pour mieux comprendre les données que nous recueillons.

Je bascule ensuite dans Google Slides et j'utilise l'outil "Help me visualize" de Duet AI pour générer des visuels et illustrations qui donneront plus d’impact à mon rapport.

La réunion se passe bien et j'ai de nouvelles idées sur la manière d'améliorer les performances de la fonction. Tout cela en l’équivalent d’une journée de travail (assistée par l'IA).

Pour résumer, à travers cet exemple, nous avons utilisé les fonctions d'assistance de Google en matière d'IA - de Duet AI dans Google Workspace et dans Google Cloud à Bard - pour donner vie à une idée. Les outils d'IA générative nous ont aidés à collaborer, à déboguer lorsque nous étions bloqués et à automatiser des tâches pour libérer notre esprit et nous permettre de nous attaquer aux tâches les plus ardues. Cette histoire ne fait pourtant qu'effleurer la surface de ce que Duet AI peut faire. Son potentiel est tellement plus étendu ! Il y a encore tant à découvrir.

Google Cloud France organise le 22 février prochain une demi-journée dans ses locaux à Paris à destination des développeurs pour une prise en main de Duet AI. Inscrivez-vous rapidement via ce lien.

6 astuces pour améliorer vos compétences en « prompt design »

Tue, 24 Oct 2023 07:00:00 +0000

Le marché des solutions dopées à l’IA est en plein essor. Dans ce contexte, l’ingénierie du design d'invités (ou prompt design), pratique qui consiste à formuler des instructions pour bien orienter les modèles de langage ou encore des chatbots, devient une compétence essentielle que tous les développeurs doivent maîtriser. Les grands modèles de langage (LLM) et autres modèles fondamentaux (foundation models) génératifs ont besoin d’instructions contextuelles, spécifiques et adaptées, exprimées en langage naturel, pour générer les résultats attendus. Ce qui signifie que les développeurs doivent formuler des invites claires, concises et didactiques.

Dans ce blog, nous vous proposons de découvrir les six meilleures pratiques qui feront de vous un ingénieur d’invites plus efficace. En suivant nos conseils, vous pourrez commencer à créer des applications plus personnalisées, plus précises et plus contextuelles. C'est parti !

Conseil n° 1 : maîtriser les forces et les faiblesses du modèle

Alors que les modèles IA ne cessent d’évoluer et de gagner en complexité, comprendre les capacités et les limites d’un modèle est essentiel pour le développeur. En maîtrisant les forces et les faiblesses d’un modèle, il évite les risques d’erreurs et crée des applications plus sûres et plus fiables. Un modèle entrainé pour reconnaitre des images de myrtilles, par exemple, peut être incapable de reconnaître des images de fraises. Pourquoi ? Parce que le modèle n'a été entraîné que sur un ensemble d'images de myrtilles. Si un développeur utilise ce modèle pour créer une application censée reconnaître à la fois les myrtilles et les fraises, l'application commettra probablement des erreurs, ce qui se traduira par un résultat probablement incorrect et une mauvaise expérience pour l'utilisateur.

Par ailleurs, les modèles IA peuvent être biaisés. Entraîné avec des jeux de données collectés dans le monde réel, le modèle peut refléter dans ses résultats les préjugés et/ou les stéréotypes profondément ancrés dans l’inconscient collectif : si les données d'entraînement sont biaisées, le modèle le sera également. Ce qui peut bien entendu engendrer des problèmes, surtout si le modèle est utilisé pour prendre des décisions qui affectent les gens, renforçant alors les préjugés de la société. Il est important de s'attaquer à ces préjugés pour garantir l'équité des résultats, promouvoir l'égalité et mettre en œuvre une technologie d’IA responsable.

Les ingénieurs chargés des invites doivent prendre en compte ces problématiques de limites et de biais de l’IA, de sorte à rédiger des instructions plus efficaces et maîtriser quelles instructions peuvent être adaptées à un modèle donné.

Conseil n° 2 : soyez aussi précis que possible

Les modèles IA sont capables de comprendre une grande variété d’instructions. Par exemple, PaLM 2 de Google peut comprendre des invites en langage naturel, écrites dans différentes langues, mais aussi du code en Python, JavaScript, etc. Aussi pertinents et efficaces que puissent être ces modèles IA, ils restent imparfaits et peuvent mal interpréter des instructions qui ne sont pas suffisamment précises. Pour éviter toute forme d’ambiguïté, vos instructions doivent donc être adaptées au résultat escompté.

Supposons que vous souhaitiez que votre modèle d'IA génère une recette pour 50 muffins végétaliens aux myrtilles. Si vous demandez au modèle « qu'est-ce qu'une recette de muffins aux myrtilles ? », il ne peut pas savoir que vous devez préparer 50 muffins. Il est donc peu probable qu'il liste la quantité d’ingrédients adaptée ou qu'il vous livre d’utiles conseils pour vous aider à préparer plus efficacement un si grand nombre de muffins. Le modèle ne peut s'appuyer que sur le contexte fourni. Une invite plus efficace serait : « Je reçois 50 invités. Créer une recette pour 50 muffins aux myrtilles ». Le modèle sera alors en mesure de générer une réponse pertinente à votre demande et de répondre à vos besoins spécifiques.

Conseil n° 3 : Contextualiser vos invites

Utilisez des informations contextuelles dans vos instructions pour permettre au modèle de bien comprendre vos demandes. Les invites contextuelles peuvent embarquer une tâche spécifique à exécuter par le modèle, un exemple du résultat escompté ou le profil d’une personne à imiter, qu'il s'agisse d'un spécialiste du marketing, d'un ingénieur ou d'un professeur de lycée par exemple. En indiquant le ton attendu et en donnant à votre modèle IA une perspective, un contexte, ce dernier aura une meilleure idée du ton, du style et du domaine de connaissance que vous ciblez et pourra ainsi améliorer la qualité, la pertinence et l'efficacité des résultats.

Typiquement, si nous reprenons notre exemple de muffins aux myrtilles, l’invite doit intégrer le contexte de la situation. En d’autres termes, le modèle peut avoir besoin de plus de contexte que la seule instruction de générer une recette pour 50 personnes. S'il doit savoir que la recette doit être adaptée aux végétaliens, vous pouvez l'inciter à répondre en imitant un chef végétalien compétent.

En rédigeant des invites contextuelles, vous pouvez faire en sorte que vos interactions avec l'IA soient aussi fluides et efficaces que possible. Le modèle sera alors en mesure de comprendre plus rapidement votre demande et de générer des réponses plus précises et plus pertinentes.

Conseil n° 4 : fournissez des exemples aux modèles IA

Lors de la création d'invites, il peut être très utile de fournir au modèle IA des exemples. En effet, les invites agissent comme des instructions pour le modèle, et les exemples peuvent aider le modèle à comprendre ce que vous lui demandez. Typiquement, une invite accompagnée d'un exemple ressemble à ce qui suit : « Voici plusieurs recettes que j'aime – [copier/coller les recettes] - Crée une nouvelle recette en te basant sur celles fournies ». Le modèle peut ainsi mieux comprendre vos goûts et votre savoir-faire pour vous proposer un nouveau dessert à même de régaler vos papilles.

Conseil N°5 : Expérimentez les invites et personnalités

La manière dont vous construisez votre invite (autrement dit la façon de formuler vos instructions) a un impact majeur sur la qualité des résultats proposés par le modèle. En explorant de manière créative différentes requêtes, vous comprendrez rapidement comment le modèle pondère ses réponses et ce qui se passe lorsque vous combinez votre connaissance d’un domaine et votre expérience vécue avec la puissance d'un modèle de langage à plusieurs milliards de paramètres.

Essayez de tester différents mots-clés, structures de phrases, longueurs d’invites pour découvrir la formulation la plus efficace. N’hésitez pas à encourager le modèle à entrer dans la peau d’une personnalité, qu’il s’agisse d’une fonction au sein de l’entreprise telle qu’ « ingénieur produit » ou « agent du service client », de figure parentale ou de célébrité à l’instar d’une « grand-mère », « un chef célèbre », etc. Partez ainsi à l’exploration de n’importe quel domaine de compétence, de la cuisine à la programmation !

En rédigeant des instructions uniques et réfléchies faisant appel à votre expertise et à votre expérience, vous apprendrez rapidement quelles invites vous permettent d’obtenir les résultats les plus pertinents. Le fait d’affiner ainsi vos instructions, ce qu’on appelle « tuning » en anglais, permet au modèle IA de mieux comprendre et mieux contextualiser vos invites suivantes.

Conseil N°6 : Essayez l’invite à la réflexion en chaîne

L’incitation à l’enchaînement d’idées (ou Chain of thought prompting) est une technique permettant d’améliorer les capacités de raisonnement des grands modèles de langages (LLMs). Elle consiste à décomposer un problème complexe en plusieurs étapes clés, puis à demander au LLM de proposer par lui-même un raisonnement intermédiaire pour chaque étape. Cette technique aide le LLM à mieux cerner la problématique et à générer des réponses plus précises et plus pertinentes. En outre, cette approche contribue à mieux comprendre la réponse délivrée mais aussi à vous assurer que le LLM a réellement compris la problématique qui lui a été soumise.

Conclusion

Le Prompt Engineering (ou ingénierie des invites / instructions) est une compétence que tout collaborateur, dans tous les secteurs et toutes les organisations, va devoir acquérir alors que les outils dopés à l’IA générative sont amenés à se généraliser.
Pensez à ces 6 conseils essentiels la prochaine fois que vous interagirez avec un modèle IA afin d’obtenir les résultats pertinents attendus.
Bien sûr, l’IA va continuer d’évoluer et de se développer, s’affinant progressivement au fur et à mesure des interactions. Après tout, l’apprentissage, pour l’homme comme pour la machine, est un voyage sans fin.

Faciliter le passage à Google Cloud et à des technologies Open Source

Mon, 12 Jun 2023 08:00:00 +0000

Pendant des décennies, avant que le cloud ne vienne bouleverser notre vision des bases de données et des applications, Oracle et SQL Server constituaient la clef de voûte des infrastructures applicatives des entreprises. Mais aujourd’hui, alors que vous entamez votre redéploiement vers le cloud, vous réévaluez probablement les choix effectués autrefois à la lumière des tendances actuelles et des vastes opportunités offertes par le cloud.

Dans le domaine des bases de données, plusieurs hypothèses s’offrent à vous : adoption des technologies open source (en particulier MySQL, PostgreSQL et leurs dérivés), bases de données non relationnelles, stratégies multicloud et cloud hybrides… pour supporter des applications à la fois globales et qui fonctionnent en 24/7.
Redéploiement rapide de type « lift-and-shift », modernisation d’un existant ou transformation complète avec adoption d’une base « cloud first » … selon l’application, l’évolution vers le cloud peut prendre des chemins différents.

Google Cloud propose un ensemble de services de bases de données managées qui couvrent les moteurs des bases open source mais également des bases provenant de tiers ainsi que les bases « cloud-first ». Nous avons publié cinq vidéos spécialement destinées aux clients qui cherchent à passer au cloud ou à se libérer complètement des problématiques de gestion des licences et autres restrictions. Nous espérons que ces vidéos vous permettront de mieux évaluer vos options, que vous envisagiez un redéploiement homogène (en utilisant la même base de données qu'aujourd'hui) ou un redéploiement hétérogène (en passant à un moteur de base de données différent).

Voici les cinq vidéos en question :

#1 Exécuter des applications Oracle Database dans Google Cloud

Par Jagdeep Singh et Andy Colvin

Migrer vers le cloud peut s’avérer difficile si l’activité de votre entreprise repose sur des applications fonctionnant avec des bases de données Oracle. Cette dépendance peut s’expliquer par des problématiques de licences, de compatibilité ou encore d’administration.
À travers cette vidéo, nous vous proposons de découvrir différentes options proposées par Google Cloud et adaptées à cette situation, qu’il s’agisse de Bare Metal Solution for Oracle (solution matérielle certifiée et optimisée pour les workloads Oracle) ou de solutions émanant de partenaires tels VMware et Equinix. Profitez-en pour découvrir comment vous pouvez continuer à exécuter votre existant dans le cloud tout en capitalisant sur les dernières avancées technologiques pour développer de nouveaux services.

#2 Exécuter des applications SQL Server dans Google Cloud

Par Isabella Lubin

Aujourd’hui encore, Microsoft SQL Server reste une base très populaire en entreprise. Apprenez à exécuter SQL Server de manière fiable et sécurisée avec Cloud SQL, un service de base de données entièrement managé permettant d'exécuter des workloads MySQL, PostgreSQL et SQL Server. Plus de 90 % des 100 plus gros clients de Google Cloud utilisent Cloud SQL. Autrement dit, les plus grandes entreprises du monde font aujourd’hui confiance à Cloud SQL. Dans cette vidéo, nous vous proposons de découvrir comment sélectionner la bonne instance de base de données, comment migrer votre base, comment travailler avec les outils SQL Server standards ou encore comment superviser votre base et la maintenir à jour.

#3 Opter pour une base PostgreSQL dans Google Cloud

Par Mohsin Imam

Plébiscitée pour la souplesse de son modèle de licence open source, sa richesse fonctionnelle, ses solides références ou encore pour l’étendue de sa communauté de développeurs et de ses outils, PostgreSQL est une base relationnelle leader sur le marché. Google Cloud propose, aux utilisateurs de PostgreSQL, trois services de bases de données entièrement managés:
* Cloud SQL, un service de base de données entièrement managé et facile à utiliser pour PostgreSQL open source ;
* AlloyDB, un service de base de données compatible avec PostgreSQL pour les applications nécessitant plus d'évolutivité, de disponibilité et de performances;
* et Cloud Spanner, une base de données "cloud-first" avec une montée en charge illimitée, une disponibilité de 99,999 % et une interface PostgreSQL.
Découvrez quelle solution convient le mieux à votre application, comment migrer votre base de données vers le cloud et comment bien démarrer.

#4 Comment migrer et moderniser vos applications avec les bases de données Google Cloud

Par Sandeep Brahmarouthu

Le redéploiement de vos applications et bases de données vers le cloud n'est pas toujours facile. Si des workloads simples peuvent se contenter d’un simple transfert de SGBD sur le mode « lift-and-shift », les applications d'entreprise de plus grande envergure et personnalisées ont, en revanche, parfois besoin d’être modernisées, voire entièrement transformées. Découvrez les services managés de bases de données proposés par Google Cloud ainsi que notre approche de la « modernisation progressive ». Explorez également nos frameworks de redéploiement pour bases de données et découvrez comment nous pouvons vous aider à mieux démarrer, avec notre offre gratuite d’évaluation des risques.

#5 Bien démarrer avec Database Migration Service

Par Shachar Guz & Inna Weiner

L’augmentation des coûts de maintenance peut aussi être une excellente raison de migrer ses bases vers le cloud. Que vous envisagiez un simple transfert, une modernisation avec adoption d’une alternative plus moderne et open source ou une transformation complète d’une application, Google Cloud peut vous accompagner dans votre démarche. Découvrez comment Database Migration Service simplifie votre modernisation par le cloud avec son approche serverless et sa plateforme sécurisée qui s’appuie sur des mécanismes de réplication native afin d’effectuer des redéploiements plus fidèles et plus fiables. Moins complexe, le redéploiement est aussi moins long et moins risqué. Résultat, vous pouvez redémarrer en moins d’une heure après le redéploiement…

Nous avons hâte de vous aider à réussir votre redéploiement

Quelle que soit votre approche du cloud, nous avons la solution pour vous accompagner dans votre démarche avec des bases de données évolutives, fiables, sécurisées et ouvertes. Nous sommes d’ores et déjà enchantés à l’idée d’offrir un nouveau « foyer » à vos applications.

N’hésitez pas à profiter de l’offre d’essai gratuite pour explorer les avantages de Cloud SQL ou Spanner et accélérer votre redéploiement vers Google Cloud avec Database Migration Program.

13 exemples d'architectures pour démarrer votre transition vers Google Cloud

Fri, 18 Dec 2020 15:00:00 +0000

Quels que soient les besoins de votre entreprise en termes de performances ou de coûts, Google Cloud est une plate-forme extrêmement flexible qui est compatible avec de nombreux types d'architectures applicatives. Mais par où devez-vous commencer ?

En tant que Developers Advocate pour Google Cloud, j'ai récemment publié une série de tweets appelée 13 days of GCP (GCP en 13 jours) qui présente certaines architectures de référence Google Cloud courantes. Cet article de blog les passe toutes en revue. Que vous souhaitiez apprendre à déployer des applications mobiles ou cloud hybrides, des microservices, des charges de travail CI/CD, des solutions de machine learning ou des fonctionnalités de sécurité, vous saurez précisément après avoir lu cet article comment démarrer votre transition vers Google Cloud. (Notez qu'il ne s'agit, bien entendu, que d'exemples et que chacune des solutions présentées peut être obtenue de plusieurs façons.)

1. Configurer une architecture hybride sur Google Cloud et sur site

Les architectures hybrides sont fréquemment utilisées pour migrer une infrastructure ou exécuter une partie des applications sur site et l'autre dans le cloud. Une architecture hybride très courante consiste à déployer l'interface et/ou le serveur d'applications sur Google Cloud et le backend, sur site.

Dans ce scénario, un utilisateur demande des applications via Internet, et un équilibreur de charge global les achemine vers votre application sur Google Cloud ou sur site.
L'équilibrage de charge global distribue ensuite le trafic afin d'acheminer la charge vers le service approprié. Les services peuvent se trouver sur n'importe quelle plate-forme de calcul telle que Compute Engine, Google Kubernetes Engine (GKE), App Engine, etc.
Les applications qui ont besoin de communiquer avec les systèmes backend de votre centre de données doivent se connecter via Cloud VPN ou Interconnect, selon la bande passante requise. Vous ne savez pas quelle solution choisir ? Consultez cette page.
Les requêtes adressées à l'application sur site sont réceptionnées par l'équilibreur de charge qui distribue la charge entre les serveurs d'applications.
Les serveurs d'applications se connectent aux backends (par exemple, moteur de recherche, cache et base de données) pour répondre à la requête de l'utilisateur.

Pour en savoir plus sur les solutions hybrides, consultez cet article.

2. Configurer une architecture hybride pour une utilisation intensive du cloud

Faire basculer le trafic en utilisation intensive sur le cloud peut être un excellent moyen d'amorcer la transition vers le cloud. Si votre application est déployée sur site, vous pouvez vous en servir pour la charge de base et basculer temporairement en utilisation intensive sur Google Cloud lorsque vous avez besoin de capacité supplémentaire suite à une augmentation soudaine du trafic. Le principal intérêt de cette solution est qu'elle évite de conserver de la capacité supplémentaire sur site. Sachant que dans le cloud, vous ne payez que les ressources utilisées, le mode d'utilisation intensive peut contribuer à réduire les coûts.

Cliquez ici pour en savoir plus sur les modèles et solutions hybrides.

3. Masquer les données sensibles dans les chatbots à l'aide de l'API DLP (Data Loss Prevention)

Imaginons que votre entreprise ou vos utilisateurs doivent partager des informations sensibles avec un chatbot. Pour ce faire, vous pouvez employer Dialogflow, qui permet de créer des expériences conversationnelles pour les utilisateurs sans qu'ils aient besoin de se familiariser avec les technologies de machine learning ou d'intelligence artificielle.

Par exemple, dans cette architecture, l'utilisateur interagit dans un chat téléphonique ou en ligne, ce qui a pour effet d'appeler l'agent Dialogflow. La requête est traitée par une logique métier utilisant l'environnement Cloud Functions sans serveur ou des machines virtuelles. Si vous souhaitez ensuite anonymiser les informations sensibles dans le chat, vous pouvez employer l'API DLP et les stocker dans BigQuery afin de les traiter ultérieurement.

4. Créer des backends pour applications mobiles sur Google Cloud

Si vous créez des applications mobiles sur Google Cloud, nous vous conseillons d'utiliser Firebase pour le stockage, l'authentification des utilisateurs, l'hébergement et bien plus encore. Vous pouvez intégrer Firebase dans plusieurs backends tels que l'environnement Cloud Functions sans serveur pour regrouper les logiques métier ou bien Cloud Run pour exécuter des conteneurs sans serveur en tant que backends d'applications. Vous avez également la possibilité de vous connecter aux infrastructures App Engine et Compute Engine si vos backends se trouvent dans ces environnements.

Pour en savoir plus, regardez cette série.

5. Migrer une base de données Oracle vers Spanner

Quelle est la meilleure façon de migrer d'Oracle vers Cloud Spanner ? Si vous utilisez une base de données Oracle et souhaitez la migrer vers Spanner pour bénéficier d'un service à l'échelle mondiale, vous devez d'abord exporter la base de données vers un format de fichier portable (CSV, par exemple) et la stocker dans Cloud Storage. Les données doivent ensuite être ingérées dans Dataflow où vous allez lire et analyser les fichiers, convertir les données et créer les mutations Spanner, traiter les erreurs éventuelles et procéder à l'écriture dans Spanner.

Pour en savoir plus, consultez cet article.

6. Créer un lac de données dans Google Cloud

Un lac de données vise à ingérer des données et à les stocker à des fins d'exploration et pour d'autres workflows tels que les magasins de données, les analyses en temps réel, le machine learning et plus encore. Voici quelques points à prendre en compte lors de la mise en place d'un lac de données dans Google Cloud :

Il est possible d'ingérer les données de différentes sources telles que des capteurs (IoT), l'infrastructure sur site, des activités d'utilisateurs (par exemple, des flux de clics), des transactions en ligne, etc.
Les données en temps réel peuvent être ingérées via Pub/Sub et Dataflow, qui s'adaptent facilement à des volumes de données variables.
Les données par lots peuvent être ingérées à l'aide de Transfer Appliance, du Service de transfert ou de gsutil, selon la bande passante et le volume. Les données en temps réel qui ont été affinées peuvent être stockées dans Bigtable ou Spanner.
Datalab et Dataprep vous permettent d'explorer les données du lac de données. Pour le machine learning, vous avez la possibilité d'utiliser Datalab ou ML Engine afin de procéder à l'entraînement et de stocker les prédictions dans Bigtable.
Pour l'entreposage, vous pouvez envoyer les données à BigQuery ou, si vous utilisez l'écosystème Hive, à Dataproc.

Pour en savoir plus, consultez cet article expliquant comment utiliser Cloud Storage en tant que lac de données.

7. Héberger des sites Web sur Google Cloud

Il est difficile d'adapter un site Web à l'évolution du trafic. Google Cloud offre des moyens simples et rentables pour héberger des sites Web et les faire évoluer afin qu'ils prennent en charge de nombreuses requêtes. Voici comment faire évoluer un site Web sur Google Cloud :

Lorsqu'un utilisateur envoie une requête à votre site Web, Cloud DNS convertit le nom d'hôte avec l'adresse IP de votre serveur Web.
La requête est ensuite transmise à Cloud CDN, qui répond à partir du cache. Si aucune réponse n'est disponible dans le cache, la requête est envoyée à la fonctionnalité d'équilibrage de charge global qui distribue la charge entre les serveurs Web sur Compute Engine. Vous pouvez même définir l'environnement sur site ou un autre cloud en tant que backend.
Les fichiers statiques tels que les images sont diffusés à partir de Cloud Storage. Ensuite, l'équilibreur de charge interne envoie la requête aux serveurs d'applications, puis à des bases de données.
Utilisez la base de données de documents Firestore pour les profils et les activités des utilisateurs.
Optez pour Cloud SQL pour les données relationnelles.
Pour protéger votre backend contre les attaques DDoS de couches 3 et 4, activez Cloud Armor avec un équilibreur de charge global.
Dans cet exemple, Compute Engine est utilisé comme backend, mais vous pouvez également déployer votre backend dans des conteneurs s'exécutant sur GKE, Cloud Run ou App Engine.
Pour faire évoluer votre infrastructure en utilisant Compute Engine, créez des groupes d'instances gérés, qui s'adaptent automatiquement aux augmentations de la charge. (App Engine et Cloud Run évoluent automatiquement en fonction de la charge.)

Pour en savoir plus sur cette solution d'hébergement Web, cliquez ici.

8. Configurer un pipeline CI/CD sur Google Cloud

L'intégration et la livraison continues (CI/CD) simplifient grandement le travail des développeurs et garantissent l'intégrité des déploiements. Vous pouvez configurer un pipeline CI/CD en toute simplicité avec Google Cloud :

Les développeurs écrivent le code et le transfèrent dans un dépôt Google Cloud Source Repositories, Bitbucket ou Git.
Dès que le code arrive dans le dépôt, Cloud Build entre en action : il exécute des tests et des analyses de sécurité, crée une image Docker, puis la transfère dans Spinnaker, une plate-forme Open Source de livraison continue multicloud. Vous pouvez aussi utiliser Jenkins ou Gitlab.
Ensuite, la plate-forme Spinnaker déploie le conteneur dans un cluster de production sur GKE, Cloud Run ou Compute Engine. Elle peut également déployer une application Canary pour s'assurer que les changements sont testés par rapport au trafic réel.
Le trafic utilisateur entrant atteint l'équilibreur de charge, puis est acheminé vers l'application Canary ou de production.
Si les résultats obtenus avec l'application Canary ne sont pas satisfaisants, vous pouvez automatiser un rollback rapide.

Pour en savoir plus sur la solution CI/CD, cliquez ici.

9. Créer des microservices sans serveur dans Google Cloud

Les microservices et les architectures sans serveur offrent des niveaux plus élevés d'évolutivité et de flexibilité, de même qu'un délai de lancement plus court, le tout à un coût réduit. Cloud Run est un bon moyen de créer une architecture de microservices sans serveur sur Google Cloud. Prenons l'exemple d'une application d'e-commerce :

Lorsqu'un utilisateur passe une commande, une interface située sur Cloud Run reçoit la requête et l'envoie à Pub/Sub, un service de messagerie asynchrone.
Les microservices suivants, également déployés sur Cloud Run, s'abonnent aux événements Pub/Sub.
Supposons que le service d'authentification appelle Firestore, une base de données de documents NoSQL sans serveur. Le service d'inventaire interroge la base de données dans le service de bases de données relationnelles entièrement géré Cloud SQL ou dans Firestore. Ensuite, le service de commande reçoit un événement Pub/Sub pour traiter la commande.
Les fichiers statiques sont stockés dans Cloud Storage, qui peut ensuite déclencher une fonction Cloud pour l'analyse des données en appelant les API de ML.
D'autres microservices tels que la recherche d'adresses peuvent être déployés sur Cloud Functions.
Tous les journaux sont stockés dans Cloud Logging.
BigQuery stocke toutes les données pour l'entreposage de données sans serveur.

Pour découvrir comment choisir une plate-forme sans serveur, consultez ce guide.

10. Mettre en œuvre le machine learning sur Google Cloud

Les entreprises génèrent constamment des données et peuvent utiliser les techniques de machine learning pour en tirer des insights. Voici la procédure à suivre pour mettre en œuvre le machine learning sur Google Cloud :

Tout d'abord, ingérez des données dans Cloud Storage ou BigQuery en utilisant Transfer Appliance ou le Service de transfert.
Ensuite, préparez et prétraitez les données avec BigQuery, Dataprep, Dataflow ou Dataproc.
Consultez AI Hub pour découvrir les pipelines et les contenus d'IA existants.
Lorsque vous êtes prêt, utilisez le service d'étiquetage de données AI Platform pour ajouter des étiquettes aux données.
Créez votre application de ML à l'aide des notebooks Jupyter gérés et d'une image Deep Learning VM Image.
Ensuite, utilisez les services AI Platform Training et AI Platform Prediction pour entraîner votre modèle et le déployer sur Google Cloud dans un environnement sans serveur, ou sur site à l'aide de Kubeflow.
Expliquez les résultats de votre modèle aux utilisateurs professionnels à l'aide d'Explainable AI, puis partagez-les avec d'autres personnes sur AI Hub.

Pour en savoir plus, consultez cette page sur le machine learning sur Google Cloud.

11. Utiliser le traitement sans serveur d'images, de vidéos ou de texte dans Google Cloud

La plupart des applications requièrent des opérations de traitement d'images, de vidéos ou de texte. Imaginons que, dans cettearchitecture, les utilisateurs d'un site de blogs génèrent des contenus sous forme de vidéos, d'images et de texte.

Les contenus créés par les utilisateurs à partir de l'interface sont stockés dans Cloud Storage, qui crée un événement Pub/Sub et déclenche une fonction Cloud.
Cloud Functions appelle alors l'API Vision, Video Intelligence ou NLP, selon le type de fichier importé par l'utilisateur.
La fonction Cloud reçoit une réponse JSON de l'API de ML correspondante, traite les résultats et les envoie dans BigQuery afin qu'ils soient analysés.
Vous pouvez créer des tableaux de bord personnalisés afin d'analyser les tendances à l'aide de Google Data Studio ou d'un autre outil de visualisation.

Pour en savoir plus, consultez la page consacrée à AI Platform.

12. Exploiter l'Internet des objets (IoT) sur Google Cloud

Si vous disposez d'un grand nombre d'appareils générant des données, vous pouvez utiliser des workflows IoT pour connecter, gérer et ingérer ces données facilement et de façon sécurisée afin de les utiliser pour des applications en aval. Voici un exemple de workflow IoT sur Google Cloud :

Un capteur envoie des données à un appareil de périphérie équipé d'une puce Edge TPU, qui exécute les modèles de ML en périphérie.
À ce même endroit, la couche logicielle Cloud IoT Edge vous permet d'exécuter les modèles de ML et fonctionne sur le système d'exploitation Android Things ou Linux.
Depuis l'appareil de périphérie, les données sont envoyées à Cloud IoT Core via MQTT ou HTTP(S), ce qui crée des événements dans Pub/Sub.
Pub/Sub déclenche alors Cloud Functions pour mettre à jour les configurations d'appareils.
Pour le stockage à long terme, Dataflow filtre et traite les données, puis les envoie à une base de données NoSQL Bigtable ou à BigQuery.
À partir de BigQuery, vous pouvez entraîner un modèle de machine learning à l'aide de BigQuery ML ou d'AI Platform.
Vous avez la possibilité de visualiser les données dans Data Studio ou un autre tableau de bord.

Pour en savoir plus, consultez la page sur Cloud IoT Core.

13. Configurer le modèle de sécurité zéro confiance BeyondCorp

BeyondCorp est le modèle de sécurité de Google basé sur des réseaux zéro confiance développés depuis huit ans au sein de Google, ainsi que sur les idées et bonnes pratiques apportées par la communauté. Prenons l'exemple d'une entreprise où un employé tente d'accéder à une application interne.

La requête est transmise à Cloud Load Balancing qui l'envoie à IAP (Identity-Aware Proxy).
IAP se connecte à l'inventaire des appareils pour vérifier si l'utilisateur est légitime, à Cloud Identity pour la gestion des points de terminaison, à Active Directory pour l'authentification, et à IAM (Identity and Access Management) et Access Context Manager pour l'accès contextuel basé sur des règles. Ces contrôles peuvent être configurés différemment pour un employé et un prestataire.
Si le contrôle est validé, l'utilisateur a accès au service. Dans le cas contraire, l'accès au service est refusé.
Si le backend se trouve sur site, le connecteur sur site IAP et Cloud Interconnect, ou Cloud VPN, se connectent directement au centre de données.

Pour en savoir plus, consultez la page consacrée à BeyondCorp.

Vous êtes maintenant incollable sur le sujet !

Nous espérons que ce tour d'horizon des architectures de référence Google Cloud les plus courantes vous a été utile. Testez vos nouvelles connaissances avec ces mots croisés. Y a-t-il d'autres points que vous aimeriez approfondir concernant les architectures Google Cloud ? N'hésitez pas à me faire part de vos commentaires en me contactant sur Twitter @pvergadia.