Au cœur de l'architecture : Comment sont structurées les applications d'IA ?

Hernandez Kenny | BTS SIO - Option SLAM | Date : 05/10/2025

#VeilleTechnologique #MLOps #Architecture

1. Introduction

L'Intelligence Artificielle (IA) change radicalement la structure de nos applications. Pour un développeur SLAM, ce n'est pas un concept abstrait : nous passons d'un code basé sur des règles (if/else) à une logique basée sur des "modèles" entraînés à partir de données.

Cet article s'attaque à une question d'architecture logicielle : comment sont bâties les applications modernes de Deep Learning ?

                    On peut distinguer deux différentes parties dans ce type d’architecture logicielle :
                    L'Usine d'Entraînement : La partie "Développement", où l'on programme et entraîne le modèle.
L'API d'Inférence : La partie "Production", où le modèle est utilisé pour faire des prédictions en temps réel.

                

2. Démarche de veille

Pour analyser cette architecture, j'ai mis en place une veille ciblée sur les outils et méthodes de développement.

Outils : Feedly (Flux RSS Google AI, NVIDIA, Microsoft) et daily.dev.
Critères : Sources de moins de 18 mois, documentation technique (TensorFlow, FastAPI) et Retours d'Expérience (REX).

3. Analyse des tendances

Tendance 1 : L'Usine d'Entraînement

C'est une chaîne de montage logicielle (pipeline) qui assemble plusieurs composants : préparation des données (Python, OpenCV), programmation du modèle (TensorFlow, PyTorch, architecture U-Net pour le médical) et suivi des essais (MLflow).

Tendance 2 : L'API d'Inférence

Le modèle entraîné (fichier .h5) est encapsulé dans un microservice web. Le développeur utilise un micro-framework (FastAPI, Flask) pour exposer un endpoint REST. L'application métier est ainsi découplée de la complexité de l'IA.

Tendance 3 : Le MLOps

La fusion des structures via une pipeline CI/CD. Un développeur pousse du code, l'entraînement se lance automatiquement, et si validé, l'API est déployée.

                    Impact SLAM : Python devient le langage "full-stack". Les compétences en API REST deviennent le pont indispensable entre la Data Science et les applications métier.
                

4. Applications pratiques

Exemple : Framework MONAI de NVIDIA. Utilisé pour construire des pipelines d'entraînement en imagerie médicale.

Cas pratique : Triage de biopsies.

Structure 1 (Usine) : Création du fichier biopsy_model.v1.h5.
Structure 2 (API) : API REST avec FastAPI exposant POST /triage.
Résultat : Le logiciel du labo consomme un JSON sans connaître la complexité interne.

5. Analyse critique

Limites : Complexité de maintenance, vieillissement du modèle (Data Drift) nécessitant un monitoring, et sécurité des API face aux attaques adverses.

Marché : Opposition entre solutions propriétaires "boîte noire" (Siemens, Philips) et frameworks Open-Source (MONAI, PyTorch) qui demandent plus d'expertise mais offrent plus de contrôle.

6. Conclusion

Programmer une IA, c'est concevoir une architecture en deux parties reliées par le MLOps. Pour le développeur SLAM, notre rôle grandit : nous devenons les architectes de ces API robustes.

La prochaine étape sera la multimodalité : des API acceptant images, textes et données génomiques simultanément.