MongoDB Atlas : pourquoi des bases évolutives sont cruciales pour les applications d’IA

Une application d’IA convaincante ne dépend pas uniquement de la qualité de son modèle de langage. Elle doit aussi retrouver rapidement des documents, conserver les informations liées à ses utilisateurs, intégrer de nouvelles sources et absorber une hausse de trafic sans devenir instable. C’est sur cette couche moins visible, la base de données, que se joue une partie importante de la fiabilité du service.

À la date du 30 septembre 2024, MongoDB défend l’idée qu’une base de données évolutive est devenue un composant central des applications modernes. Son offre gérée MongoDB Atlas réunit des capacités opérationnelles, analytiques et destinées aux usages d’IA générative. L’objectif est de réduire le nombre de briques que les développeurs doivent assembler pour passer d’une idée à un produit utilisable.

Cette promesse ne signifie pas qu’une technologie de base de données suffit à créer une bonne IA. Un système utile doit aussi reposer sur des données de qualité, des droits d’accès bien définis, des évaluations rigoureuses et une expérience utilisateur claire. Mais sans une architecture capable de stocker, mettre à jour et interroger ces données efficacement, les modèles d’IA restent difficiles à transformer en applications concrètes.

Pourquoi l’IA met-elle les bases de données sous pression ?

Les applications classiques enregistrent souvent des éléments relativement prévisibles : une fiche client, un paiement, un stock ou une réservation. Les services enrichis par l’IA y ajoutent des sources hétérogènes : textes, extraits de documentation, conversations, métadonnées, historiques d’utilisation ou résultats produits par un modèle.

Ces données évoluent en permanence. Un assistant destiné au service client doit, par exemple, prendre en compte les dernières informations disponibles sur un produit. Un outil interne d’aide à la recherche doit pouvoir ingérer de nouveaux documents sans exiger une longue interruption de service. Une application qui rencontre du succès doit enfin continuer de répondre lorsque le volume de requêtes et d’utilisateurs progresse.

C’est ce que recouvre ici le terme d’évolutivité : la faculté d’adapter l’infrastructure à davantage de données, de requêtes ou d’usages. Elle concerne la capacité de stockage, la vitesse des recherches, la disponibilité du service et l’organisation du travail de développement.

Pour les entreprises, l’enjeu est également économique et opérationnel. Si chaque nouvelle fonctionnalité suppose de déplacer les données entre de nombreux systèmes, de convertir des formats ou de reconstruire l’architecture, le délai de mise sur le marché augmente. MongoDB propose donc de rapprocher les fonctions de gestion de données et les fonctions nécessaires aux applications d’IA.

MongoDB Atlas, une plateforme pensée pour réunir les usages

MongoDB Atlas est le service de base de données dans le cloud de MongoDB. L’entreprise le présente comme une plateforme qui associe la gestion de données opérationnelles, les capacités analytiques et des fonctions utiles aux applications génératives.

Dans les faits, une application a besoin d’une base opérationnelle pour enregistrer et modifier ses informations au fil de l’eau : le profil d’un utilisateur, une commande, une préférence ou l’état d’un dossier. Elle peut aussi avoir besoin d’analyser un ensemble plus vaste pour dégager des tendances. À ces usages se sont ajoutées les fonctions de recherche sémantique nécessaires à de nombreux assistants fondés sur de grands modèles de langage.

L’intérêt d’une plateforme intégrée est de limiter les échanges entre outils distincts. Une équipe peut conserver près des données de son application les contenus à rechercher et les représentations vectorielles qui leur sont associées. Cela ne dispense pas de concevoir soigneusement les flux de données, mais peut simplifier la maintenance du système.

MongoDB met également en avant des flux de données et de nouvelles capacités destinées à enrichir l’écosystème Atlas. Pour les développeurs, l’idée est de réduire le travail d’infrastructure afin de consacrer davantage de temps aux fonctionnalités visibles par les utilisateurs.

À quoi sert une base de données vectorielle ?

Les bases de données vectorielles sont devenues l’un des éléments les plus associés aux applications d’IA générative. Leur principe peut sembler abstrait, mais il répond à un besoin très concret : retrouver un contenu non seulement à partir de mots identiques, mais aussi à partir de sa proximité de sens.

Un texte, une image ou un autre contenu peut être transformé par un modèle en une longue liste de nombres appelée vecteur, ou représentation numérique. Des contenus jugés similaires par le modèle occupent alors des positions proches dans cet espace mathématique. Une recherche vectorielle consiste à retrouver les vecteurs les plus proches de celui correspondant à la requête de l’utilisateur.

Prenons une personne qui cherche des informations sur « la résiliation d’un abonnement ». Une recherche traditionnelle s’appuie surtout sur les mots saisis. Une recherche vectorielle peut aussi faire remonter un document formulé avec les termes « mettre fin à mon contrat », si les deux demandes sont représentées comme proches par le modèle.

Dans MongoDB Atlas, cette fonction est proposée sous le nom de Vector Search. Elle donne la possibilité de stocker et d’interroger des vecteurs au sein de l’environnement Atlas. Cette approche est particulièrement pertinente pour la génération augmentée par récupération, souvent désignée par l’acronyme RAG : avant de rédiger une réponse, le modèle reçoit des extraits retrouvés dans une base documentaire.

Ce que la recherche vectorielle apporte, et ce qu’elle ne règle pas

La recherche par vecteurs peut rendre un assistant plus pertinent lorsqu’il doit s’appuyer sur les documents propres à une organisation. Elle ne garantit toutefois pas qu’une réponse sera exacte. Si les documents sont incomplets, périmés, mal découpés ou accessibles à des personnes qui ne devraient pas les consulter, l’application conservera ces défauts.

Les équipes doivent donc organiser l’indexation des contenus, contrôler les droits d’accès, mettre à jour les documents et tester les résultats. Le choix du modèle qui produit les vecteurs a aussi une importance : il influence la manière dont la machine perçoit la similarité entre deux contenus.

Le modèle documentaire face aux données changeantes

MongoDB repose sur un modèle de données dit documentaire. Au lieu de représenter exclusivement les informations sous la forme de tables reliées entre elles, il les regroupe dans des documents pouvant contenir des champs, des listes et des objets imbriqués.

Cette organisation est adaptée aux informations semi-structurées, c’est-à-dire à des données qui ne possèdent pas toujours exactement les mêmes champs. Elle peut, par exemple, permettre à une application d’ajouter à une fiche produit des attributs propres à une catégorie sans modifier une structure rigide pour l’ensemble du catalogue.

La souplesse ne signifie pas l’absence de règles. Une application doit toujours définir les informations attendues, vérifier leur cohérence et protéger les données sensibles. Un modèle documentaire peut néanmoins être pratique lorsque les besoins changent vite, ce qui est fréquent dans les projets d’IA où les prototypes évoluent au contact des utilisateurs.

L’exemple d’ExTrac est cité pour illustrer un besoin d’identification rapide et précise des informations. Plus largement, ce type de cas d’usage souligne l’importance du modèle de données et de l’indexation : la vitesse d’une recherche ne dépend pas seulement de la puissance de calcul, mais aussi de la façon dont les informations sont structurées.

Des outils pour développer et migrer plus vite

MongoDB ne limite pas son positionnement à la base de données elle-même. L’entreprise évoque un kit d’outils d’IA destiné à assister les développeurs dans la création et le déploiement d’applications alimentées par l’intelligence artificielle. L’ambition affichée est de faciliter l’intégration de ces fonctions dans des produits existants ou nouveaux.

L’IA générative peut notamment aider les équipes à produire du contenu, à concevoir des interfaces ou à personnaliser certaines interactions. Dans le développement logiciel, elle peut aussi accompagner l’écriture, la compréhension ou la transformation de code. Ces usages demandent cependant une validation humaine, particulièrement lorsqu’ils touchent à des données métier, à des systèmes critiques ou à des décisions ayant un effet sur les utilisateurs.

MongoDB cite également Relational Migrator, un outil conçu pour faciliter la migration de bases relationnelles vers MongoDB. La migration est un moment délicat : il faut convertir les structures de données, adapter le code de l’application, tester les performances et éviter la perte ou l’altération d’informations.

Des fonctions fondées sur l’IA générative peuvent accélérer certaines étapes de cette modernisation, mais elles ne remplacent pas l’expertise des équipes. Une entreprise doit déterminer si son modèle de données, ses contraintes réglementaires, ses traitements existants et ses objectifs de performance justifient réellement le changement.

Une architecture d’IA doit aussi être sécurisée

La montée en puissance de l’IA ne réduit pas les exigences habituelles de cybersécurité, elle les rend souvent plus visibles. Une application qui connecte un modèle de langage à une base de connaissances peut exposer des informations confidentielles si les permissions sont mal configurées. Elle peut aussi être confrontée à des instructions malveillantes cachées dans les contenus consultés par le modèle.

Les entreprises doivent par conséquent traiter la sécurité comme une dimension du projet dès la conception. Parmi les questions à examiner figurent : qui peut consulter quels documents, quelles données sont envoyées à un modèle externe, comment sont journalisés les accès, et comment les équipes vérifient-elles les réponses produites ?

Les échanges autour de la résilience en cybersécurité, notamment lors de mWISE 2024, rappellent que les stratégies de défense doivent évoluer avec les menaces. L’IA peut soutenir certains travaux de détection et d’analyse, mais son intégration dans les systèmes d’information doit s’accompagner de contrôles techniques et organisationnels robustes.

Ce qu’il faut surveiller pour les applications alimentées par l’IA

La recherche vectorielle, les modèles de langage et les bases documentaires font partie des briques qui accélèrent la création de nouveaux services. MongoDB cherche à occuper cette place en proposant, avec Atlas, une plateforme où données opérationnelles, recherche et outils d’IA peuvent être rapprochés.

Pour les organisations, le critère déterminant ne sera pas seulement la présence d’une fonction d’IA dans leur infrastructure. Elles devront vérifier si cette infrastructure répond à leurs besoins réels : diversité et volume des données, vitesse de réponse, coût de fonctionnement, compétences disponibles, portabilité, exigences de sécurité et cadre de gouvernance.

La valeur d’une application ne vient pas non plus du seul emploi d’un grand modèle de langage. Elle dépend de sa capacité à restituer la bonne information, au bon utilisateur, au bon moment, tout en protégeant les données qu’elle manipule. C’est précisément sur ce terrain, celui de données fiables, accessibles et adaptables, que les bases de données évolutives prennent une importance grandissante.