Ressources
Le glossaire de la tech : le vocabulaire expliqué par des recruteurs.
IA, data, dev, cloud, défense, industrie : 191 termes expliqués simplement, avec ce qu'il faut vérifier quand on recrute.
191 termes
A/B Testing
Méthode= deux versions, les chiffres tranchent
L'A/B testing est une méthode d'expérimentation qui consiste à montrer deux versions d'un même élément (page, fonctionnalité, email, prix) à deux groupes d'utilisateurs tirés au hasard, puis à comparer laquelle atteint le mieux un objectif mesuré, comme le taux de conversion ou la rétention.
Le principe est simple, la rigueur l'est moins. Il faut définir l'indicateur avant de lancer le test, calculer la taille d'échantillon nécessaire et attendre d'avoir assez de données pour que l'écart observé soit statistiquement significatif, et pas dû au hasard. Arrêter un test dès qu'il « a l'air de gagner » est l'erreur la plus courante.
Techniquement, les tests s'appuient souvent sur des feature flags pour afficher une variante ou l'autre. Des outils comme Optimizely, GrowthBook ou Statsig gèrent la répartition et l'analyse. C'est un outil central des équipes produit et growth.
Adresse IP
Terme= l'adresse postale d'une machine sur le réseau
Une adresse IP (Internet Protocol) est l'identifiant numérique qui permet à un appareil d'envoyer et de recevoir des données sur un réseau utilisant le protocole IP, à commencer par internet. Sans elle, un paquet de données ne saurait pas où aller.
Il en existe deux versions. L'IPv4 s'écrit en quatre nombres séparés par des points (192.168.1.10) et ne permet qu'environ 4,3 milliards d'adresses, un stock épuisé depuis longtemps. L'IPv6, beaucoup plus longue, offre un espace quasi illimité et se déploie progressivement.
Une adresse n'est pas toujours unique ni fixe : les réseaux d'entreprise et les box utilisent des adresses privées, partagées derrière une seule adresse publique (NAT), et beaucoup d'adresses sont attribuées dynamiquement (DHCP). On croise la notion partout : configuration réseau, cloud, pare-feu, cybersécurité, géolocalisation approximative d'un visiteur.
Agent IA
TechnoProblématique= l'IA qui agit, pas seulement qui répond
Un agent IA est un programme qui s'appuie sur un modèle de langage (LLM) pour atteindre un objectif en plusieurs étapes : il décide des actions à mener, utilise des outils (recherche, exécution de code, appels d'API, lecture et écriture de fichiers), observe le résultat et ajuste la suite, avec plus ou moins de supervision humaine.
La différence avec un chatbot : un chatbot répond à une question, un agent enchaîne des actions pour accomplir une tâche. Un agent de code peut par exemple lire un dépôt, modifier des fichiers, lancer les tests et corriger ses erreurs. Le protocole ouvert MCP (Model Context Protocol) sert à brancher des outils et des sources de données sur ces agents de façon standard.
Construire un agent fiable est difficile : il faut limiter ses droits, prévoir des garde-fous, mesurer la qualité de ses résultats et gérer les coûts et la latence de nombreux appels au modèle.
Agilité
Méthode= avancer par petits pas vérifiés
L'agilité est une approche de gestion de projet, née dans le logiciel, qui consiste à livrer par cycles courts, à recueillir des retours réguliers et à ajuster le plan en continu plutôt que de tout figer au départ. Elle s'oppose au modèle « en cascade », où l'on spécifie, développe puis teste en grandes phases successives.
Le texte fondateur est le Manifeste Agile, signé en 2001 par 17 praticiens du développement logiciel. Il pose quatre valeurs, dont la priorité donnée aux individus et interactions, au logiciel qui fonctionne et à l'adaptation au changement.
Concrètement, l'agilité se décline en cadres : Scrum (sprints de une à quatre semaines, rôles définis), Kanban (flux continu, limitation du travail en cours), Extreme Programming (pratiques d'ingénierie comme le TDD), ou des cadres à l'échelle comme SAFe. Le mot est aujourd'hui utilisé bien au-delà de la tech, parfois de façon très diluée.
AI / IA
TechnoProblématique= la machine qui imite le raisonnement
L'intelligence artificielle (IA, ou AI en anglais) désigne l'ensemble des techniques qui permettent à une machine de réaliser des tâches associées à l'intelligence humaine : reconnaître une image, comprendre un texte, prendre une décision, générer du contenu. Le terme a été proposé par John McCarthy pour la conférence de Dartmouth de 1956.
Pendant des décennies, l'IA a surtout reposé sur des règles écrites à la main (systèmes experts). Depuis les années 2010, elle repose majoritairement sur l'apprentissage automatique (machine learning) : le modèle apprend à partir d'exemples plutôt que de règles. Le deep learning, puis les architectures Transformer, ont ouvert la voie aux grands modèles de langage (LLM) et à l'IA générative.
On distingue aujourd'hui l'IA « prédictive » (scoring, détection d'anomalies, vision) et l'IA « générative » (texte, code, image). Les deux cohabitent dans l'industrie, la santé, la défense, la finance comme dans les logiciels du quotidien.
AI Act
TermeProblématique= le code de la route de l'IA
L'AI Act est le règlement de l'Union européenne sur l'intelligence artificielle, adopté en 2024, qui encadre la mise sur le marché et l'usage des systèmes d'IA selon le niveau de risque qu'ils présentent. Il s'applique à toute organisation qui fournit ou utilise un système d'IA dans l'UE, quel que soit son pays d'origine.
Il distingue plusieurs niveaux :
- pratiques interdites, comme la notation sociale ou certaines manipulations ;
- systèmes à haut risque (recrutement, éducation, crédit, infrastructures critiques, etc.), soumis à des obligations de documentation, de contrôle humain et de qualité des données ;
- risque limité, avec des obligations de transparence (indiquer qu'on parle à une IA, signaler les contenus générés) ;
- risque minimal, sans obligation particulière.Les modèles d'IA à usage général, comme les LLM, ont leurs propres obligations. L'entrée en application est échelonnée sur plusieurs années, et les sanctions peuvent être calculées en pourcentage du chiffre d'affaires mondial.
AI Engineer
Métier= le développeur qui branche l'IA
L'AI Engineer est l'ingénieur qui construit des produits et des fonctionnalités à partir de modèles d'IA existants, en particulier les grands modèles de langage (LLM), et les met en production de façon fiable. Il n'entraîne généralement pas les modèles : il les assemble, les connecte aux données de l'entreprise et mesure leur qualité.
Son travail couvre le RAG (connecter un modèle à une base documentaire), le prompt engineering, la conception d'agents et d'appels d'outils, l'évaluation automatique des réponses, l'observabilité, la maîtrise des coûts et de la latence. Il utilise surtout Python ou TypeScript, les API des fournisseurs de modèles (Anthropic, OpenAI, Mistral…) ou des modèles open weights, et des bases vectorielles.
Le profil est souvent issu du développement back-end ou full-stack plutôt que de la recherche.
Airflow
OutilTechno= le chef d'orchestre des pipelines data
Apache Airflow est une plateforme open source d'orchestration qui sert à planifier, exécuter et surveiller des enchaînements de tâches de données, appelés pipelines. Il a été créé chez Airbnb en 2014, puis confié à la fondation Apache.
Les pipelines sont décrits en Python sous forme de DAG (Directed Acyclic Graph) : un graphe de tâches avec leurs dépendances (extraire des données, les transformer, entraîner un modèle, produire un rapport). Airflow lance chaque tâche au bon moment, dans le bon ordre, relance celles qui échouent et offre une interface pour suivre l'ensemble.
C'est un outil de référence du data engineering, souvent associé à dbt pour les transformations et à un entrepôt comme Snowflake ou BigQuery. Il a des concurrents (Dagster, Prefect) et existe en version managée chez les grands fournisseurs cloud.
Angular
FrameworkTechno= la boîte à outils complète du front
Angular est un framework front-end open source, maintenu par Google, qui sert à construire des applications web riches, notamment des applications monopages (SPA) où l'interface se met à jour sans recharger la page. Il s'écrit en TypeScript.
Angular est une réécriture complète d'AngularJS, son prédécesseur en JavaScript, qui n'est plus maintenu. Les deux sont incompatibles : migrer de l'un à l'autre revient presque à réécrire l'application.
Sa particularité est d'être « tout compris » : composants, routage, formulaires, appels HTTP, injection de dépendances et outils de test sont fournis et structurés par le framework. Là où React laisse beaucoup de choix, Angular impose une organisation. C'est ce qui explique sa présence forte dans les grands comptes, la banque, l'assurance et les applications métier internes, où l'homogénéité du code sur de grosses équipes compte plus que la liberté.
API
TermeProblématique= la prise électrique entre deux logiciels
Une API (Application Programming Interface) est un ensemble de règles qui permet à un logiciel de demander des données ou des actions à un autre logiciel, sans connaître son fonctionnement interne. Elle définit ce qu'on peut demander, sous quelle forme, et ce qu'on reçoit en retour.
Exemple : quand une application météo affiche la température, elle interroge l'API d'un fournisseur de données. Quand un site accepte un paiement, il appelle l'API d'un prestataire comme Stripe. L'application n'a pas besoin de savoir comment ces services sont construits.
Sur le web, la plupart des API passent par HTTP. Les styles les plus courants sont REST (des ressources accessibles par des URL), GraphQL (le client demande exactement les champs voulus) et gRPC (rapide, plutôt entre services internes). Une API peut être interne à une entreprise, ouverte à des partenaires ou publique, gratuite ou payante. Elle devient alors un produit à part entière, avec sa documentation, son versioning et ses quotas.
Architecture SOA
TermeMéthode= le système découpé en services réutilisables
L'architecture orientée services (SOA, Service-Oriented Architecture) est une façon d'organiser un système d'information en services autonomes, chacun rendant une fonction métier (facturer, vérifier un client, calculer un tarif) et communiquant avec les autres via des interfaces standardisées sur le réseau.
L'idée est de réutiliser : un même service « client » sert le site web, le centre d'appels et la comptabilité, au lieu que chaque application recode sa propre version. Dans sa forme classique, des années 2000, la SOA s'appuie souvent sur un bus de services (ESB) qui route et transforme les messages, et sur des protocoles comme SOAP.
On la croise surtout dans les grands systèmes d'information : banques, assurances, opérateurs, administrations. Les microservices en sont une évolution : services plus petits, déployés indépendamment, sans bus central lourd. Beaucoup de projets de modernisation consistent justement à faire évoluer une SOA vieillissante.
Architecture web
TermeProblématique= le plan de construction d'une application web
L'architecture web est l'organisation d'une application web en briques (interface, serveur, base de données, services externes) et la façon dont ces briques communiquent entre elles. Elle se décide tôt, car elle conditionne la performance, la sécurité, le coût d'hébergement et la facilité à faire évoluer le produit.
Le schéma de base reste le même : un front-end dans le navigateur ou sur mobile, qui appelle un back-end via des API, lequel lit et écrit dans une ou plusieurs bases de données. Autour viennent s'ajouter un cache, une file de messages, un CDN, des services d'authentification ou de paiement.
Les choix structurants portent sur le découpage (monolithe ou microservices), le rendu (côté serveur ou côté client), l'hébergement (serveurs, conteneurs, serverless) et la gestion de la montée en charge. Il n'existe pas de bonne architecture dans l'absolu : une start-up qui cherche son marché n'a pas les mêmes besoins qu'une plateforme à des millions d'utilisateurs.
Astro
FrameworkTechno= le site rapide sans JavaScript superflu
Astro est un framework web open source pensé pour les sites riches en contenu (sites vitrines, blogs, documentation, e-commerce), qui génère par défaut des pages HTML sans envoyer de JavaScript au navigateur, pour des pages très rapides à charger.
Son principe clé est l'architecture en îlots (islands) : la page est statique, et seuls les composants qui ont besoin d'interactivité (un carrousel, un formulaire, un panier) chargent leur JavaScript, indépendamment les uns des autres. Ces îlots peuvent être écrits avec React, Vue, Svelte ou d'autres bibliothèques, dans le même projet.
Astro peut produire un site entièrement statique ou rendre des pages côté serveur. Il est souvent choisi pour des sites marketing où la performance et le référencement comptent plus que l'interactivité d'une application complète.
ATS
Outil= le tableau de bord du recrutement
Un ATS (Applicant Tracking System, ou logiciel de suivi des candidatures) est l'outil qui centralise un processus de recrutement : publication des offres, réception et tri des candidatures, suivi de chaque candidat étape par étape, échanges avec les managers et reporting.
Concrètement, chaque poste ouvert devient un pipeline en colonnes (candidature, entretien RH, test technique, entretien final, offre). L'ATS garde l'historique des échanges, planifie les entretiens, envoie les réponses et extrait les informations des CV (parsing). Beaucoup proposent désormais des fonctions de matching ou de rédaction assistées par IA.
On distingue les ATS pour entreprises, pensés pour les équipes RH internes et souvent couplés à une page carrière (Greenhouse, Lever, Teamtailor, Workday), et les outils pour cabinets de recrutement, qui ajoutent une couche CRM pour gérer les clients et les missions. Le choix dépend du volume de recrutements et du nombre de personnes impliquées.
Back-end
Terme= la salle des machines de l'application
Le back-end est la partie d'une application qui tourne sur les serveurs, invisible pour l'utilisateur : il reçoit les demandes de l'interface, applique les règles métier, lit et écrit dans les bases de données et renvoie les résultats. Il s'oppose au front-end, la partie affichée dans le navigateur ou l'application mobile.
Quand vous validez un panier en ligne, c'est le back-end qui vérifie le stock, calcule le prix, appelle le service de paiement, enregistre la commande et déclenche l'e-mail de confirmation.
Le développement back-end couvre la conception d'API, la modélisation des données, la sécurité, la performance et l'intégration avec d'autres systèmes. Les langages courants sont Java, Python, Go, PHP, Ruby, C# ou JavaScript et TypeScript via Node.js. Les frameworks associés (Spring, Django, Symfony, Laravel, Rails) structurent ce travail.
BDD / Base de données / Database
TechnoTerme= la mémoire organisée de l'application
Une base de données (BDD) est un ensemble d'informations stockées de façon structurée pour être retrouvées, modifiées et protégées efficacement, géré par un logiciel appelé SGBD (système de gestion de base de données). Les clients d'une boutique en ligne, leurs commandes et le catalogue produits vivent dans une base de données.
On l'interroge par des requêtes. Les bases relationnelles rangent les données en tables liées entre elles et s'interrogent en SQL : PostgreSQL, MySQL, SQLite, Oracle, SQL Server. Elles garantissent la cohérence des transactions, essentielle pour la finance ou la logistique.
Les bases NoSQL abandonnent le modèle en tables pour d'autres formes : documents (MongoDB), clé-valeur (Redis), colonnes larges (Cassandra), graphes (Neo4j). Elles servent des besoins précis comme un cache ultra-rapide ou des volumes très distribués. S'y ajoutent les entrepôts de données analytiques (Snowflake, BigQuery) et les bases vectorielles utilisées par l'IA.
Blockchain
TechnoProblématique= le registre partagé infalsifiable
Une blockchain est un registre de transactions partagé entre de nombreux ordinateurs, où les données sont regroupées en blocs chaînés entre eux par cryptographie, ce qui rend toute modification a posteriori extrêmement difficile. Aucune autorité centrale ne tient le registre : ce sont les participants du réseau qui valident les ajouts.
La validation repose sur un mécanisme de consensus. La preuve de travail (Bitcoin) fait résoudre des calculs coûteux en énergie ; la preuve d'enjeu (Ethereum depuis 2022) s'appuie sur des participants qui immobilisent des jetons en garantie.
Le premier usage est Bitcoin, lancé en 2009. Ethereum a ajouté les smart contracts, des programmes exécutés sur la blockchain, qui ont permis la DeFi, les NFT et les DAO. Il existe aussi des blockchains privées, entre partenaires identifiés, pour la traçabilité ou les échanges interbancaires. Les principaux défis restent le coût, la vitesse (d'où les solutions de « layer 2 ») et la réglementation.
Bun
TechnoOutil= le Node.js tout-en-un pressé
Bun est un environnement d'exécution JavaScript et TypeScript qui regroupe dans un seul binaire un runtime, un gestionnaire de paquets compatible npm, un bundler et un lanceur de tests.
Il est écrit en Zig et s'appuie sur JavaScriptCore, le moteur JavaScript de Safari, là où Node.js et Deno utilisent V8. Créé par Jarred Sumner, il est sorti en version 1.0 en septembre 2023.
Son argument principal est la vitesse : démarrage rapide, installation des dépendances très courte, exécution directe des fichiers TypeScript sans étape de compilation. Il vise la compatibilité avec les API de Node.js, ce qui permet de faire tourner une grande partie du code existant sans le réécrire.
On le croise surtout dans l'outillage de développement (scripts, tests, installation de paquets) et dans des services back-end récents, plus rarement comme runtime de production principal d'une application ancienne.
Chaos Engineering
MéthodeProblématique= la panne provoquée exprès
Le chaos engineering est une discipline qui consiste à injecter volontairement des pannes dans un système (serveur coupé, réseau ralenti, dépendance indisponible) pour vérifier qu'il résiste comme prévu, avant qu'un vrai incident ne le révèle.
La démarche est expérimentale : on formule une hypothèse (« si une zone cloud tombe, le service reste disponible »), on lance l'expérience sur un périmètre limité, on mesure avec l'observabilité, puis on corrige ce qui a cédé. Les expériences se font d'abord en préproduction, puis en production quand l'équipe est en confiance.
La pratique a été popularisée par Netflix et son outil Chaos Monkey, qui arrêtait au hasard des instances de production. Des outils comme Gremlin, Chaos Mesh, LitmusChaos ou AWS Fault Injection Service l'ont rendue plus accessible.
On la retrouve surtout dans les équipes SRE de services à forte disponibilité : paiement, plateformes grand public, infrastructures critiques.
CI / CD
MéthodeProblématique= la chaîne de montage automatique du code
La CI/CD (Continuous Integration / Continuous Delivery ou Deployment) est l'automatisation du chemin qui mène une modification de code jusqu'à la production : chaque changement est automatiquement compilé, testé, puis préparé ou déployé sans manipulation manuelle.
L'intégration continue (CI) consiste à fusionner très souvent le travail des développeurs dans le code commun ; à chaque fusion, une batterie de tests automatiques vérifie que rien n'est cassé. La livraison continue (CD) garantit que le code validé est toujours prêt à partir en production en un clic. Le déploiement continu va plus loin : il part en production automatiquement si tous les tests passent.
Ces étapes s'enchaînent dans un pipeline, configuré dans des outils comme GitHub Actions, GitLab CI, Jenkins ou CircleCI. Le bénéfice : des mises en production fréquentes, petites et moins risquées, au lieu de grosses livraisons trimestrielles stressantes.
Claude
Techno= l'assistant IA d'Anthropic
Claude est la famille de grands modèles de langage (LLM) développée par Anthropic, entreprise américaine fondée en 2021 par d'anciens membres d'OpenAI et centrée sur la sécurité de l'IA.
Les modèles sont déclinés en plusieurs gammes, du plus rapide et économique au plus puissant (Haiku, Sonnet, Opus). Ils sont réputés pour l'écriture de code, l'analyse de longs documents et l'usage d'outils dans des agents. Leur entraînement s'appuie notamment sur la Constitutional AI, une méthode où le modèle apprend à respecter une liste de principes explicites.
Claude est accessible via l'application claude.ai, l'API d'Anthropic et les grands clouds (AWS Bedrock, Google Cloud Vertex AI). Anthropic propose aussi Claude Code, un outil qui permet de confier des tâches de développement à Claude directement dans le terminal ou l'éditeur.
Anthropic est aussi à l'origine du MCP (Model Context Protocol), un standard ouvert pour connecter les modèles à des outils et des données.
Cloud Act
TermeProblématique= la loi américaine qui suit les données
Le Cloud Act (Clarifying Lawful Overseas Use of Data Act) est une loi américaine adoptée en 2018 qui permet aux autorités des États-Unis d'exiger d'un fournisseur soumis au droit américain l'accès à des données qu'il contrôle, y compris lorsqu'elles sont stockées hors des États-Unis.
Le critère n'est donc pas l'endroit où se trouve le serveur, mais la nationalité ou le rattachement juridique de l'entreprise qui opère le service. Héberger ses données dans un datacenter situé en France chez un fournisseur américain ne suffit pas à les soustraire à cette loi. Le texte prévoit des voies de contestation et des accords bilatéraux entre États.
Le Cloud Act est au cœur du débat européen sur la souveraineté numérique. Il est souvent mis en regard du RGPD et a motivé l'ajout, dans le référentiel SecNumCloud, de critères d'immunité au droit extra-européen.
Cloud computing
TermeTechno= l'informatique louée à la demande
Le cloud computing est la mise à disposition de ressources informatiques (serveurs, stockage, bases de données, logiciels) à la demande, via Internet, facturées à l'usage plutôt qu'achetées et installées sur place.
Au lieu d'acheter des machines et de les héberger, une entreprise loue de la capacité chez un fournisseur et l'ajuste selon ses besoins. On distingue trois grands niveaux : l'IaaS (infrastructure brute), le PaaS (une plateforme pour déployer son code) et le SaaS (un logiciel prêt à l'emploi). Le cloud peut être public, privé ou hybride.
Le cloud a rendu possible la création rapide de produits numériques sans investissement matériel initial. Il pose en contrepartie des questions de coût sur la durée, de dépendance à un fournisseur et de localisation des données, d'où l'essor du FinOps et des offres de cloud souverain.
Cloud souverain / SecNumCloud
TermeProblématique= le cloud à l'abri des lois étrangères
Le cloud souverain désigne une offre de cloud dont les données et l'exploitation restent sous juridiction européenne, à l'abri des lois extraterritoriales. SecNumCloud est la qualification délivrée par l'ANSSI, l'agence française de cybersécurité, qui en fixe les exigences les plus strictes en France.
Le référentiel SecNumCloud impose des règles de sécurité techniques et organisationnelles, et ses versions récentes ajoutent des critères d'immunité au droit extra-européen : localisation des données, contrôle capitalistique, personnel habilité à intervenir. Obtenir la qualification demande un audit long et exigeant.
En France, le recours à une offre qualifiée est attendu pour certaines données sensibles de l'administration et des opérateurs d'importance vitale. Le sujet concerne aussi la santé, la défense et l'industrie. Des offres hybrides associent des technologies d'hyperscalers à un opérateur européen pour viser cette qualification.
Compute
Terme= la puissance de calcul disponible
Le compute désigne la puissance de calcul mobilisée pour faire tourner des logiciels, et en IA plus précisément les ressources (GPU, accélérateurs, serveurs) nécessaires pour entraîner et servir des modèles.
Le mot est passé du jargon d'ingénieur au vocabulaire des dirigeants avec l'essor des grands modèles de langage. Les capacités d'un modèle progressent en grande partie avec la quantité de compute investie à l'entraînement, ce qui en fait un poste de dépense et un enjeu stratégique. On parle d'« accès au compute » comme on parlerait d'accès au capital.
Concrètement, le compute s'achète (serveurs et datacenters en propre) ou se loue (cloud, fournisseurs spécialisés en GPU). Les entreprises d'IA arbitrent sans cesse entre compute d'entraînement, pour créer ou adapter un modèle, et compute d'inférence, pour le servir aux utilisateurs.
Container / Conteneur
TermeTechno= l'application livrée dans sa valise
Un conteneur est un paquet logiciel qui contient une application avec tout ce dont elle a besoin pour tourner (bibliothèques, dépendances, configuration), et qui s'exécute de façon isolée sur n'importe quelle machine disposant d'un moteur de conteneurs. Il règle le classique « ça marche sur ma machine, pas en production ».
Contrairement à une machine virtuelle, qui embarque un système d'exploitation complet, un conteneur partage le noyau du système hôte. Il est donc beaucoup plus léger et démarre en quelques secondes, ce qui permet d'en faire tourner des dizaines sur un même serveur.
Docker a popularisé le format à partir de 2013 ; le standard est aujourd'hui ouvert (OCI). Quand on gère des centaines de conteneurs, on utilise un orchestrateur comme Kubernetes, qui les répartit sur les serveurs, les redémarre en cas de panne et ajuste leur nombre selon la charge. Les conteneurs sont devenus la façon standard de déployer des applications dans le cloud.
Context Window
TermeProblématique= la mémoire de travail du modèle
La context window (fenêtre de contexte) est la quantité maximale de texte qu'un modèle de langage peut traiter en une seule fois, mesurée en tokens : consignes, historique de conversation, documents fournis et réponse générée compris.
Tout ce qui dépasse cette limite est ignoré ou doit être résumé, découpé ou retrouvé à la demande. Les fenêtres ont fortement grandi : certains modèles dépassent le million de tokens, de quoi y faire tenir plusieurs livres ou une base de code entière.
Une grande fenêtre ne règle pas tout. Plus on charge le contexte, plus chaque appel coûte cher et prend du temps, et les modèles exploitent souvent moins bien les informations placées au milieu d'un long texte (effet lost in the middle). D'où l'intérêt du RAG et de la gestion fine du contexte : ne donner au modèle que ce qui est utile.
Le sujet est central pour les agents IA, qui accumulent vite des résultats d'outils et doivent trier ce qu'ils gardent en mémoire.
Copilot
OutilTerme= l'IA qui suggère, l'humain qui valide
Un copilot (copilote) est un assistant fondé sur l'IA, intégré à un logiciel, qui propose en temps réel du code, du texte ou des actions que l'utilisateur accepte, modifie ou rejette.
Le terme vient de GitHub Copilot, lancé en 2021 par GitHub (filiale de Microsoft) avec OpenAI : il complète le code directement dans l'éditeur. Microsoft a ensuite étendu la marque Copilot à ses autres produits, de Windows à la suite Microsoft 365. Le mot est devenu générique pour désigner tout assistant de ce type.
Dans le développement, l'offre est large : GitHub Copilot, Cursor, JetBrains AI Assistant, Claude Code, Windsurf, Tabnine… La frontière avec les agents se brouille : ces outils ne se contentent plus de compléter une ligne, ils peuvent modifier plusieurs fichiers ou lancer des commandes.
La distinction reste utile : un copilote propose et l'humain valide chaque étape, un agent enchaîne seul plusieurs actions vers un objectif.
CRM
Outil= la mémoire de la relation client
Un CRM (Customer Relationship Management, ou gestion de la relation client) est le logiciel où une entreprise centralise tout ce qui concerne ses clients et prospects : coordonnées, historique des échanges, opportunités commerciales en cours, contrats, tickets de support.
Pour une équipe commerciale, c'est l'outil de travail quotidien : chaque affaire avance dans un pipeline (premier contact, rendez-vous, proposition, signature), ce qui permet de prévoir le chiffre d'affaires et de ne pas oublier de relance. Pour le marketing, il sert à segmenter et à mesurer les campagnes. Pour le support, il donne le contexte d'un client en un coup d'œil.
Les plus connus sont Salesforce, HubSpot, Pipedrive ou Microsoft Dynamics. Dans une entreprise en croissance, le CRM devient vite une brique centrale du système d'information, connectée à l'outil de facturation, à l'emailing et aux tableaux de bord. Sa qualité dépend surtout de la discipline de saisie des équipes.
CSS
Langage= la décoration des pages web
Le CSS (Cascading Style Sheets, ou feuilles de style en cascade) est le langage qui définit l'apparence des pages web : couleurs, typographies, espacements, mise en page, animations. Le HTML décrit le contenu et sa structure ; le CSS décide comment il s'affiche.
Le principe de « cascade » veut que plusieurs règles puissent s'appliquer à un même élément, la plus spécifique l'emportant. C'est puissant, mais source de conflits sur les gros projets si le code n'est pas organisé.
Le CSS moderne permet des mises en page complexes avec Flexbox et Grid, et l'adaptation à toutes les tailles d'écran grâce aux media queries (le responsive design). Pour s'organiser, les équipes utilisent des conventions de nommage, des préprocesseurs comme Sass, des frameworks utilitaires comme Tailwind CSS ou des styles attachés aux composants. Le CSS est maintenu par le W3C et évolue en continu.
CTO
Métier= le responsable de la technique
Le CTO (Chief Technology Officer, ou directeur technique) est le dirigeant responsable de la technologie d'une entreprise : choix techniques, architecture, organisation et recrutement de l'équipe tech, sécurité et capacité à livrer le produit. Il siège au comité de direction.
Le rôle change énormément selon le stade. Dans une start-up de quelques personnes, le CTO est souvent cofondateur et code lui-même une bonne partie du produit. Quand l'équipe grandit, il passe au recrutement, à la structuration de l'équipe et aux arbitrages produit. Dans une grande entreprise, il porte la vision technologique et la relation avec le business, tandis que la gestion des équipes revient à un VP of Engineering.
Dans l'industrie ou la deeptech, le CTO porte aussi la feuille de route scientifique et la propriété intellectuelle (brevets, R&D). Dans un groupe, il ne faut pas le confondre avec le DSI (CIO), centré sur le système d'information interne.
Cybersecurity Analyst
Métier= la vigie des alertes de sécurité
Le Cybersecurity Analyst (analyste cybersécurité) est le professionnel qui surveille les systèmes d'information d'une organisation, détecte les menaces, analyse les incidents de sécurité et participe à la réponse.
Au quotidien, il travaille dans un SIEM (outil qui centralise les journaux et les alertes) et des outils de détection sur les postes et serveurs (EDR). Il trie les alertes, écarte les faux positifs, enquête sur les cas suspects, qualifie la gravité d'un incident et coordonne les premières actions avec les équipes IT.
Il est le plus souvent rattaché à un SOC (Security Operations Center), interne ou chez un prestataire de services managés. Les niveaux sont souvent découpés en N1 (tri des alertes), N2 (investigation) et N3 (réponse à incident, chasse aux menaces).
Le poste se retrouve dans tous les secteurs, avec une demande accrue chez les opérateurs soumis à des obligations de sécurité comme NIS2.
DAO
TermeTechno= une organisation pilotée par un code
Une DAO (Decentralized Autonomous Organization, organisation autonome décentralisée) est un collectif dont les règles de fonctionnement sont inscrites dans des smart contracts sur une blockchain, et dont les décisions sont votées par les détenteurs de jetons de gouvernance.
Concrètement, un membre dépose une proposition (financer un projet, modifier un paramètre d'un protocole), les détenteurs de jetons votent, et le résultat peut être exécuté automatiquement par le contrat. La DAO gère souvent une trésorerie commune en cryptoactifs.
On en trouve surtout pour gouverner des protocoles DeFi, financer des projets open source ou des biens communs, ou réunir des investisseurs. L'épisode de « The DAO » en 2016, vidé d'une partie de ses fonds à cause d'une faille de son contrat, rappelle que le code fait loi, bugs compris.
Les limites sont connues : statut juridique flou dans beaucoup de pays, participation aux votes souvent faible, pouvoir concentré chez les gros détenteurs de jetons.
Data / Donnée
Terme= la trace laissée par chaque action
Une donnée (data en anglais) est une information enregistrée sous une forme qu'un système informatique peut stocker, traiter et transmettre : un montant de commande, une position GPS, un clic, une mesure de capteur, un texte, une image.
Chaque usage numérique en produit : un paiement, une recherche, un message, le passage sur une page web. Dans l'industrie, les machines et capteurs en génèrent en continu. On distingue les données structurées, rangées en tableaux (une base clients), et les données non structurées, comme les e-mails, les documents ou les vidéos, plus difficiles à exploiter.
Une donnée brute vaut peu. Sa valeur vient de la chaîne qui la collecte, la nettoie, la stocke et la rend exploitable pour décider ou automatiser : tableaux de bord, modèles prédictifs, entraînement d'IA. Cette chaîne mobilise plusieurs métiers (Data Engineer, Data Analyst, Data Scientist) et un cadre légal strict dès qu'il s'agit de données personnelles (RGPD).
Data Analyst
Métier= le traducteur des chiffres en décisions
Le Data Analyst est la personne qui transforme les données d'une entreprise en réponses concrètes à des questions métier : pourquoi les ventes baissent dans une région, quel canal d'acquisition rapporte le plus, où les utilisateurs abandonnent le parcours.
Son quotidien : extraire et croiser des données en SQL, les nettoyer, construire des tableaux de bord (Looker, Power BI, Tableau, Metabase), puis présenter ses conclusions aux équipes produit, marketing, finance ou direction. Il manipule aussi Python ou un tableur avancé pour des analyses ponctuelles.
Il se situe entre le Data Engineer, qui construit et fiabilise les flux de données en amont, et le Data Scientist, qui conçoit des modèles prédictifs. Dans les petites équipes, les frontières sont floues et l'Analyst prend souvent en charge une partie de la modélisation des données, un rôle parfois appelé Analytics Engineer quand il s'appuie sur dbt.
Data Contract
TermeMéthode= le cahier des charges des données
Un data contract est un accord explicite et versionné entre l'équipe qui produit une donnée et celles qui la consomment, qui fixe son schéma, sa signification, sa fréquence de mise à jour et ses règles de qualité.
Le contrat décrit les champs, leurs types, les valeurs autorisées, le délai de livraison attendu et la procédure en cas de changement incompatible. Il est écrit dans un format lisible par les machines (souvent YAML) et vérifié automatiquement : un changement qui casse le contrat est bloqué avant d'atteindre les consommateurs.
Le problème qu'il règle est courant : une équipe applicative renomme une colonne, et les tableaux de bord ou les modèles de machine learning qui en dépendaient cassent en silence.
On le croise dans les organisations data matures, souvent avec une approche data mesh. Il s'appuie sur des standards comme l'Open Data Contract Standard, des outils de tests de qualité (Soda, Great Expectations) ou un registre de schémas pour les flux Kafka.
Data Engineer
Métier= le plombier des flux de données
Le Data Engineer est l'ingénieur qui construit et maintient l'infrastructure de données d'une entreprise : il collecte les données depuis les applications, outils et capteurs, les transforme, les stocke et les met à disposition, fiables et à jour, pour l'analyse et l'IA.
Concrètement, il conçoit des pipelines qui tournent chaque jour ou en temps réel, orchestrés par des outils comme Airflow, transformés avec dbt ou Spark, et stockés dans un entrepôt ou un lakehouse (Snowflake, BigQuery, Databricks). Il surveille la qualité des données, gère les coûts de calcul et la sécurité des accès.
Son travail est en amont de celui du Data Analyst et du Data Scientist : sans pipelines solides, leurs analyses et modèles reposent sur des données fausses ou incomplètes. Il est proche du développeur back-end par ses pratiques (code, tests, CI/CD) et de l'ingénieur infrastructure par ses outils cloud.
Data Lakehouse
TechnoTerme= le lac de données bien rangé
Un data lakehouse est une architecture de données qui combine le stockage économique et ouvert d'un data lake (fichiers dans un stockage objet de type S3) avec les garanties d'un data warehouse : transactions fiables, schémas, requêtes SQL performantes.
La clé est un format de table ouvert (Apache Iceberg, Delta Lake ou Apache Hudi) posé au-dessus de fichiers Parquet. Cette couche de métadonnées apporte les transactions, le retour à une version passée des données (time travel) et l'évolution du schéma sans tout réécrire.
L'intérêt : une seule copie des données sert à la fois l'analyse BI, la data science et le machine learning, et plusieurs moteurs (Spark, Trino, Snowflake, DuckDB…) peuvent lire les mêmes tables. Cela limite la dépendance à un seul éditeur.
Le terme a été popularisé par Databricks. On le croise dans les entreprises qui manipulent de gros volumes ou qui veulent garder la maîtrise de leur stockage.
Data Mesh
MéthodeTerme= la donnée confiée aux équipes métier
Le data mesh est une approche d'organisation de la donnée, formalisée par Zhamak Dehghani en 2019, qui confie la responsabilité des données à chaque domaine métier plutôt qu'à une équipe data centrale unique.
Elle repose sur quatre principes. Chaque domaine possède et maintient ses données. Ces données sont traitées comme des produits, avec un responsable, une documentation et des engagements de qualité. Une plateforme commune en libre-service évite à chaque équipe de tout reconstruire. Enfin, une gouvernance fédérée fixe les règles partagées (sécurité, formats, interopérabilité).
Le data mesh répond au goulot d'étranglement de l'équipe data centrale, débordée de demandes sur des données qu'elle connaît mal. En pratique, il s'outille avec des data contracts, un catalogue de données et une plateforme data interne.
C'est avant tout un changement d'organisation. Il a du sens dans les grandes entreprises à nombreux domaines, beaucoup moins dans une structure qui a une seule équipe data.
Data Scientist
Métier= le statisticien qui fait parler les données
Le Data Scientist est le spécialiste qui utilise les statistiques et l'apprentissage automatique pour extraire des données des prévisions, des explications ou des décisions automatisées : prévoir la demande, détecter une fraude, estimer le risque qu'un client parte, recommander un produit.
Il formule le problème avec les équipes métier, explore les données, choisit et entraîne un modèle (Python, scikit-learn, PyTorch), puis mesure s'il fait mieux qu'une règle simple. Une partie importante du travail consiste à valider les résultats et à expliquer leurs limites.
Le métier s'est spécialisé. La mise en production et le suivi des modèles reviennent souvent au ML Engineer ou au MLOps Engineer, et l'intégration de LLM existants à l'AI Engineer. Le Data Scientist garde le cœur analytique et statistique : expérimentation, causalité, modélisation sur mesure. Dans la deeptech et l'industrie, il travaille aussi sur des données de capteurs, d'images ou de simulation.
dbt
OutilFramework= le SQL rangé comme du code
dbt (data build tool) est un outil open source qui permet de transformer les données directement dans un data warehouse en écrivant du SQL, avec les pratiques du développement logiciel : versionnement Git, tests, documentation et déploiement automatisé.
Un projet dbt est une série de models, des requêtes SQL qui construisent chacune une table ou une vue à partir d'autres. dbt déduit l'ordre d'exécution des dépendances entre modèles, compile le tout (avec des macros Jinja) et l'exécute dans l'entrepôt : Snowflake, BigQuery, Databricks, Redshift, PostgreSQL… Des tests vérifient la donnée (unicité, valeurs nulles, relations) et la documentation se génère à partir du projet.
Il est développé par dbt Labs, avec une version open source (dbt Core) et une offre cloud.
dbt est au cœur de ce qu'on appelle la modern data stack et a fait émerger le métier d'analytics engineer, entre le data engineer et le data analyst.
DDD
Méthode= le code qui parle la langue du métier
Le DDD (Domain-Driven Design, ou conception pilotée par le domaine) est une approche de conception logicielle qui place le métier au centre : le code reproduit fidèlement les concepts, les règles et le vocabulaire du domaine (assurance, logistique, paiement), construits en dialogue étroit avec les experts métier. L'approche a été formalisée par Eric Evans dans un livre paru en 2003.
Deux idées en sont le cœur. Le langage omniprésent (ubiquitous language) : développeurs et experts utilisent les mêmes mots, et ces mots se retrouvent dans le code. Les contextes délimités (bounded contexts) : un grand système est découpé en zones cohérentes, chacune avec son propre modèle ; un « client » n'a pas la même définition pour la facturation et pour le support.
Le DDD propose aussi des briques tactiques (entités, agrégats, objets valeur, événements de domaine). Il est utile pour les logiciels à forte complexité métier et sert souvent de guide pour découper une application en microservices.
Deep Learning
TechnoProblématique= l'apprentissage par couches successives
Le deep learning (apprentissage profond) est une branche du machine learning qui utilise des réseaux de neurones artificiels à nombreuses couches pour apprendre directement à partir de données brutes : images, sons, textes, signaux. Chaque couche extrait des caractéristiques de plus en plus abstraites, des contours d'une image jusqu'à l'objet entier.
Ces réseaux s'inspirent très librement du cerveau, mais restent des fonctions mathématiques dont les paramètres sont ajustés pendant l'entraînement, à partir de grandes quantités d'exemples et d'une forte puissance de calcul, généralement des GPU.
L'essor date du début des années 2010, quand ces méthodes ont nettement dépassé les approches classiques en reconnaissance d'images. On lui doit la vision par ordinateur, la reconnaissance vocale, la traduction automatique et, avec l'architecture Transformer, les grands modèles de langage. Les frameworks de référence sont PyTorch et, dans une moindre mesure, TensorFlow et JAX.
DeFi
TermeTechno= la finance sans banque, en code
La DeFi (Decentralized Finance, finance décentralisée) désigne les services financiers (échange, prêt, emprunt, produits dérivés) qui fonctionnent grâce à des smart contracts sur une blockchain publique, sans banque ni intermédiaire central.
Les briques de base sont les plateformes d'échange décentralisées (DEX) comme Uniswap ou Curve, les protocoles de prêt comme Aave ou Compound, et les stablecoins, des jetons dont la valeur est adossée à une monnaie comme le dollar. Ethereum et ses Layer 2 concentrent une grande partie de l'activité.
Chaque protocole est un ensemble de contrats publics que n'importe qui peut utiliser ou combiner avec d'autres. Cette ouverture est aussi sa faiblesse : une faille dans un contrat peut entraîner des pertes immédiates et irréversibles, et les piratages de protocoles ont été nombreux.
En Europe, le règlement MiCA encadre les crypto-actifs et leurs prestataires, mais la DeFi pleinement décentralisée reste en grande partie hors de son champ.
Deno
TechnoOutil= le Node.js repensé par son créateur
Deno est un environnement d'exécution JavaScript et TypeScript open source créé par Ryan Dahl, l'auteur de Node.js, et présenté en 2018 comme une correction des choix de conception qu'il regrettait dans Node.
Il est écrit en Rust et repose sur le moteur V8. Trois choix le distinguent. La sécurité par défaut : un script n'accède au réseau, aux fichiers ou aux variables d'environnement que si on l'autorise explicitement. TypeScript fonctionne sans configuration. Et il reprend les standards du navigateur (fetch, modules ES, API Web).
Deno fournit aussi ses propres outils intégrés : formateur, linter, lanceur de tests. La version 2, sortie en 2024, a nettement amélioré la compatibilité avec Node.js et les paquets npm, ce qui facilite l'adoption progressive.
L'entreprise Deno propose également Deno Deploy, une plateforme pour exécuter du code en edge. On le croise dans des scripts, des outils internes et des services back-end légers.
Design pattern
Terme= la recette éprouvée d'un problème courant
Un design pattern (patron de conception) est une solution type, éprouvée et réutilisable, à un problème de conception logicielle qui revient souvent. Ce n'est pas du code prêt à copier, mais un schéma d'organisation que l'on adapte à son contexte.
La notion a été popularisée en 1994 par le livre Design Patterns de quatre auteurs surnommés le « Gang of Four », qui décrit 23 patterns classés en trois familles : création (comment fabriquer des objets, par exemple Singleton ou Factory), structure (comment assembler des composants, par exemple Adapter ou Decorator) et comportement (comment ils communiquent, par exemple Observer ou Strategy).
Leur premier intérêt est le vocabulaire commun : dire « on passe par un Observer » suffit à une équipe pour comprendre l'intention. Bien utilisés, ils rendent le code plus lisible et plus facile à faire évoluer. Mal utilisés, ils ajoutent des couches d'abstraction inutiles. On parle aussi de patterns d'architecture (MVC, CQRS) à une échelle plus large.
Developer Advocate / DevRel
Métier= le porte-parole des développeurs
Le Developer Advocate (ou DevRel, pour Developer Relations) est un profil technique chargé de faire adopter un produit par les développeurs et de faire remonter leurs besoins aux équipes produit et ingénierie.
Le rôle va dans les deux sens. Vers l'extérieur : écrire des tutoriels et des exemples de code, améliorer la documentation, intervenir en conférence ou en meetup, animer une communauté sur GitHub, Discord ou les forums. Vers l'intérieur : relayer les retours des utilisateurs, signaler les points de friction, tester les nouvelles fonctionnalités comme le ferait un client.
Le métier existe surtout chez les éditeurs dont les clients sont des développeurs : API, SDK, bases de données, outils cloud, modèles d'IA. Pour eux, l'adoption dépend largement de la qualité de l'expérience développeur.
Selon les entreprises, le DevRel est rattaché au produit, au marketing ou à l'ingénierie, ce qui change fortement ses objectifs.
DevOps
MétierMéthode= le pont entre ceux qui codent et ceux qui opèrent
Le DevOps est à la fois une culture et un métier. La culture vise à rapprocher les équipes de développement (Dev) et d'exploitation (Ops) pour livrer plus souvent et plus sûrement. Le métier d'ingénieur DevOps consiste à construire et automatiser la chaîne qui mène le code jusqu'à la production, et l'infrastructure qui le fait tourner.
Le mouvement est né vers 2009, notamment avec les premières conférences DevOpsDays, en réaction aux murs entre des développeurs qui voulaient livrer vite et des équipes d'exploitation chargées de la stabilité.
Au quotidien, l'ingénieur DevOps met en place les pipelines CI/CD, décrit l'infrastructure en code (Terraform), gère conteneurs et orchestrateurs (Docker, Kubernetes), la supervision et la sécurité des environnements cloud. Le titre recoupe d'autres rôles : le SRE se concentre sur la fiabilité mesurée des services, le Platform Engineer sur une plateforme interne en libre-service pour les développeurs.
Django
FrameworkTechno= le kit complet du web en Python
Django est un framework web open source écrit en Python, conçu pour développer rapidement des applications web robustes. Il est né au sein d'un journal local du Kansas, le Lawrence Journal-World, et a été publié en open source en 2005. Il est maintenu par la Django Software Foundation.
Sa philosophie est « batteries incluses » : il fournit d'emblée un ORM pour manipuler la base de données sans écrire de SQL, un système d'URL, de gabarits, de formulaires, une gestion des utilisateurs et des protections de sécurité par défaut. Son interface d'administration générée automatiquement est l'un de ses atouts les plus connus.
Django suit un découpage proche du MVC, qu'il appelle MTV (modèle, template, vue). Il est souvent associé à Django REST Framework pour construire des API. On le retrouve dans des produits SaaS, des plateformes de contenu, des outils internes et de nombreux projets data, grâce à la proximité de l'écosystème Python.
DO-178C
TermeMéthode= la norme du logiciel qui vole
La DO-178C est la norme de référence pour la certification des logiciels embarqués dans les aéronefs. Elle définit les objectifs que le développement d'un logiciel doit atteindre pour être accepté par les autorités de certification, avec cinq niveaux d'exigence, de DAL A à DAL E.
Le niveau (Design Assurance Level) dépend des conséquences d'une défaillance : DAL A pour un logiciel dont la panne peut être catastrophique, comme des commandes de vol, jusqu'à DAL E quand elle n'a aucun effet sur la sécurité. Plus le niveau est élevé, plus les exigences de traçabilité, de revue, de test et de couverture de code sont fortes.
Publiée par RTCA aux États-Unis et EUROCAE en Europe (sous le nom ED-12C), elle s'accompagne de suppléments sur les méthodes formelles, la modélisation ou les outils. On la croise chez les avionneurs, les équipementiers et leurs sous-traitants, et elle inspire d'autres secteurs critiques.
Docker
TechnoOutil= l'outil qui met les applications en boîte
Docker est une plateforme open source qui permet d'empaqueter une application et toutes ses dépendances dans un conteneur, puis de l'exécuter de façon identique sur un poste de développeur, un serveur ou dans le cloud. Il a été présenté en 2013 par Solomon Hykes, au sein de la société dotCloud.
Le fonctionnement repose sur trois notions. Le Dockerfile décrit, étape par étape, comment construire l'environnement de l'application. L'image est le résultat de cette construction, un modèle figé et partageable via un registre comme Docker Hub. Le conteneur est une image en cours d'exécution, isolée du reste de la machine.
Docker a popularisé les conteneurs auprès de tous les développeurs : il simplifie l'installation d'un projet, garantit la cohérence entre environnements et sert de base aux pipelines CI/CD. Pour faire tourner beaucoup de conteneurs en production, on s'appuie sur un orchestrateur comme Kubernetes. Docker Compose sert, lui, à lancer plusieurs conteneurs ensemble en local.
E-commerce
Terme= la boutique ouverte en ligne
L'e-commerce (commerce électronique) désigne la vente de biens ou de services en ligne : sur un site marchand, une application mobile, une place de marché ou les réseaux sociaux, avec commande et paiement réalisés sur internet.
On distingue plusieurs modèles : le B2C (une marque vend à des particuliers), le B2B (entre entreprises, avec catalogues et tarifs négociés), le D2C (une marque vend en direct sans distributeur) et les marketplaces qui mettent en relation vendeurs tiers et acheteurs.
Derrière la vitrine, un site e-commerce est un système complet : catalogue produits, moteur de recherche, panier, paiement, gestion des stocks, logistique, service client, et des outils d'analyse et de marketing pour attirer et fidéliser. Beaucoup de marchands s'appuient sur des solutions prêtes à l'emploi (Shopify, Adobe Commerce, PrestaShop, WooCommerce) ; les plus gros développent souvent leur propre plateforme. La performance du site et la fiabilité du paiement pèsent directement sur le chiffre d'affaires.
Edge Computing
TechnoProblématique= le calcul près du terrain
L'edge computing (informatique en périphérie) consiste à exécuter les traitements au plus près de l'endroit où les données sont produites ou consommées, plutôt que dans un datacenter cloud centralisé.
Le terme recouvre deux mondes. Sur le web, il désigne du code exécuté sur des points de présence répartis dans le monde (Cloudflare Workers, Vercel, Fastly, Deno Deploy) pour répondre plus vite à l'utilisateur : routage, authentification, personnalisation. Ces environnements sont plus contraints qu'un serveur classique, souvent sans accès au système de fichiers.
Dans l'industrie, l'IoT, la défense ou le véhicule, il désigne le calcul sur la machine, le capteur ou une passerelle locale : un robot, une caméra ou un drone qui analyse ses données sur place. Les raisons sont la latence, une connexion réseau limitée ou absente, le coût de transfert et la confidentialité des données.
Les deux usages partagent le même principe : déplacer le calcul vers la donnée, et accepter des ressources plus limitées en échange.
Embeddings
TermeProblématique= le sens traduit en coordonnées
Un embedding est une représentation d'un contenu (texte, image, son) sous forme de vecteur, une liste de plusieurs centaines ou milliers de nombres, calculée par un modèle de façon à ce que des contenus de sens proche obtiennent des vecteurs proches.
Concrètement, « contrat de travail » et « CDI » auront des vecteurs voisins même s'ils ne partagent aucun mot. On mesure cette proximité par un calcul de distance entre vecteurs, ce qui permet de chercher par le sens plutôt que par mots-clés.
Les embeddings servent à la recherche sémantique, à la recommandation, au regroupement de documents, à la détection de doublons et surtout au RAG : on y retrouve les passages d'une base documentaire les plus pertinents pour une question avant de les transmettre au LLM.
Ils sont produits par des modèles spécialisés, proposés par les fournisseurs d'IA ou disponibles en open source, et stockés dans des bases vectorielles (Qdrant, Weaviate, Pinecone, pgvector pour PostgreSQL…).
Engineering Manager
Métier= le manager des ingénieurs
L'Engineering Manager (EM) est le manager d'une équipe d'ingénieurs logiciels. Il est responsable des personnes (recrutement, entretiens individuels, montée en compétence, évaluation) et de la capacité de l'équipe à livrer de façon fiable et soutenable.
Il ne décide pas seul des choix techniques : ceux-ci reviennent plutôt au tech lead ou aux ingénieurs seniors, avec lesquels il travaille en binôme. Il ne décide pas non plus quoi construire, ce qui relève du Product Manager. Son terrain, c'est l'organisation : priorisation avec le produit, processus de livraison, gestion des dépendances, climat de l'équipe et départs à anticiper.
Le rôle apparaît quand une équipe tech grandit au point que le CTO ou le lead dev ne peut plus suivre chaque personne. Au-dessus, on trouve un Head of Engineering ou un VP of Engineering, qui manage plusieurs EM.
Entraînement (IA)
TermeProblématique= l'apprentissage du modèle
L'entraînement est la phase pendant laquelle un modèle d'IA apprend à partir de données, en ajustant progressivement ses paramètres internes pour réduire ses erreurs sur une tâche donnée.
Le principe : on présente au modèle un grand nombre d'exemples, on mesure l'écart entre sa réponse et la réponse attendue, puis on corrige ses paramètres dans le bon sens. On répète l'opération des millions de fois. Pour un grand modèle de langage, on distingue le pré-entraînement (apprendre la langue sur un corpus massif) et les étapes suivantes comme le fine-tuning ou le RLHF, qui l'orientent vers un usage.
L'entraînement s'oppose à l'inférence, qui consiste à utiliser le modèle une fois appris. Pré-entraîner un modèle de fondation demande des grappes de GPU et des équipes très spécialisées ; la plupart des entreprises se contentent d'adapter un modèle existant.
FDD
Méthode= le développement fonctionnalité par fonctionnalité
Le FDD (Feature-Driven Development, ou développement piloté par les fonctionnalités) est une méthode de développement logiciel itérative qui organise tout le travail autour de petites fonctionnalités ayant une valeur visible pour le client, chacune livrable en quelques jours. Elle a été conçue à la fin des années 1990 par Jeff De Luca, avec Peter Coad, sur un grand projet bancaire.
La méthode suit cinq étapes : construire un modèle global du domaine, dresser la liste des fonctionnalités (formulées comme « calculer le total d'une commande »), planifier par fonctionnalité, concevoir par fonctionnalité, puis développer par fonctionnalité. Les deux dernières se répètent en boucle courte.
Le FDD fait partie de la famille agile, mais il est plus structuré que Scrum : il insiste sur la modélisation en amont, la propriété du code par développeur et un suivi d'avancement précis. Il est aujourd'hui peu pratiqué en tant que tel, mais son idée centrale, découper par fonctionnalités à valeur client, se retrouve dans la plupart des équipes produit.
Feature Flag
MéthodeTerme= l'interrupteur d'une fonctionnalité
Un feature flag (ou feature toggle) est un interrupteur dans le code qui permet d'activer ou de désactiver une fonctionnalité en production par simple configuration, sans redéployer l'application.
Le code de la nouvelle fonctionnalité est livré mais reste masqué derrière une condition. On l'ouvre ensuite à qui on veut : l'équipe interne, 5 % des utilisateurs, un client précis, puis tout le monde. En cas de problème, on la coupe en quelques secondes (kill switch).
Les usages courants : déploiements progressifs, A/B testing, accès réservés à certaines offres, et surtout séparation entre le moment où le code est déployé et celui où la fonctionnalité est ouverte. C'est ce qui rend possible le trunk-based development, où tout le monde fusionne vite sur la branche principale.
Des outils comme LaunchDarkly, Unleash, GrowthBook ou Flagsmith les gèrent. Le revers : des flags oubliés s'accumulent et compliquent le code s'ils ne sont pas nettoyés.
Feature Store
TechnoTerme= le garde-manger des modèles de ML
Un feature store est un système qui centralise, stocke et sert les features (variables calculées à partir des données brutes) utilisées par les modèles de machine learning, aussi bien pour l'entraînement que pour les prédictions en production.
Une feature, c'est par exemple « nombre d'achats d'un client sur 30 jours ». Sans feature store, chaque équipe la recalcule à sa manière, et le calcul fait pour l'entraînement diffère souvent de celui fait en production. Le modèle voit alors des données différentes de celles sur lesquelles il a appris : c'est le training/serving skew, source classique de dégradation silencieuse.
Le feature store règle ce problème avec une définition unique de chaque feature, un stockage historique (offline) pour l'entraînement et un stockage rapide (online) pour servir les prédictions en quelques millisecondes.
Les solutions courantes sont Feast (open source), Hopsworks, Tecton, ou les feature stores intégrés de Databricks et de Google Vertex AI. L'outil se justifie surtout quand plusieurs modèles tournent en production.
Fine-tuning
TermeMéthode= la spécialisation d’un modèle existant
Le fine-tuning (ajustement fin) consiste à poursuivre l'entraînement d'un modèle d'IA déjà pré-entraîné, comme un LLM, sur un jeu de données ciblé, afin de le spécialiser sur une tâche, un domaine ou un style sans repartir de zéro.
La forme la plus courante est le fine-tuning supervisé : on fournit des exemples de questions et de réponses attendues. D'autres méthodes ajustent le modèle à partir de préférences humaines (RLHF, DPO). Pour réduire le coût, les techniques comme LoRA ou QLoRA n'entraînent qu'une petite partie des paramètres, ce qui rend l'opération faisable sur quelques GPU.
Le fine-tuning sert à imposer un format de sortie, un ton, un vocabulaire métier, ou à obtenir d'un petit modèle les performances d'un gros sur une tâche précise, pour baisser le coût d'inférence.
Il ne sert pas bien à ajouter des connaissances qui changent souvent : pour cela, le RAG ou un meilleur prompt sont en général plus simples et plus faciles à mettre à jour. Le choix dépend du problème, et se valide par une évaluation.
FinOps
MéthodeProblématique= la facture cloud sous contrôle
Le FinOps (contraction de Finance et DevOps) est une pratique de gestion des coûts du cloud qui rend les équipes techniques responsables de ce qu'elles consomment, en lien avec la finance et la direction.
Le principe : rendre la dépense visible et attribuable. On étiquette les ressources par équipe et par produit, on suit les coûts en continu, puis on agit : supprimer les ressources oubliées, redimensionner les machines trop grosses, éteindre les environnements de test la nuit, s'engager sur des volumes pour obtenir des remises (instances réservées, savings plans).
Le FinOps n'est pas qu'une chasse aux économies. Il s'agit d'arbitrer entre coût, performance et fiabilité, et de savoir combien coûte un client ou une fonctionnalité. Le sujet prend de l'ampleur avec l'IA, dont les coûts de calcul GPU et d'appels aux modèles peuvent grimper vite.
La FinOps Foundation, rattachée à la Linux Foundation, publie un cadre de référence et des certifications.
Fork
Terme= la copie qui fait sécession
Un fork est une copie indépendante d'un projet logiciel, faite à partir de son code source, que l'on fait évoluer de son côté, sans dépendre des choix du projet d'origine.
Sur GitHub ou GitLab, « forker » un dépôt est un geste quotidien : on crée sa propre copie, on y fait ses modifications, puis on propose de les réintégrer au projet initial via une pull request (ou merge request). C'est le mécanisme de base de la contribution open source.
Le mot a aussi un sens plus fort : une scission. Quand une partie de la communauté n'est plus d'accord avec la direction d'un projet (gouvernance, licence, rachat), elle le forke et le poursuit sous un autre nom. Exemples connus :
- LibreOffice, issu d'OpenOffice
- MariaDB, issu de MySQL
- OpenSearch, issu d'ElasticsearchÀ ne pas confondre avec le clone, qui est une simple copie locale d'un dépôt pour travailler dessus.
Forward Deployed Engineer / FDE
Métier= l'ingénieur détaché chez le client
Le Forward Deployed Engineer (FDE) est un ingénieur logiciel envoyé chez le client pour brancher la plateforme de son entreprise sur les usages réels de ce client : données, systèmes existants, processus métier.
Le rôle a été popularisé par Palantir, puis repris par de nombreux éditeurs de logiciels complexes et d'IA. Le FDE code vraiment : connecteurs, pipelines de données, applications sur mesure, prompts et agents. Mais il le fait au contact direct des équipes du client, dont il comprend le métier et les contraintes. Il fait remonter au produit ce qu'il apprend sur le terrain.
Ce n'est ni un consultant qui fait des slides, ni un développeur en ESN placé en régie, ni un avant-vente. C'est un ingénieur produit qui travaille au plus près de la valeur créée chez le client.
FPGA
Techno= la puce qu'on recâble par logiciel
Un FPGA (Field-Programmable Gate Array) est un circuit électronique dont la logique interne peut être reconfigurée après fabrication, ce qui permet de créer un composant sur mesure sans fabriquer une puce dédiée.
Au lieu d'exécuter un programme instruction par instruction comme un processeur, un FPGA est « câblé » pour réaliser directement une fonction, avec un très haut niveau de parallélisme et une latence très faible et prévisible. On le décrit dans un langage de description matérielle comme VHDL ou Verilog, puis des outils le traduisent en configuration du circuit. Les principaux fabricants sont AMD (ex-Xilinx) et Altera.
On le croise dans le traitement du signal radar, les télécoms, la guerre électronique, l'imagerie, le trading haute fréquence ou le prototypage de puces. C'est une technologie clé dans la défense et le spatial.
Framework
TermeTechno= le squelette prêt à construire
Un framework (« cadre de travail ») est un ensemble structuré de composants, de règles et de conventions qui sert de base pour développer une application, sans repartir de zéro à chaque projet.
Il fournit les briques communes (routage, accès aux données, sécurité, tests) et impose une organisation du code. La différence avec une simple bibliothèque : avec une bibliothèque, c'est votre code qui l'appelle quand il en a besoin ; avec un framework, c'est lui qui structure l'application et appelle votre code aux bons endroits.
Chaque framework est lié à un langage. Quelques exemples :
- PHP : Symfony, Laravel
- Java : Spring
- Python : Django, FastAPI
- JavaScript / TypeScript : Angular, Next.js, NestJSLe choix d'un framework engage une équipe pour des années : il conditionne la façon de coder, l'écosystème disponible et le vivier de développeurs à recruter.
From scratch
Terme= partir d'une page blanche
Développer « from scratch », c'est construire un logiciel en partant de zéro, sans reprendre de code existant, plutôt que de faire évoluer une application déjà en place.
L'expression revient dans deux situations. La première : une startup qui écrit son premier produit, ce qui implique de faire tous les choix fondateurs (langage, architecture, hébergement). La seconde : une refonte complète d'un système existant devenu trop coûteux à maintenir.
Repartir de zéro donne de la liberté et permet d'éviter la dette technique accumulée. Mais c'est un pari risqué sur un produit déjà en production : il faut reproduire des années de règles métier souvent peu documentées, et maintenir l'ancien système en parallèle. Beaucoup d'équipes préfèrent une migration progressive, en remplaçant le système morceau par morceau.
« From scratch » ne veut pas dire sans outils : on s'appuie quand même sur des frameworks, des bibliothèques et des services cloud.
Front-end
TermeProblématique= la partie que l'utilisateur voit
Le front-end désigne la partie d'une application avec laquelle l'utilisateur interagit directement : l'interface affichée dans le navigateur ou sur l'écran, par opposition au back-end qui tourne sur les serveurs.
Le développeur front-end transforme les maquettes des designers en interface fonctionnelle. Il s'appuie sur trois briques : HTML pour la structure, CSS pour la mise en forme, JavaScript (souvent TypeScript) pour l'interactivité. La plupart des projets utilisent un framework ou une bibliothèque comme React, Vue.js, Angular ou Svelte.
Le métier va bien au-delà de « l'intégration » :
- gestion de l'état de l'application et des appels aux API
- performance de chargement et d'affichage
- accessibilité et compatibilité entre navigateurs
- adaptation à tous les écrans (responsive)Les frontières bougent : avec le rendu côté serveur (Next.js, Server Components), une partie du travail front s'exécute désormais sur le serveur.
Fullstack
Métier= le développeur des deux côtés
Un développeur fullstack est un développeur capable de travailler à la fois sur le front-end (l'interface) et sur le back-end (serveur, API, base de données) d'une application.
Concrètement, il peut livrer une fonctionnalité de bout en bout : l'écran, la logique métier, le stockage des données. Les stacks fullstack les plus courantes associent un framework front (React, Vue.js) à un back-end en Node.js, PHP, Python ou Java, parfois avec TypeScript des deux côtés.
Dans la réalité, la plupart des fullstacks ont un côté dominant : ils sont « back avec du front » ou « front avec du back ». Être réellement expert des deux reste rare, d'autant que le métier englobe souvent une part d'infrastructure et de déploiement.
Le profil est très recherché dans les jeunes entreprises, où une petite équipe doit tout couvrir. Quand l'équipe grandit, les rôles se spécialisent.
Gemini
Techno= l'IA multimodale de Google
Gemini est la famille de modèles d'IA développée par Google DeepMind, présentée fin 2023 pour succéder aux modèles PaLM. Le nom désigne aussi l'assistant grand public de Google, qui a remplacé Bard en 2024.
Gemini a été conçu dès le départ comme multimodal : un même modèle traite texte, images, audio, vidéo et code. Il se décline en plusieurs tailles, des versions légères pour les usages rapides ou embarqués sur téléphone aux versions les plus puissantes. Ses modèles se distinguent par de très grandes fenêtres de contexte, qui dépassent le million de tokens.
On y accède par l'application Gemini, l'API Gemini via Google AI Studio et la plateforme Vertex AI sur Google Cloud. Google l'intègre aussi à ses propres produits : moteur de recherche, Gmail, Docs et le reste de Google Workspace, Android.
Google publie également Gemma, une famille de modèles plus petits à poids ouverts, issue des mêmes travaux.
GitOps
MéthodeTechno= Git comme télécommande de la prod
Le GitOps est une façon d'opérer l'infrastructure et les déploiements dans laquelle un dépôt Git décrit l'état voulu du système, et un outil automatique fait en sorte que la réalité corresponde à ce qui est écrit.
Concrètement, la configuration des applications (souvent des manifestes Kubernetes ou des charts Helm) vit dans Git. Un agent installé dans le cluster, comme Argo CD ou Flux, compare en continu l'état réel à l'état déclaré et corrige les écarts. Pour déployer une nouvelle version, on ne lance pas de commande sur le serveur : on fusionne une pull request.
Les bénéfices viennent de Git lui-même : historique de chaque changement, revue par un collègue avant application, retour arrière en annulant un commit, et reconstruction d'un environnement à l'identique.
Le terme a été lancé par Weaveworks en 2017. Le GitOps s'utilise surtout avec Kubernetes, en complément de l'Infrastructure as Code (Terraform, OpenTofu) qui crée l'infrastructure sous-jacente.
Go
LangageTechno= le langage simple de l'infra cloud
Go (ou Golang) est un langage de programmation compilé, conçu chez Google par Robert Griesemer, Rob Pike et Ken Thompson, et rendu public en 2009, pensé pour écrire simplement des logiciels serveur rapides et fiables.
Sa philosophie : peu de mots-clés, une syntaxe volontairement minimaliste, une compilation très rapide qui produit un seul binaire facile à déployer. Sa force principale est la concurrence : les goroutines et les channels permettent de gérer des milliers de tâches en parallèle sans la complexité habituelle.
Go est devenu le langage de l'infrastructure cloud. Docker, Kubernetes, Terraform ou Prometheus sont écrits en Go. On le retrouve aussi dans les back-ends à fort trafic, les microservices, les API et les outils en ligne de commande.
Sa simplicité est un choix assumé : Go privilégie un code lisible par toute l'équipe plutôt que l'expressivité.
GPT
Techno= le moteur de ChatGPT
GPT (Generative Pre-trained Transformer) est la famille de grands modèles de langage développée par OpenAI depuis 2018. Elle a fait entrer l'IA générative dans le grand public avec le lancement de ChatGPT en novembre 2022.
Le nom décrit la méthode. Le modèle est pré-entraîné sur d'immenses volumes de texte à prédire le mot suivant (plus exactement le token suivant), en s'appuyant sur l'architecture Transformer. Il est ensuite ajusté, notamment par RLHF, pour suivre des instructions et respecter des règles de sécurité.
Les générations se sont succédé (GPT-3, GPT-4, GPT-5…), avec des versions capables de traiter images et audio, et des modèles dits de raisonnement qui prennent plus de temps pour répondre aux problèmes complexes. Ils sont accessibles via ChatGPT, l'API d'OpenAI et Microsoft Azure.
Dans le langage courant, « GPT » sert souvent à désigner n'importe quel LLM, ce qui est un abus : Claude, Gemini ou Mistral reposent sur des principes proches mais ne sont pas des GPT.
GPU
TermeTechno= la puce qui fait tourner l'IA
Le GPU (Graphics Processing Unit) est un processeur conçu pour exécuter des milliers de calculs simples en parallèle. Pensé à l'origine pour l'affichage graphique, il est devenu la puce de référence pour entraîner et faire tourner les modèles d'IA.
Là où un CPU enchaîne quelques tâches complexes très vite, un GPU applique la même opération à d'énormes tableaux de nombres en même temps. C'est exactement ce que demandent les réseaux de neurones : des multiplications de matrices, à très grande échelle. La mémoire embarquée sur la carte (VRAM) compte autant que la puissance brute, car elle limite la taille du modèle qu'on peut charger.
Nvidia domine ce marché grâce à ses puces et surtout à CUDA, son environnement logiciel. AMD, Google (avec ses TPU) et d'autres proposent des alternatives. On loue des GPU chez les hyperscalers ou des clouds spécialisés, ou on les achète pour ses propres serveurs.
GraphQL
LangageTechno= l'API à la carte
GraphQL est un langage de requête pour les API, accompagné d'un moteur côté serveur, créé par Facebook en 2012 et publié en open source en 2015. Il permet au client de demander exactement les données dont il a besoin, en une seule requête.
Avec une API REST classique, on appelle souvent plusieurs adresses et on reçoit des champs inutiles. Avec GraphQL, le serveur expose un schéma typé qui décrit toutes les données disponibles, et le client écrit une requête qui précise les champs voulus. Il existe trois types d'opérations : queries pour lire, mutations pour écrire, subscriptions pour recevoir des mises à jour en temps réel.
C'est utile quand plusieurs interfaces (web, mobile, partenaires) consomment les mêmes données avec des besoins différents. En contrepartie, la mise en cache, la sécurité (requêtes trop lourdes) et la performance côté serveur demandent plus de travail qu'avec REST.
L'écosystème comprend Apollo, Relay, urql côté client et Apollo Server, GraphQL Yoga ou Hasura côté serveur. La spécification est portée par la GraphQL Foundation.
Guardrails
TermeProblématique= les garde-fous autour de l'IA
Les guardrails (garde-fous) sont l'ensemble des contrôles placés autour d'un modèle d'IA en production pour encadrer ce qu'il reçoit, ce qu'il produit et ce qu'il a le droit de faire.
Ils agissent à plusieurs niveaux. En entrée : détecter les tentatives d'injection de prompt, filtrer les contenus interdits ou les données personnelles. En sortie : vérifier le format, bloquer les contenus toxiques ou les fuites d'informations sensibles, contrôler que la réponse reste dans le périmètre prévu. Pour un agent : limiter les outils accessibles, demander une validation humaine avant une action irréversible.
Ils sont nécessaires parce qu'un LLM n'est pas déterministe : la même demande peut donner des réponses différentes, et un utilisateur malveillant peut chercher à le détourner.
On les met en œuvre avec des règles codées, des modèles de classification dédiés (comme Llama Guard), des bibliothèques (Guardrails AI, NeMo Guardrails) ou les services de modération des fournisseurs et des clouds.
Habilitation défense
TermeProblématique= l'autorisation d'accéder au secret
L'habilitation défense est l'autorisation donnée par l'État à une personne d'accéder à des informations ou supports classifiés, à un niveau donné et pour les besoins de sa mission. En France, depuis la réforme de 2021, il existe deux niveaux : Secret et Très Secret.
La demande n'est pas faite par le candidat lui-même : elle est portée par l'employeur, ou l'entité qui a besoin que la personne accède au secret, et elle est liée à un poste. Elle déclenche une enquête administrative menée par les services compétents, la DRSD pour les entreprises de défense. Le principe du « besoin d'en connaître » s'applique : être habilité ne donne pas accès à tout.
On la rencontre chez les industriels de défense, dans le spatial, le renseignement, certaines activités de cybersécurité et chez leurs sous-traitants. L'habilitation peut être refusée, et elle prend fin ou doit être revue quand la personne change de fonction.
Hallucination (IA)
TermeProblématique= l'erreur dite avec aplomb
Une hallucination est une réponse fausse ou inventée qu'un modèle d'IA générative présente avec la même assurance qu'une information exacte : une citation qui n'existe pas, une jurisprudence fictive, une fonction de code qui n'a jamais existé.
Le phénomène vient du fonctionnement même des LLM. Ils produisent le texte le plus plausible, token après token, à partir de ce qu'ils ont appris, sans vérifier les faits dans une source. Le risque augmente sur les sujets pointus ou rares, les chiffres précis, les références, et quand la question suppose une réponse qui n'existe pas.
On ne peut pas le supprimer totalement, mais on le réduit :
- ancrer les réponses dans des documents fiables avec le RAG, et faire citer les sources ;
- autoriser explicitement le modèle à répondre qu'il ne sait pas ;
- vérifier les sorties par des règles, un second modèle ou un humain ;
- mesurer en continu le taux d'erreur sur un jeu de tests.Helm
OutilTechno= le gestionnaire de paquets de Kubernetes
Helm est le gestionnaire de paquets de Kubernetes : il permet d'emballer, de partager et d'installer une application complète, avec toutes ses ressources Kubernetes, sous la forme d'un paquet appelé chart.
Déployer une application sur Kubernetes demande souvent une dizaine de fichiers de configuration (déploiements, services, configurations, secrets…). Un chart les regroupe sous forme de modèles paramétrables : un fichier de valeurs (values.yaml) permet d'adapter le même chart à chaque environnement, par exemple plus de répliques en production qu'en test.
Helm gère aussi les versions installées, les mises à jour, les retours arrière et les dépendances entre charts. La plupart des logiciels de l'écosystème Kubernetes (Prometheus, Argo CD, cert-manager…) se distribuent sous forme de chart.
Helm est un projet diplômé (graduated) de la Cloud Native Computing Foundation. Il est souvent utilisé avec un outil GitOps comme Argo CD ou Flux, ou en alternative à Kustomize.
HTML
LangageTechno= la structure d'une page web
Le HTML (HyperText Markup Language) est le langage de balisage qui décrit la structure et le contenu d'une page web : titres, paragraphes, liens, images, formulaires.
Ce n'est pas un langage de programmation : il ne contient pas de logique. Il indique au navigateur ce qu'est chaque élément, à l'aide de balises (h1 pour un titre, p pour un paragraphe, a pour un lien). La mise en forme est confiée au CSS, l'interactivité au JavaScript.
Créé par Tim Berners-Lee au début des années 1990 avec le web lui-même, le HTML est aujourd'hui un standard vivant, mis à jour en continu plutôt que par grandes versions.
Bien écrit, le HTML est dit « sémantique » : chaque balise correspond au sens du contenu. Cela compte pour l'accessibilité (lecteurs d'écran), pour le référencement naturel et pour la maintenabilité du code.
HTTP / HTTPS
Terme= la langue commune du web
HTTP (HyperText Transfer Protocol) est le protocole qui permet à un client, le plus souvent un navigateur, de demander une ressource à un serveur et de recevoir sa réponse ; HTTPS en est la version chiffrée et sécurisée.
Le principe est simple : le client envoie une requête (une méthode comme GET pour lire ou POST pour envoyer des données, une adresse, des en-têtes), le serveur répond avec un code de statut (200 si tout va bien, 404 si la page n'existe pas, 500 en cas d'erreur serveur) et un contenu. HTTP ne garde pas de mémoire d'une requête à l'autre : les cookies et les jetons servent à maintenir une session.
HTTPS ajoute une couche de chiffrement (TLS) qui protège les échanges contre l'écoute et la falsification. Il est devenu la norme sur le web.
HTTP ne sert pas qu'aux pages web : la plupart des API s'appuient dessus. Le protocole a évolué avec HTTP/2 puis HTTP/3 pour gagner en rapidité.
Hugging Face
Outil= le GitHub des modèles d'IA
Hugging Face est une entreprise et une plateforme en ligne où la communauté de l'IA partage des modèles, des jeux de données et des démonstrations, un peu comme GitHub pour le code.
La plateforme (le « Hub ») héberge un très grand nombre de modèles à poids ouverts, téléchargeables en quelques lignes de code. L'entreprise développe aussi des bibliothèques open source très utilisées, dont Transformers, qui permet de charger et d'utiliser ces modèles de façon standard, ainsi que des outils d'entraînement et d'inférence comme TGI.
Fondée par des entrepreneurs français, Hugging Face est devenue un point de passage quasi obligé pour quiconque travaille avec des modèles ouverts : on y publie, compare et récupère des modèles. Elle propose aussi des offres payantes pour héberger et servir des modèles.
Hyperscaler
Terme= le géant du cloud mondial
Un hyperscaler est un fournisseur de cloud capable d'opérer une infrastructure à très grande échelle, dans des datacenters répartis sur plusieurs continents. Le terme désigne principalement AWS (Amazon), Google Cloud et Microsoft Azure.
Ces acteurs proposent des centaines de services : calcul, stockage, bases de données, réseau, IA, sécurité. Leur taille leur permet d'ajouter de la capacité très vite et de proposer une offre mondiale, ce que peu d'acteurs savent faire. Ils sont aussi parmi les principaux fournisseurs de GPU à la location pour l'IA.
En Europe, le mot revient souvent dans le débat sur la souveraineté : les trois principaux hyperscalers sont américains et donc soumis au droit américain, dont le Cloud Act. Cela pousse certaines organisations sensibles vers des offres de cloud souverain ou des partenariats hybrides.
IaaS
Terme= des serveurs loués à la demande
L'IaaS (Infrastructure as a Service) est un modèle de cloud computing dans lequel une entreprise loue à un fournisseur des ressources informatiques de base (machines virtuelles, stockage, réseau) au lieu d'acheter et d'entretenir ses propres serveurs.
Le fournisseur gère le matériel physique, les datacenters et la virtualisation. Le client garde la main sur tout le reste : système d'exploitation, configuration, middleware, applications, sécurité de ses données. Il paie selon sa consommation et peut augmenter ou réduire ses ressources en quelques minutes.
C'est le niveau du cloud qui laisse le plus de contrôle, et donc le plus de responsabilités. Au-dessus viennent le PaaS (le fournisseur gère aussi l'environnement d'exécution) puis le SaaS (un logiciel prêt à l'emploi).
Les offres IaaS les plus connues sont celles d'AWS, Microsoft Azure et Google Cloud, et en France d'OVHcloud ou Scaleway. Elles se pilotent de plus en plus par le code (Terraform).
IaC
MéthodeTechno= l'infrastructure écrite comme du code
L'IaC (Infrastructure as Code, infrastructure en tant que code) est une pratique qui consiste à décrire l'infrastructure informatique (réseaux, serveurs, bases de données, droits d'accès) dans des fichiers de code versionnés, au lieu de la configurer à la main dans une console.
Ces fichiers sont stockés dans Git, relus comme du code applicatif, puis appliqués par un outil. On gagne la reproductibilité (recréer un environnement à l'identique), la traçabilité (qui a changé quoi et quand), la revue avant modification et la possibilité de créer des environnements temporaires à la demande.
Deux grandes approches coexistent. L'approche déclarative décrit l'état voulu et laisse l'outil calculer les changements : Terraform ou son fork open source OpenTofu, Pulumi, AWS CloudFormation. L'approche plus procédurale enchaîne des étapes de configuration sur des machines existantes : Ansible en est l'exemple le plus répandu.
L'IaC est un pilier du DevOps et la base du GitOps.
Inférence
TermeProblématique= l'usage du modèle
L'inférence est l'étape où un modèle d'IA déjà entraîné est utilisé pour produire un résultat à partir de nouvelles données : une prédiction, une classification, une réponse de LLM. Elle s'oppose à l'entraînement, qui sert à construire le modèle.
Pour un LLM, chaque requête est une inférence : le modèle reçoit un prompt et génère sa réponse token par token. Trois indicateurs comptent : la latence (le temps avant le premier token), le débit (tokens produits par seconde) et le coût, qui dépend du matériel, généralement des GPU.
L'entraînement est un effort ponctuel, l'inférence se répète à chaque utilisation. À grande échelle, elle devient souvent le premier poste de coût d'un produit d'IA.
D'où un domaine d'ingénierie dédié à son optimisation : quantization, regroupement des requêtes (batching), mise en cache, décodage spéculatif. Il s'appuie sur des moteurs spécialisés comme vLLM, TensorRT-LLM ou llama.cpp, et sur des plateformes d'inférence qui louent ce service.
Infrastructure informatique
TermeProblématique= les fondations du logiciel
L'infrastructure informatique est l'ensemble des ressources matérielles, réseau et logicielles qui permettent à une organisation de faire fonctionner ses applications et ses services numériques.
Elle se compose de plusieurs couches :
- le matériel : serveurs, stockage, postes de travail, datacenters
- le réseau : routeurs, pare-feu, connexions, DNS
- les logiciels de base : systèmes d'exploitation, virtualisation, bases de données, outils de supervisionElle peut être hébergée sur site, dans le cloud ou en mode hybride. La tendance de fond est de la gérer comme du code (infrastructure as code) : on décrit les ressources dans des fichiers versionnés, puis des outils les créent et les configurent automatiquement.
Une infrastructure bien conçue se juge sur sa disponibilité, sa sécurité, sa capacité à absorber la croissance et son coût. Quand elle fonctionne, personne ne la remarque ; quand elle tombe, toute l'activité s'arrête.
Intégration
Problématique= faire dialoguer les logiciels entre eux
L'intégration désigne le travail qui consiste à connecter des applications, des données et des systèmes différents pour qu'ils fonctionnent ensemble comme un tout cohérent.
Dans une entreprise, les outils se multiplient : CRM, ERP, outil de facturation, application métier, entrepôt de données. Sans intégration, les informations sont ressaisies à la main et divergent. L'intégration passe par des API, des flux de données planifiés, des bus de messages (comme Kafka) ou des plateformes dédiées.
Le mot a d'autres sens qu'il faut savoir distinguer :
- l'intégration web : transformer une maquette graphique en pages HTML et CSS, métier de l'intégrateur
- l'intégration continue : fusionner et tester automatiquement le code à chaque modification (le « CI » de CI/CD)
- l'intégration système, dans l'industrie et la défense : assembler matériel et logiciel en un produit qui fonctionneC'est souvent dans l'intégration que se logent les problèmes les plus coûteux d'un système d'information.
IoT
TermeProblématique= les objets qui envoient leurs données
L'IoT (Internet of Things, ou Internet des objets) désigne l'ensemble des objets physiques équipés de capteurs, d'électronique et d'une connexion réseau, capables de collecter des données et de les transmettre à d'autres systèmes.
Un système IoT complet traverse plusieurs couches :
- l'objet : capteurs, microcontrôleur, logiciel embarqué, gestion de l'énergie
- la connectivité : Wi-Fi, Bluetooth Low Energy, réseaux cellulaires, LoRaWAN
- la plateforme : réception, stockage et traitement des données, souvent dans le cloud
- l'application : tableaux de bord, alertes, pilotage à distanceOn le croise dans la maison connectée, mais surtout dans l'industrie (maintenance prédictive, suivi de machines), l'énergie (compteurs intelligents), la santé (dispositifs de suivi), la logistique ou l'agriculture.
Les défis propres à l'IoT sont la sécurité d'objets nombreux et peu protégés, la consommation d'énergie, les mises à jour à distance et le volume de données.
ITAR
TermeProblématique= le contrôle américain des exportations militaires
ITAR (International Traffic in Arms Regulations) est la réglementation américaine qui contrôle l'exportation, le transfert et l'accès aux matériels, technologies et services de défense figurant sur la liste des munitions des États-Unis (USML).
Son effet dépasse les frontières américaines : un équipement fabriqué en Europe qui intègre un composant soumis à ITAR ne peut pas être revendu ou réexporté sans l'accord des autorités américaines. Les données techniques sont aussi concernées, ce qui limite l'accès de certaines personnes à des informations selon leur nationalité, sauf autorisation.
Pour les industriels européens de la défense et du spatial, ITAR pèse sur les choix de fournisseurs et sur la liberté d'exporter. D'où la recherche de produits dits « ITAR-free », conçus sans composant soumis à cette réglementation, souvent mise en avant comme un argument de souveraineté.
Java
LangageTechno= le langage des grands systèmes d'entreprise
Java est un langage de programmation orienté objet créé par Sun Microsystems et publié en 1995, conçu pour que le même programme tourne sur n'importe quel système grâce à une machine virtuelle, la JVM.
Le code Java est compilé dans un format intermédiaire (le bytecode), que la JVM exécute sur Windows, Linux ou macOS. Sun a été racheté par Oracle en 2010, qui pilote depuis l'évolution du langage, avec une nouvelle version tous les six mois. Des distributions libres comme OpenJDK sont largement utilisées.
Java est le socle de très nombreux systèmes critiques : banques, assurances, télécoms, grands sites e-commerce, administrations. Son écosystème est massif, avec Spring comme framework dominant côté serveur. La JVM fait aussi tourner d'autres langages, comme Kotlin (très utilisé sur Android) ou Scala.
Ses atouts : robustesse, performance, outillage mûr, et un énorme vivier de développeurs.
JavaScript
LangageTechno= le langage qui anime le web
JavaScript est un langage de programmation créé en 1995 par Brendan Eich chez Netscape, devenu le seul langage exécuté nativement par tous les navigateurs web, ce qui en fait le langage de l'interactivité sur le web.
Avec HTML (la structure) et CSS (la mise en forme), il forme le trio de base du front-end : c'est lui qui réagit aux clics, met à jour la page sans la recharger, dialogue avec les serveurs. Il est standardisé sous le nom d'ECMAScript et évolue chaque année.
Depuis Node.js, JavaScript tourne aussi côté serveur, ce qui permet d'utiliser un seul langage sur toute une application. Son écosystème est immense : React, Vue.js, Angular pour l'interface, Express ou NestJS pour le back-end, et des millions de paquets sur npm.
Malgré son nom, il n'a aucun lien avec Java. Beaucoup d'équipes l'utilisent aujourd'hui via TypeScript, qui y ajoute un typage statique.
Kafka
TechnoOutil= le tapis roulant des événements
Apache Kafka est une plateforme open source de streaming d'événements distribuée, née chez LinkedIn, ouverte en 2011 puis devenue un projet de la fondation Apache.
Kafka enregistre des flux de messages dans des topics découpés en partitions, stockés sur disque et répliqués sur plusieurs serveurs. L'ordre est garanti à l'intérieur d'une partition. Producteurs et consommateurs ne se connaissent pas : chacun lit à son rythme, et un consommateur peut relire l'historique.
On s'en sert pour faire circuler la donnée en temps réel entre systèmes : capture de changements d'une base (CDC), architectures de microservices événementielles, pipelines analytiques ou ML en streaming. Confluent, fondé par les créateurs de Kafka, en est le principal éditeur commercial ; AWS (MSK), Aiven et d'autres proposent des offres managées.
Kanban
Méthode= le tableau qui limite l'en-cours
Kanban est une méthode d'organisation du travail qui rend visible le flux des tâches sur un tableau et limite le nombre de tâches menées en parallèle, pour livrer de façon fluide et continue.
Elle vient de l'industrie : Toyota l'a développée dans l'après-guerre, sous l'impulsion de l'ingénieur Taiichi Ōno, pour produire au rythme de la demande réelle et éviter les stocks inutiles. Elle a été adaptée au développement logiciel dans les années 2000.
Le tableau est découpé en colonnes qui représentent les étapes (à faire, en cours, en revue, terminé). Le principe clé, souvent oublié, est la limite de travail en cours (WIP limit) : on ne commence pas une nouvelle tâche tant que la colonne est pleine. Cela force à finir avant de démarrer et fait apparaître les goulets d'étranglement.
Contrairement à Scrum, Kanban n'impose ni sprints, ni rôles dédiés. Il convient bien aux équipes au flux imprévisible, comme le support, l'exploitation ou la maintenance.
Kubernetes
TechnoOutil= le chef d'orchestre des conteneurs
Kubernetes (abrégé k8s) est un orchestrateur de conteneurs open source, lancé par Google en 2014 à partir de son expérience interne avec Borg, et confié à la Cloud Native Computing Foundation (CNCF) en 2015.
Il déploie, redimensionne et relance automatiquement des applications conteneurisées sur un ensemble de machines. On décrit l'état voulu (combien d'instances, quelles ressources, quels services exposés) dans des fichiers de configuration, et le control plane ramène en permanence l'état réel vers cet état voulu.
C'est le standard de fait du déploiement cloud-native. Tous les grands clouds le proposent en version managée (EKS chez AWS, GKE chez Google, AKS chez Microsoft), tout comme des acteurs européens comme OVHcloud, Scaleway ou Clever Cloud.
Laravel
FrameworkTechno= le framework PHP qui va vite
Laravel est un framework open source écrit en PHP, créé par Taylor Otwell en 2011 et distribué sous licence MIT, qui sert à développer des applications et des API web avec une syntaxe réputée claire et agréable.
Il suit le modèle MVC et fournit d'emblée ce dont une application a besoin : routage, authentification, files d'attente, envoi d'e-mails, tâches planifiées. Son ORM, Eloquent, permet de manipuler la base de données comme des objets, et son outil en ligne de commande, Artisan, automatise les tâches répétitives.
Laravel s'appuie sur un écosystème riche maintenu autour du projet : outils de déploiement, panneau d'administration, gestion des paiements, interfaces réactives. C'est l'un des deux frameworks PHP majeurs avec Symfony, dont il réutilise d'ailleurs plusieurs composants.
On le retrouve souvent dans les startups, les agences et les produits SaaS qui veulent livrer rapidement.
Layer 2
TechnoTerme= la voie rapide de la blockchain
Un Layer 2 (ou L2) est un réseau construit au-dessus d'une blockchain principale (le Layer 1, comme Ethereum) pour traiter les transactions plus vite et moins cher, tout en s'appuyant sur la sécurité de cette blockchain.
La forme la plus répandue est le rollup : il exécute un grand nombre de transactions hors de la chaîne principale, puis y publie un résumé. Les optimistic rollups (Arbitrum, Optimism, Base) considèrent les transactions valides sauf contestation ; les zk-rollups (zkSync, Starknet, Linea) publient une preuve cryptographique de validité.
Les L2 servent à rendre utilisables des applications que les frais du Layer 1 rendraient trop coûteuses : DeFi, paiements, jeux, NFT.
Lead Dev / Lead Tech
Métier= le développeur qui guide l'équipe
Le Lead Dev (ou Lead Tech) est un développeur expérimenté qui, en plus de coder, porte la responsabilité technique d'une équipe : qualité du code, choix d'architecture, montée en compétences des autres développeurs.
Son quotidien mêle trois dimensions :
- technique : il code encore une partie significative de son temps et tranche les choix structurants
- qualité : revues de code, standards, tests, réduction de la dette technique
- transmission : accompagnement des profils juniors, interface avec le produit pour traduire les besoins en solutionsLe rôle varie beaucoup selon les entreprises. Dans une petite équipe, le Lead Dev est souvent le référent technique de tout le produit. Dans une organisation plus grande, il encadre une équipe parmi d'autres, sous un Engineering Manager ou un CTO.
Il se distingue de l'Engineering Manager, centré sur les personnes et l'organisation, et du Staff Engineer, qui a une influence technique transverse sans équipe dédiée.
LLM
TechnoTerme= le moteur des IA qui écrivent
Un LLM (Large Language Model, « grand modèle de langage ») est un modèle d'intelligence artificielle entraîné sur de très grands volumes de texte pour prédire le token suivant d'une séquence, ce qui lui permet de rédiger, résumer, traduire, raisonner et écrire du code.
Les LLM reposent sur l'architecture transformer et comptent de quelques milliards à plusieurs centaines de milliards de paramètres. Ils sont d'abord pré-entraînés sur du texte brut, puis ajustés (instruction tuning, RLHF) pour suivre des consignes et respecter des règles de comportement.
Les familles les plus connues sont Claude (Anthropic), GPT (OpenAI), Gemini (Google), Mistral, Llama (Meta) et Qwen (Alibaba). On les utilise via une API ou, pour les modèles à poids ouverts, sur sa propre infrastructure.
LLMOps
MéthodeProblématique= l'exploitation des applications IA
Le LLMOps est l'ensemble des pratiques pour mettre en production et exploiter des applications fondées sur des LLM : versionner les prompts comme du code, évaluer les réponses en continu, tracer les appels au modèle, maîtriser les coûts en tokens et détecter les dérives.
Il hérite du MLOps mais change d'objet : on entraîne rarement le modèle soi-même, on orchestre des prompts, des outils, une recherche documentaire (RAG) et des garde-fous autour d'un modèle externe. Les outils typiques couvrent l'évaluation (Promptfoo, Braintrust, LangSmith) et l'observabilité (Langfuse, Helicone, Arize).
C'est ce qui sépare un prototype qui impressionne en démo d'un service fiable : sans tests automatisés ni suivi, une mise à jour de prompt ou de modèle peut dégrader le produit sans que personne ne le voie.
Machine Learning
TermeProblématique= apprendre à partir des exemples
Le machine learning (apprentissage automatique) est une branche de l'intelligence artificielle dans laquelle un programme apprend à accomplir une tâche à partir de données, au lieu de suivre des règles écrites à la main par un développeur.
Au lieu de coder « si le message contient tel mot, c'est un spam », on fournit au modèle des milliers d'exemples déjà classés et il en déduit lui-même les régularités. On distingue trois grandes familles :
- l'apprentissage supervisé : apprendre à partir d'exemples étiquetés (prévoir un prix, détecter une fraude)
- l'apprentissage non supervisé : trouver des groupes ou des structures dans des données brutes
- l'apprentissage par renforcement : apprendre par essais et récompensesLe deep learning, qui utilise des réseaux de neurones profonds, est un sous-ensemble du machine learning ; c'est lui qui a permis les LLM. Mais beaucoup de problèmes concrets (scoring, prévision, recommandation) se résolvent encore très bien avec des méthodes plus classiques, plus simples à expliquer et à maintenir.
Marketplace
Terme= la plateforme entre vendeurs et acheteurs
Une marketplace (place de marché en ligne) est une plateforme numérique qui met en relation des vendeurs et des acheteurs indépendants, et se rémunère généralement par une commission sur chaque transaction, sans posséder elle-même les produits ou services vendus.
Le modèle se décline en plusieurs formes : entre professionnels et particuliers (Amazon pour sa partie vendeurs tiers), entre particuliers (Vinted), pour des services (Airbnb, plateformes de freelances) ou entre entreprises (marketplaces B2B de fournitures ou de pièces industrielles).
Sa difficulté principale est le problème de « la poule et l'œuf » : sans vendeurs, pas d'acheteurs, et inversement. Une marketplace doit amorcer les deux côtés en même temps, puis entretenir la confiance (avis, paiement sécurisé, résolution des litiges).
Techniquement, une marketplace combine des briques exigeantes : moteur de recherche, paiements avec reversement aux vendeurs, gestion des comptes et lutte contre la fraude.
MCP
TechnoTerme= la prise universelle des agents IA
Le MCP (Model Context Protocol) est un protocole ouvert, publié par Anthropic en novembre 2024, qui standardise la façon dont une application d'IA (assistant, agent, éditeur de code) se connecte à des outils et des sources de données externes.
Un serveur MCP expose trois types d'éléments : des ressources à lire, des outils à appeler (actions) et des modèles de prompts. Un client MCP, comme Claude, Cursor ou VS Code, les utilise tous de la même manière. Une intégration écrite une fois fonctionne donc avec plusieurs applications d'IA.
Le protocole a été adopté au-delà d'Anthropic, notamment par OpenAI et Google. De nombreux éditeurs publient leur propre serveur MCP (GitHub, Notion, Slack, Stripe…) pour que les agents puissent agir dans leurs produits.
MFA / SSO
TermeProblématique= deux clés, une seule porte
Le MFA (Multi-Factor Authentication, « authentification multifacteur ») est un mécanisme qui exige au moins deux preuves d'identité de natures différentes : ce que l'on sait (mot de passe), ce que l'on possède (téléphone, clé de sécurité) ou ce que l'on est (biométrie).
Le SSO (Single Sign-On, « authentification unique ») permet de se connecter une seule fois auprès d'un fournisseur d'identité (Microsoft Entra ID, Okta, Google Workspace) pour accéder ensuite à toutes les applications reliées. Il s'appuie sur des protocoles comme SAML 2.0 ou OpenID Connect.
Les deux vont ensemble : le SSO concentre l'accès en un point, le MFA protège ce point. Les passkeys (standards FIDO2 et WebAuthn) remplacent progressivement mot de passe et code à usage unique par une connexion sans mot de passe, plus résistante au hameçonnage.
Microservice
MéthodeTerme= l'application découpée en petits services
Les microservices sont une architecture logicielle dans laquelle une application est découpée en petits services indépendants, chacun responsable d'une fonction métier précise et déployable séparément des autres.
Plutôt qu'un seul gros programme (un monolithe), on obtient par exemple un service pour les paiements, un pour le catalogue, un pour les notifications. Chacun a souvent sa propre base de données et communique avec les autres par API ou par messages. Une équipe peut modifier et déployer son service sans attendre les autres.
Les bénéfices : équipes plus autonomes, mise à l'échelle ciblée des parties sollicitées, choix techniques adaptés à chaque service. Le prix à payer est réel :
- un système distribué, plus difficile à tester et à déboguer
- un besoin fort d'observabilité, d'automatisation et d'outils comme Docker et Kubernetes
- des données réparties à garder cohérentesBeaucoup d'équipes reviennent à un « monolithe modulaire » quand la taille de l'organisation ne justifie pas ce coût.
Mistral
Techno= l'IA générative made in France
Mistral AI est une entreprise française fondée à Paris en 2023 par Arthur Mensch, Guillaume Lample et Timothée Lacroix, anciens chercheurs de Google DeepMind et de Meta, qui développe des LLM dont une partie est publiée en open weights (poids téléchargeables et exécutables sur sa propre infrastructure).
Sa gamme couvre des modèles généralistes (Mistral Large, Mistral Small), le code (Codestral), la vision (Pixtral) et le raisonnement (Magistral), ainsi que des modèles compacts faits pour tourner sur des machines modestes. L'entreprise propose aussi l'assistant Le Chat et une API.
Mistral est souvent retenu par des organisations attentives à la souveraineté ou qui veulent héberger elles-mêmes leur modèle : administrations, défense, industrie, banques.
ML Engineer
Métier= celui qui met les modèles en production
Le Machine Learning Engineer (ML Engineer) est l'ingénieur qui transforme un modèle de machine learning, souvent prototypé par un Data Scientist, en système fiable qui tourne en production : préparation des données, entraînement reproductible, déploiement, suivi et mises à jour.
Il combine les bases du Data Scientist (statistiques, modélisation) et celles d'un ingénieur logiciel (Python solide, tests, CI/CD, conteneurs, cloud). Il travaille avec des frameworks comme PyTorch ou scikit-learn et des outils comme MLflow, Weights & Biases, Vertex AI ou SageMaker.
On le distingue de l'AI Engineer, centré sur les applications construites autour de LLM existants, et du MLOps Engineer, centré sur la plateforme et l'infrastructure qui servent les modèles.
MLOps
MéthodeProblématique= le DevOps des modèles
Le MLOps (Machine Learning Operations) est l'ensemble des pratiques qui appliquent les principes du DevOps au cycle de vie des modèles de machine learning : versionner le code, les données et les modèles, automatiser entraînement et déploiement, surveiller la qualité et la dérive en production.
Il répond à deux problèmes concrets. Beaucoup de modèles restent bloqués au stade du prototype faute de chaîne de déploiement. Et ceux qui partent en production se dégradent sans bruit quand les données réelles s'éloignent des données d'entraînement.
Les outils courants sont MLflow, Kubeflow, Vertex AI, SageMaker, Weights & Biases, Metaflow et DVC pour le versionnement des données. Le LLMOps en est la déclinaison pour les applications fondées sur des LLM.
MLOps Engineer
Métier= le bâtisseur de l'usine à modèles
Le MLOps Engineer est l'ingénieur qui construit et exploite la plateforme permettant aux Data Scientists et ML Engineers de livrer leurs modèles en continu : pipelines d'entraînement, registre de modèles, déploiement, supervision, gestion des ressources de calcul.
Son profil est à mi-chemin entre le SRE (fiabilité, supervision, infrastructure as code, Kubernetes) et le data engineer (orchestration de pipelines, gros volumes, feature stores). Il est responsable de la disponibilité et des performances des services ML en production.
Il intervient surtout dans les organisations qui ont plusieurs modèles en production ou des besoins de calcul importants (GPU), où chaque équipe ne peut plus bricoler sa propre chaîne.
Monorepo
MéthodeTerme= tout le code dans un seul dépôt
Un monorepo est un dépôt de code unique qui regroupe plusieurs projets distincts (applications, services, bibliothèques partagées), par opposition au polyrepo où chaque projet a son propre dépôt.
Les avantages : modifier en une seule fois du code utilisé à plusieurs endroits, partager facilement code et configuration, avoir une vue d'ensemble. Les contreparties : un dépôt volumineux et des outils de build qui doivent comprendre les dépendances internes pour ne reconstruire et retester que ce qui a changé.
Côté JavaScript et TypeScript, on utilise Turborepo, Nx ou les workspaces de pnpm et Yarn. Bazel et Pants couvrent les monorepos multilangages. Google et Meta sont les exemples les plus connus de monorepos à très grande échelle.
Multimodal
TermeProblématique= l'IA qui voit, entend et lit
Un modèle d'IA est dit multimodal quand il peut comprendre ou produire plusieurs types de données : texte, image, audio, vidéo, et parfois d'autres signaux.
Plutôt que d'enchaîner des modèles spécialisés (un pour lire le texte d'une image, un autre pour l'analyser), un modèle multimodal traite les différentes entrées dans une même représentation. On peut ainsi poser une question sur une photo, analyser un document scanné avec ses tableaux, ou répondre directement à un message vocal.
Les grands modèles de Google, OpenAI, Anthropic ou Mistral acceptent tous au moins texte et image. Les usages courants : lecture automatique de documents, inspection visuelle en industrie, assistants vocaux, description de vidéos.
MVC
Terme= données, affichage et logique séparés
Le MVC (Modèle-Vue-Contrôleur) est un patron d'architecture logicielle qui organise une application en trois parties distinctes : les données, leur affichage et la logique qui fait le lien entre les deux.
Chaque partie a un rôle précis :
- le modèle gère les données et les règles métier (lire et écrire en base, valider)
- la vue affiche les informations à l'utilisateur
- le contrôleur reçoit les actions de l'utilisateur, sollicite le modèle et choisit la vue à renvoyerCette séparation rend le code plus lisible, plus facile à tester et permet de modifier l'interface sans toucher à la logique métier. Le principe est né dans les années 1970 autour du langage Smalltalk.
C'est la structure de nombreux frameworks web côté serveur : Symfony, Laravel, Ruby on Rails, Spring MVC, ou Django sous une variante. Les interfaces front-end modernes s'en sont éloignées au profit d'architectures à base de composants.
MySQL
TechnoOutil= la base de données du web
MySQL est un système de gestion de base de données relationnelle (SGBDR) open source, qui stocke les données dans des tables reliées entre elles et s'interroge avec le langage SQL.
Créé au milieu des années 1990 par la société suédoise MySQL AB, cofondée par Michael Widenius (le nom vient du prénom de sa fille, My), il a été racheté par Sun Microsystems en 2008, puis est passé sous le contrôle d'Oracle avec le rachat de Sun. Il est distribué sous double licence : libre (GPL) et commerciale.
MySQL est historiquement associé au web : c'est le « M » de la pile LAMP (Linux, Apache, MySQL, PHP) et la base par défaut de WordPress. Il est simple à installer, rapide en lecture et proposé par tous les hébergeurs et clouds.
Après le rachat par Oracle, Michael Widenius a lancé un fork, MariaDB, largement compatible. Dans les nouveaux projets, PostgreSQL est souvent préféré pour sa richesse fonctionnelle.
Next.js
FrameworkTechno= React prêt pour la production
Next.js est un framework web open source construit sur React et maintenu par Vercel, qui ajoute à React ce qu'il faut pour livrer un site ou une application complète : routage, rendu côté serveur, génération de pages statiques et optimisation des performances.
Concrètement, chaque fichier dans un dossier devient une page. Le développeur choisit page par page si le contenu est généré à l'avance, à chaque requête ou côté navigateur. Depuis la version 13 et son App Router, Next.js s'organise autour des React Server Components, qui exécutent une partie de l'interface sur le serveur.
C'est l'un des choix les plus courants pour démarrer un projet React, des sites marketing aux applications SaaS. Il peut être déployé sur Vercel ou sur n'importe quel hébergement capable de faire tourner Node.js.
NFT
TermeTechno= le certificat de propriété numérique
Un NFT (Non-Fungible Token, « jeton non fongible ») est un jeton numérique unique enregistré sur une blockchain, qui sert de titre de propriété ou d'authenticité pour un objet numérique ou physique. Contrairement à une cryptomonnaie, chaque NFT est distinct et ne s'échange pas à l'identique contre un autre.
Sur Ethereum, les NFT suivent des standards comme ERC-721 ou ERC-1155, gérés par des smart contracts. Le jeton contient en général un lien vers le contenu (image, fichier) plutôt que le contenu lui-même, ce qui pose la question de sa conservation.
Popularisés par l'art numérique et les collections comme CryptoPunks ou Bored Ape, ils ont connu une bulle spéculative en 2021-2022, suivie d'une forte baisse. Les usages restants : billetterie, objets de jeux vidéo, certificats, programmes de fidélité.
NIS2
TermeProblématique= l'obligation européenne de cybersécurité
La directive NIS2 (Network and Information Security 2) est le texte européen, adopté en 2022, qui impose des obligations de cybersécurité aux entités dites essentielles et importantes de 18 secteurs : énergie, transports, banque, santé, eau, infrastructures numériques, fournisseurs cloud, prestataires de services managés, administration, industrie manufacturière, entre autres. Elle remplace la directive NIS de 2016 et élargit fortement le nombre d'organisations concernées.
Elle exige une gouvernance cyber portée par la direction, des mesures de gestion des risques (contrôle des accès, MFA, gestion des vulnérabilités, sécurité des fournisseurs) et la notification des incidents graves : alerte sous 24 heures, notification sous 72 heures. En France, l'ANSSI pilote sa mise en œuvre.
Les sanctions peuvent atteindre 10 millions d'euros ou 2 % du chiffre d'affaires mondial pour les entités essentielles.
NodeJS
TechnoOutil= JavaScript côté serveur
Node.js est un environnement d'exécution open source qui permet de faire tourner du JavaScript en dehors du navigateur, principalement sur des serveurs. Ce n'est ni un langage, ni un framework.
Créé en 2009 par Ryan Dahl, il s'appuie sur V8, le moteur JavaScript de Google Chrome. Sa particularité est son modèle asynchrone et non bloquant : au lieu d'attendre la fin d'une opération lente (lecture de fichier, appel à une base de données), il passe à la suite et traite le résultat quand il arrive. Cela le rend efficace pour gérer de nombreuses connexions simultanées.
Il sert surtout à construire des API, des applications temps réel (chat, notifications), des microservices et des outils de développement. Il est livré avec npm, le gestionnaire de paquets qui donne accès à un écosystème de bibliothèques immense. Les frameworks les plus courants côté serveur sont Express, Fastify et NestJS.
Son grand atout : un seul langage, JavaScript ou TypeScript, sur tout le produit. Des alternatives comme Deno et Bun reprennent le même principe.
Observability
MéthodeProblématique= comprendre pourquoi ça casse
L'observabilité (observability) est la capacité à comprendre ce qui se passe à l'intérieur d'un système logiciel à partir des signaux qu'il émet : logs, métriques et traces, auxquels s'ajoutent parfois le profilage et les événements.
Le monitoring classique répond à « est-ce que ça marche ? » à partir d'indicateurs définis à l'avance. L'observabilité vise à répondre à « pourquoi ça se comporte ainsi ? », y compris pour une panne qu'on n'avait pas prévue. C'est indispensable dans les architectures distribuées, où une requête traverse des dizaines de services.
Les outils de référence sont Datadog, Grafana (avec Prometheus, Loki et Tempo), Honeycomb, New Relic et Splunk. OpenTelemetry fournit la couche d'instrumentation standard qui alimente ces outils.
OKR
Méthode= l'objectif et sa preuve chiffrée
Les OKR (Objectives and Key Results) sont une méthode de pilotage qui consiste à fixer, pour une période donnée (souvent un trimestre), quelques objectifs qualitatifs, chacun accompagné de deux à cinq résultats clés mesurables qui prouvent qu'il est atteint. La méthode a été formalisée par Andy Grove chez Intel, puis diffusée chez Google par John Doerr.
Un bon objectif dit où l'on veut aller ; un bon résultat clé mesure un effet (taux de conversion, temps de réponse, rétention), pas une tâche réalisée. Les OKR des équipes se rattachent à ceux de l'entreprise et sont visibles de tous.
La méthode est très répandue dans la tech. Son travers classique : des OKR qui listent simplement le backlog, ou des résultats toujours atteints à 100 %, signe qu'ils manquaient d'ambition.
Open weights
TermeProblématique= le modèle téléchargeable librement
Un modèle open weights (à poids ouverts) est un modèle d'IA dont les paramètres appris, les « poids », sont publiés et téléchargeables, ce qui permet de le faire tourner sur ses propres serveurs et de l'adapter.
Les poids sont le résultat de l'entraînement : sans eux, on ne peut qu'appeler le modèle via l'API de son éditeur. Avec eux, on peut l'héberger soi-même, le quantifier pour qu'il tienne sur du matériel plus modeste ou le spécialiser par fine-tuning. Open weights ne veut pas toujours dire open source : les données et le code d'entraînement restent souvent privés, et la licence peut limiter certains usages.
Llama (Meta), certains modèles de Mistral AI ou Qwen (Alibaba) sont des exemples connus. Ces modèles se diffusent surtout via Hugging Face. Ils intéressent les organisations qui veulent garder leurs données en interne ou maîtriser leurs coûts.
OpenSource
Terme= le code ouvert à tous
Un logiciel open source est un logiciel dont le code source est publié sous une licence qui autorise chacun à l'utiliser, l'étudier, le modifier et le redistribuer.
Ouvert ne veut pas dire libre de toute règle : c'est la licence qui fixe les conditions. On distingue deux grandes familles :
- les licences permissives (MIT, Apache, BSD) : on peut réutiliser le code presque librement, y compris dans un produit commercial fermé
- les licences dites copyleft (GPL) : toute version modifiée et redistribuée doit rester sous la même licenceOpen source ne veut pas non plus dire gratuit ni bénévole. De nombreux projets sont portés par des entreprises qui vivent d'un modèle autour du code (hébergement, support, fonctionnalités avancées), ou par des fondations.
L'open source fait tourner une grande partie de l'informatique : Linux, Kubernetes, PostgreSQL, Python, React. Pour une entreprise, c'est un moyen d'éviter la dépendance à un éditeur, mais il faut surveiller les licences et la sécurité des dépendances.
OpenTelemetry
TechnoOutil= le capteur standard des applications
OpenTelemetry (abrégé OTel) est un standard open source d'instrumentation des applications, hébergé par la CNCF, qui fournit des API, des SDK et des outils communs pour produire et collecter traces, métriques et logs, quel que soit l'outil d'analyse utilisé ensuite. Il est né en 2019 de la fusion des projets OpenTracing et OpenCensus.
Son intérêt : on instrumente le code une seule fois, puis on envoie les données vers l'outil de son choix (Datadog, Grafana, Honeycomb, New Relic…) sans tout refaire en cas de changement. Un composant central, le collector, reçoit les signaux, les filtre et les répartit vers une ou plusieurs destinations.
Il est pris en charge par la plupart des langages, frameworks et éditeurs d'observabilité, et sert de base aux architectures de supervision cloud-native.
ORM
TermeOutil= le traducteur entre code et base
Un ORM (Object-Relational Mapping) est un outil qui fait le lien entre le code orienté objet d'une application et une base de données relationnelle, pour manipuler les données comme des objets sans écrire chaque requête SQL à la main.
Concrètement, une table « clients » devient une classe Client dans le code. Pour enregistrer un client, le développeur crée un objet et l'ORM génère la requête SQL correspondante. Il gère aussi les relations entre tables, les évolutions du schéma (migrations) et protège contre certaines failles comme l'injection SQL.
Chaque écosystème a les siens :
- PHP : Doctrine (Symfony), Eloquent (Laravel)
- Java : Hibernate
- Python : SQLAlchemy, l'ORM de Django
- JavaScript / TypeScript : Prisma, TypeORML'ORM fait gagner beaucoup de temps, mais masque ce qui se passe en base. Mal utilisé, il génère des requêtes inefficaces, comme le problème dit « N+1 », où une simple liste déclenche des centaines de requêtes.
PaaS
Terme= l'hébergement clés en main
Le PaaS (Platform as a Service) est un modèle de cloud computing dans lequel un fournisseur met à disposition une plateforme prête à l'emploi pour déployer et faire tourner des applications, sans que l'équipe ait à gérer les serveurs, le système d'exploitation ou l'environnement d'exécution.
Le développeur pousse son code, la plateforme se charge du reste : installation des dépendances, déploiement, mise à l'échelle, certificats, supervision de base. Le fournisseur gère tout ce qui se trouve sous l'application ; le client reste responsable de son code et de ses données.
Le PaaS se situe entre l'IaaS, où l'on gère soi-même ses machines virtuelles, et le SaaS, où l'on utilise un logiciel fini. Exemples : Heroku, Google App Engine, Render, et en France Clever Cloud ou Scalingo.
Ses atouts : démarrer vite et se concentrer sur le produit, sans équipe d'exploitation. Ses limites : moins de contrôle, un coût qui peut grimper avec le trafic et un risque de dépendance au fournisseur.
Pentest
MéthodeTerme= le cambriolage commandé et autorisé
Un pentest (penetration test, « test d'intrusion ») est un audit de sécurité offensif au cours duquel un expert, avec une autorisation écrite, attaque une cible (application web, API, application mobile, réseau, environnement cloud) pour trouver les failles exploitables avant un attaquant.
On distingue trois approches selon l'information fournie : black box (aucun accès de départ), grey box (accès limité, par exemple un compte utilisateur) et white box (accès au code et à la documentation). Le livrable est un rapport qui classe les failles par gravité, avec les preuves d'exploitation et les corrections recommandées.
Le pentest complète les outils automatiques (SAST, DAST), les programmes de bug bounty et les audits de configuration. Il est souvent exigé par les clients grands comptes et par les démarches de conformité.
PHP
LangageTechno= le langage historique des sites web
PHP est un langage de programmation open source conçu pour le développement web côté serveur : il génère les pages et traite les données avant de les envoyer au navigateur.
Créé en 1994 par Rasmus Lerdorf, il s'est imposé avec l'essor du web grâce à sa simplicité et à sa disponibilité chez tous les hébergeurs. Il fait tourner une part considérable du web, notamment WordPress, Drupal ou MediaWiki (le moteur de Wikipédia). Facebook a été développé en PHP à ses débuts.
Le PHP actuel n'a plus grand-chose à voir avec celui des années 2000 : typage, programmation orientée objet aboutie, performances nettement améliorées. Il est surtout utilisé avec des frameworks comme Symfony et Laravel, et un gestionnaire de dépendances, Composer.
Sa réputation reste marquée par du vieux code écrit sans structure, alors que le langage moderne permet de construire des applications robustes.
Ping
TermeOutil= le test d'écho du réseau
Ping est une commande réseau qui vérifie si une machine est joignable sur un réseau IP et mesure le temps que met un message pour faire l'aller-retour.
Elle envoie un petit paquet (une requête « echo » du protocole ICMP) à une adresse IP ou à un nom de domaine, et attend la réponse. Le résultat indique si la machine répond, le temps aller-retour en millisecondes (la latence) et le taux de paquets perdus.
C'est souvent le premier réflexe pour diagnostiquer un problème de connexion : le serveur est-il en ligne, le réseau est-il lent, des paquets se perdent-ils en route ? Une absence de réponse ne prouve pas que la machine est éteinte, car beaucoup de pare-feu bloquent volontairement ces requêtes.
Par extension, « pinger » quelqu'un signifie le relancer rapidement par message.
Plateforme d'inférence
TechnoOutil= le moteur qui sert le modèle
Une plateforme d'inférence est l'infrastructure logicielle et matérielle qui permet de faire tourner un modèle d'IA en production et de répondre aux requêtes des utilisateurs de façon rapide, fiable et à un coût maîtrisé.
Entraîner un modèle ne suffit pas : il faut ensuite le charger sur des GPU, gérer des milliers de requêtes simultanées, regrouper les demandes pour mieux utiliser le matériel, surveiller la latence et absorber les pics de charge. Une plateforme d'inférence assemble pour cela un moteur d'exécution (comme vLLM), de l'orchestration (souvent Kubernetes), une API et de l'observabilité.
On peut la construire en interne ou passer par un fournisseur spécialisé qui facture à l'usage. Le choix dépend du volume, des contraintes de confidentialité et de la capacité de l'équipe à opérer l'ensemble.
Platform Engineer
Métier= le bâtisseur des outils des développeurs
Le Platform Engineer est l'ingénieur qui construit et fait évoluer une plateforme interne (Internal Developer Platform) : un ensemble d'outils en libre-service qui permet aux équipes produit de déployer, superviser et sécuriser leurs applications sans dépendre d'une équipe d'infrastructure.
Le platform engineering prolonge le DevOps. Plutôt que de demander à chaque équipe de monter son propre outillage, une équipe centrale traite la plateforme comme un produit, avec ses utilisateurs (les développeurs), sa feuille de route et ses indicateurs (fréquence de déploiement, délai de mise en production, taux d'échec).
Son quotidien : Kubernetes, infrastructure as code (Terraform), CI/CD, gestion des secrets, observabilité, et des portails comme Backstage, créé chez Spotify.
Product Manager
Métier= celui qui décide quoi construire
Le Product Manager (PM) est la personne responsable de ce que l'équipe construit et pourquoi : il identifie les problèmes des utilisateurs qui valent la peine d'être résolus, fixe les priorités et s'assure que le produit livré crée de la valeur pour les clients et pour l'entreprise.
Son travail se partage entre :
- la découverte : entretiens utilisateurs, analyse des données, veille concurrentielle
- la priorisation : choisir quoi faire, et surtout quoi ne pas faire, en lien avec la stratégie
- la livraison : travailler avec les développeurs et les designers pour que les bonnes fonctionnalités sortent
- la mesure : vérifier l'impact réel de ce qui a été livréIl n'a généralement pas d'autorité hiérarchique sur l'équipe : il convainc par la clarté de sa vision et la qualité de ses arguments.
Il se distingue du Product Owner, rôle défini par Scrum et plus centré sur la gestion du backlog de l'équipe, même si les deux sont souvent confondus dans les offres.
Product Owner
Métier= le gardien du backlog
Le Product Owner (PO) est la personne qui porte la voix du besoin auprès d'une équipe de développement : il décide quoi construire en priorité et s'assure que ce qui est livré répond au besoin. Le rôle vient de Scrum, où il est l'un des trois rôles avec le Scrum Master et les développeurs.
Au quotidien, il écrit et découpe les user stories, ordonne le backlog, précise les critères d'acceptation et valide les livraisons en fin de sprint. Il fait le lien entre les utilisateurs, les métiers et l'équipe tech.
On le croise surtout dans les grands groupes et les organisations qui ont adopté l'agilité à l'échelle, où il travaille souvent sous la responsabilité d'un Product Manager qui tient la vision et la stratégie produit.
Produit
TermeProblématique= ce que le client utilise vraiment
Dans la tech, le produit désigne le logiciel, l'application ou le service que l'entreprise conçoit et met entre les mains de ses utilisateurs, et qu'elle fait évoluer en continu. Il ne s'agit pas d'un projet livré une fois pour toutes, mais d'un actif qui vit, se mesure et s'améliore.
Par extension, « le Produit » désigne aussi l'équipe et la discipline qui décident quoi construire : Product Managers, Product Owners, Product Designers. Leur travail consiste à comprendre les besoins, prioriser, mesurer l'usage et arbitrer entre valeur pour l'utilisateur, faisabilité technique et intérêt business.
On parle d'entreprise « orientée produit » quand les décisions partent de l'usage réel et des résultats mesurés, et non d'un cahier des charges figé ou d'une liste de demandes clients.
Prompt Engineer
Métier= le rédacteur d'instructions pour l'IA
Le Prompt Engineer est un profil apparu avec les LLM, chargé de concevoir, tester et améliorer les prompts (les instructions données aux modèles d'IA générative) pour obtenir des réponses fiables, sûres et reproductibles dans un produit donné.
Son travail : rédiger les instructions système, choisir les exemples à fournir au modèle, structurer les sorties attendues, construire des jeux de tests pour comparer les versions et documenter ce qui fonctionne. Il combine compréhension des modèles, sens produit, rigueur expérimentale et qualité d'écriture.
Le titre existe encore, mais le rôle s'est largement fondu dans des métiers plus larges : AI Engineer, Product Manager IA, spécialistes métier qui conçoivent des assistants. Les postes dédiés se trouvent plutôt dans les laboratoires d'IA et les entreprises dont le produit repose entièrement sur un modèle.
Prompt Engineering
MéthodeTerme= l'art de bien demander à l'IA
Le prompt engineering est l'ensemble des techniques de rédaction et de structuration des instructions données à un modèle d'IA générative, pour obtenir des réponses de qualité, fiables et conformes au comportement attendu.
Il s'appuie sur des pratiques éprouvées : donner des exemples (few-shot), demander au modèle de raisonner étape par étape, imposer un format de sortie (JSON par exemple), séparer les consignes système des messages utilisateur, fournir le bon contexte et prévoir les cas d'échec (« si l'information manque, dites-le »).
Avec les agents, le sujet s'élargit : décrire les outils que le modèle peut appeler, gérer ce qui entre dans la fenêtre de contexte, enchaîner plusieurs étapes. La qualité d'une application d'IA dépend souvent autant des instructions que du modèle choisi.
Pure Player
Terme= l'entreprise 100 % en ligne
Un pure player est une entreprise dont toute l'activité commerciale passe par internet : elle vend et sert ses clients via un site ou une application, sans magasin ni agence physique. Le terme s'oppose aux acteurs traditionnels qui ont ajouté un canal en ligne à un réseau physique existant.
Un pure player peut posséder des entrepôts, des bureaux ou des data centers : ce qui compte, c'est que la relation client soit entièrement numérique. Amazon à ses débuts, Netflix, Spotify ou un journal uniquement en ligne comme Mediapart en sont des exemples classiques.
Le mot est surtout utilisé dans le commerce, les médias et la banque, des secteurs où le numérique a bousculé les acteurs historiques. Plusieurs pure players ont depuis ouvert des points de vente physiques, ce qui rend la frontière plus floue.
PWA
TermeTechno= le site qui s'installe comme une appli
Une PWA (Progressive Web App, « application web progressive ») est un site web qui utilise des technologies standard du navigateur pour se comporter comme une application mobile : installation sur l'écran d'accueil, fonctionnement hors ligne, notifications, ouverture en plein écran.
Deux briques la rendent possible : un manifeste, qui décrit l'application (nom, icône, couleurs), et un service worker, un script qui tourne en arrière-plan pour mettre en cache les contenus et recevoir les notifications. Le tout est servi en HTTPS.
Une PWA se diffuse par une simple URL, sans passer par les stores, et un seul code fonctionne sur tous les appareils. Android la prend bien en charge ; Apple a longtemps été plus restrictif, même si iOS accepte les notifications des PWA installées depuis 2023.
Python
Langage= le couteau suisse du code
Python est un langage de programmation généraliste, créé par Guido van Rossum et publié pour la première fois en 1991, réputé pour sa syntaxe lisible et la richesse de son écosystème de bibliothèques. Il est interprété : le code s'exécute sans étape de compilation manuelle, ce qui le rend rapide à écrire et à tester.
Il couvre des usages très différents :
- Data et IA : c'est le langage dominant du machine learning et de la data science (NumPy, pandas, PyTorch, scikit-learn).
- Web et back-end : avec Django, Flask ou FastAPI.
- Automatisation et scripts : outillage, tâches système, tests, ingénierie.Sa simplicité a un prix : il est plus lent que des langages compilés comme C++ ou Rust, d'où l'usage fréquent de bibliothèques écrites en C sous le capot pour les calculs lourds.
Quantization
MéthodeTechno= le modèle compressé pour tourner moins cher
La quantization (quantification en français) est une technique qui réduit la précision des nombres utilisés pour stocker les paramètres d'un modèle d'IA, afin qu'il occupe moins de mémoire et s'exécute plus vite.
Un modèle stocke ses poids sous forme de nombres à virgule, souvent sur 16 ou 32 bits. La quantization les ramène à 8 bits, 4 bits, voire moins. Le modèle devient plus léger, tient sur un GPU plus modeste ou sur un ordinateur portable, et répond plus vite. La contrepartie : une possible perte de qualité, qu'il faut mesurer selon l'usage.
Il existe plusieurs méthodes (GPTQ, AWQ, formats GGUF pour l'exécution locale, etc.), appliquées après l'entraînement ou prises en compte pendant celui-ci. La quantization est très utilisée pour servir des modèles à poids ouverts en production et pour l'IA embarquée.
Quick & Dirty
Terme= la rustine qui dépanne
Une solution quick & dirty est une solution rapide à mettre en place mais peu soignée, choisie pour régler ou masquer un problème tout de suite plutôt que de le traiter proprement. Elle fonctionne, mais au prix d'une dette technique qu'il faudra rembourser plus tard.
Elle a sa place dans plusieurs situations : un correctif d'urgence en production, un prototype ou une preuve de concept (POC) pour valider une idée, une démo client. Le risque apparaît quand la rustine reste en place des années et que d'autres briques s'appuient dessus.
Anecdote connue : MS-DOS dérive de QDOS (Quick and Dirty Operating System), un système écrit par Tim Paterson chez Seattle Computer Products, que Microsoft a racheté en 1981.
RAG
MéthodeTechno= l'IA qui consulte ses sources
Le RAG (Retrieval-Augmented Generation, « génération augmentée par récupération ») est une architecture d'application d'IA qui, avant de répondre, va chercher dans une base de documents les passages pertinents et les fournit au LLM pour qu'il s'appuie dessus. Le terme vient d'un article de recherche de Meta publié en 2020.
Un pipeline RAG typique comporte trois étapes :
- ingestion : les documents sont découpés en morceaux (chunks), transformés en embeddings et stockés dans une base vectorielle ;
- recherche : pour chaque question, on retrouve les morceaux les plus proches par le sens, souvent combinés à une recherche par mots-clés ;
- génération : le LLM rédige sa réponse à partir de ces extraits, idéalement en citant ses sources.C'est la méthode standard pour faire répondre une IA sur des données internes ou récentes, et limiter les hallucinations. Elle se met à jour plus facilement qu'un fine-tuning : il suffit d'ajouter des documents.
ReactJS
FrameworkTechno= les briques Lego de l'interface
React (aussi écrit React.js ou ReactJS) est une bibliothèque JavaScript open source créée par Facebook (aujourd'hui Meta) et publiée en 2013, qui sert à construire des interfaces utilisateur à partir de composants réutilisables. Chaque composant gère son propre état et React met à jour l'affichage automatiquement quand cet état change.
Techniquement, ce n'est pas un framework complet : React gère la couche d'affichage, et l'on y ajoute d'autres outils pour le routage, la gestion des données ou le rendu serveur. Next.js est le framework le plus utilisé pour bâtir des applications complètes sur React. React Native applique les mêmes principes aux applications mobiles.
C'est l'une des technologies front-end les plus répandues, des startups aux grands groupes, ce qui en fait un choix sûr pour recruter et maintenir une équipe.
Responsive
ProblématiqueTerme= la page qui s'adapte à l'écran
Une page ou une application responsive est une interface qui adapte automatiquement sa mise en page à la taille de l'écran qui l'affiche, du smartphone au grand moniteur, sans perdre en lisibilité ni en confort d'usage. On parle de responsive web design.
Concrètement, le développeur front-end utilise CSS pour réorganiser les éléments selon la largeur disponible : colonnes qui passent les unes sous les autres, menu qui se replie, images redimensionnées, tailles de texte ajustées. Les outils clés sont les grilles flexibles (Flexbox, Grid) et les media queries.
Aujourd'hui, une grande partie du trafic web passe par le mobile, et beaucoup d'équipes conçoivent d'abord pour le petit écran (mobile first) avant d'élargir. Le responsive n'est plus une option mais une attente de base.
RGPD / GDPR
TermeProblématique= la loi européenne sur les données personnelles
Le RGPD (Règlement général sur la protection des données, GDPR en anglais) est le règlement européen, applicable depuis le 25 mai 2018, qui encadre le traitement des données personnelles des personnes situées dans l'Union européenne, y compris par des entreprises établies hors de l'Union.
Il donne des droits aux personnes (accès, rectification, effacement, portabilité, opposition) et impose des obligations aux organisations : une base légale pour chaque traitement, la protection des données dès la conception (privacy by design), un registre des traitements, une analyse d'impact pour les traitements à risque, la notification des violations à l'autorité sous 72 heures et, dans certains cas, la désignation d'un délégué à la protection des données (DPO).
Les amendes peuvent atteindre 20 millions d'euros ou 4 % du chiffre d'affaires mondial. En France, l'autorité de contrôle est la CNIL.
RLHF
MéthodeTerme= l'éducation du modèle par l'humain
Le RLHF (Reinforcement Learning from Human Feedback, « apprentissage par renforcement à partir de retours humains ») est une technique d'entraînement des LLM qui, après le pré-entraînement, ajuste le modèle à partir de comparaisons faites par des humains entre plusieurs réponses, pour qu'il devienne plus utile, honnête et sûr.
La méthode classique comporte trois étapes : un ajustement supervisé sur des exemples rédigés par des humains, l'entraînement d'un reward model qui apprend à prédire les préférences humaines, puis l'optimisation du LLM pour maximiser ce score, généralement avec l'algorithme PPO. Des variantes comme DPO apprennent directement à partir des préférences, sans modèle de récompense séparé.
Le RLHF a joué un rôle clé dans le passage des LLM de la recherche au grand public, à commencer par ChatGPT. Anthropic a proposé la Constitutional AI, où une partie des retours est produite par un modèle à partir de principes écrits (on parle de RLAIF).
Ruby
Langage= le langage pensé pour le développeur
Ruby est un langage de programmation open source, interprété et orienté objet, créé au Japon par Yukihiro « Matz » Matsumoto et publié en 1995, avec l'objectif explicite de rendre la programmation agréable pour le développeur. Sa syntaxe est concise et proche du langage naturel.
Sa popularité tient surtout à Ruby on Rails, un framework web publié en 2004 qui a imposé des conventions fortes (« convention plutôt que configuration ») et permet de construire très vite une application complète. GitHub, Shopify ou Airbnb ont été bâtis en grande partie avec Rails.
Ruby reste très présent dans les startups et scale-ups qui l'ont choisi tôt, en particulier pour des applications web et SaaS. Il est moins utilisé pour la data, l'IA ou le calcul intensif.
SaaS
Terme= le logiciel qu'on loue en ligne
Le SaaS (Software as a Service, logiciel en tant que service) est un modèle où le logiciel est hébergé par l'éditeur dans le cloud et utilisé par le client via un navigateur ou une application, en échange d'un abonnement, plutôt qu'installé sur ses propres machines.
Pour le client, cela supprime l'installation, la maintenance et les mises à jour, et permet de démarrer vite. Pour l'éditeur, cela crée des revenus récurrents et lui permet de livrer des améliorations en continu à tous ses clients d'un coup. Slack, Salesforce, Notion ou Zendesk en sont des exemples connus.
Le SaaS se distingue de l'IaaS (on loue de l'infrastructure) et du PaaS (on loue une plateforme pour déployer son code). Il impose des exigences fortes sur la disponibilité, la sécurité des données et la gestion multi-clients (multi-tenant).
SAFe
Méthode= l'agilité version grand groupe
SAFe (Scaled Agile Framework) est un cadre méthodologique propriétaire, créé par Dean Leffingwell et commercialisé par l'entreprise Scaled Agile, qui vise à appliquer l'agilité à de grandes organisations où des dizaines, voire des centaines d'équipes, travaillent sur les mêmes produits.
Il regroupe les équipes en Agile Release Trains synchronisés sur des cycles appelés Program Increments, souvent d'environ un trimestre. Chaque cycle s'ouvre par un PI Planning, un grand événement de planification commun. SAFe définit aussi des rôles spécifiques (Release Train Engineer, Product Management, System Architect) et plusieurs niveaux, jusqu'au portefeuille.
Il est très présent dans les grands groupes (banque, assurance, télécoms, industrie, secteur public). Il est aussi critiqué pour sa lourdeur et son écart avec l'esprit du Manifeste agile ; LeSS et le « Scrum of Scrums » sont des alternatives plus légères.
SAST / DAST
MéthodeOutil= les détecteurs de failles du code
Le SAST (Static Application Security Testing) et le DAST (Dynamic Application Security Testing) sont les deux grandes familles de tests automatisés de sécurité applicative : le premier analyse le code sans l'exécuter, le second attaque l'application pendant qu'elle tourne.
Le SAST lit le code source pour repérer des failles connues (injection SQL, XSS, secrets écrits en dur, mauvaise cryptographie). Il s'intègre dans la CI et signale les problèmes avant la mise en production. Outils : Semgrep, SonarQube, GitHub CodeQL, Snyk Code, Checkmarx.
Le DAST teste l'application déployée depuis l'extérieur, comme un attaquant : il envoie des requêtes piégées et observe les réponses. Il trouve des problèmes invisibles dans le code (configuration, authentification). Outils : OWASP ZAP, Burp Suite, Acunetix.
Les deux se complètent, avec l'analyse des dépendances (SCA), des conteneurs et de l'infrastructure as code.
SBOM
TermeProblématique= la liste des ingrédients d'un logiciel
Un SBOM (Software Bill of Materials, ou « nomenclature logicielle ») est un inventaire structuré et lisible par une machine de tous les composants qui constituent un logiciel : bibliothèques, dépendances directes et indirectes, versions, licences et empreintes.
Concrètement, il est généré automatiquement au moment du build, puis stocké avec chaque version livrée. Quand une faille est publiée sur une bibliothèque répandue, on interroge les SBOM pour savoir en quelques minutes quels produits sont touchés, au lieu de fouiller chaque dépôt à la main.
Les deux formats standards sont SPDX (porté par la Linux Foundation) et CycloneDX (porté par l'OWASP). Le SBOM est exigé pour vendre du logiciel à l'administration fédérale américaine depuis l'Executive Order 14028, et le Cyber Resilience Act européen impose aux fabricants de produits numériques de documenter leurs composants.
SCRUM
Méthode= l'agilité en sprints
Scrum est un cadre de travail agile qui organise le développement d'un produit en cycles courts et réguliers, les sprints (souvent de deux semaines), à la fin desquels l'équipe livre un incrément utilisable. Il a été formalisé par Ken Schwaber et Jeff Sutherland au milieu des années 1990, en s'inspirant d'un article de Takeuchi et Nonaka sur le développement de produits.
Scrum repose sur trois rôles :
- le Product Owner, qui priorise le backlog ;
- le Scrum Master, qui fait vivre la méthode et lève les obstacles ;
- les développeurs, qui construisent le produit.Le rythme est donné par des événements fixes : planification du sprint, point quotidien (daily), revue de sprint et rétrospective. Le tout s'appuie sur trois principes : transparence, inspection et adaptation. Scrum reste l'approche agile la plus répandue, souvent mélangée à Kanban.
SCRUM Master
Métier= le coach de l'équipe agile
Le Scrum Master est la personne chargée de faire fonctionner Scrum dans une équipe : il aide l'équipe à appliquer le cadre, anime les événements et lève les obstacles qui ralentissent la livraison. Il n'est ni chef de projet ni manager hiérarchique : son autorité vient de sa méthode, pas de son titre.
Concrètement, il facilite le sprint planning, le daily, la revue et la rétrospective, protège l'équipe des sollicitations extérieures, aide le Product Owner à tenir un backlog clair et accompagne l'organisation dans son passage à l'agilité.
On le trouve surtout dans les grandes entreprises et les organisations qui structurent plusieurs équipes agiles. Dans les petites structures, le rôle est souvent pris en charge par un Engineering Manager ou un Lead Tech.
Server Components
TermeTechno= des composants React qui restent sur le serveur
Les React Server Components (RSC) sont des composants React qui s'exécutent uniquement sur le serveur et dont le code n'est jamais envoyé au navigateur. Ils sont intégrés de manière stable à React depuis la version 19.
Un Server Component peut lire directement une base de données, un fichier ou un secret, puis transmet au navigateur une description sérialisée de ce qu'il faut afficher. Les parties interactives (un bouton, un formulaire) restent des composants client, déclarés explicitement avec la directive "use client".
L'intérêt principal : moins de JavaScript à télécharger et à exécuter côté utilisateur, donc des pages plus rapides. Next.js, avec son App Router, est l'implémentation la plus répandue. Le modèle change la façon de penser une application React : il faut décider, composant par composant, ce qui vit sur le serveur et ce qui vit dans le navigateur.
Serverless
TechnoTerme= du code sans serveur à gérer
Le serverless est un modèle d'exécution cloud dans lequel on déploie du code sans provisionner ni administrer de serveurs : la plateforme alloue la capacité à la demande, ajuste automatiquement le nombre d'instances et facture à l'usage réel.
Il y a bien des serveurs, mais ils sont invisibles pour l'équipe. On retrouve le modèle sous plusieurs formes :
- des fonctions déclenchées par un événement (AWS Lambda, Cloudflare Workers, Vercel Functions) ;
- des conteneurs serverless (Google Cloud Run) ;
- des bases de données et services managés qui s'adaptent seuls à la charge (DynamoDB, Aurora Serverless, Neon).Le serverless est très efficace pour des charges irrégulières ou imprévisibles. Sur une charge constante et élevée, il peut coûter plus cher qu'une infrastructure classique, et impose ses contraintes : temps de démarrage à froid (cold start), durée d'exécution limitée, dépendance forte au fournisseur.
Service Mesh
TechnoTerme= le réseau intelligent entre microservices
Un service mesh est une couche d'infrastructure qui gère la communication entre microservices : routage, chiffrement des échanges (mTLS), relances automatiques, délais d'expiration, répartition du trafic et collecte de métriques, sans modifier le code des applications.
Dans sa forme classique, un petit proxy (souvent Envoy) est placé à côté de chaque service, en sidecar. Tous les appels passent par lui. Un control plane central distribue les règles à l'ensemble des proxys. Des approches plus récentes se passent du sidecar et déplacent ce travail au niveau du nœud ou du noyau Linux (mode Ambient d'Istio, Cilium basé sur eBPF).
Les implémentations les plus connues sont Istio, Linkerd et Consul. Un service mesh se justifie quand le nombre de services rend la sécurité et la visibilité réseau ingérables à la main. Sur une petite architecture, il ajoute surtout de la complexité.
Shape Up
Méthode= des cycles de six semaines à budget fixe
Shape Up est une méthode de développement produit publiée en 2019 par Ryan Singer, chez Basecamp, qui organise le travail en cycles de six semaines à durée fixe et périmètre variable.
Avant chaque cycle, des personnes expérimentées « façonnent » (shape) les sujets : elles cadrent le problème, esquissent une solution sans entrer dans le détail et fixent un appetite, c'est-à-dire le temps qu'on accepte d'y consacrer. Ces propositions (pitches) sont arbitrées lors d'une betting table. Une petite équipe prend ensuite le sujet en main en totale autonomie, sans tickets découpés ni estimations fines.
Chaque cycle est suivi de deux semaines de cool-down pour corriger des bugs, réduire la dette ou explorer. Shape Up s'adresse surtout à des équipes produit compactes et seniors, qui veulent sortir du rythme des sprints Scrum.
Singleton
Terme= l'objet en exemplaire unique
Le Singleton est un patron de conception (design pattern) qui garantit qu'une classe n'a qu'une seule instance dans tout le programme et fournit un point d'accès global à cette instance. Il fait partie des patrons décrits dans le livre de référence du « Gang of Four » (1994).
On l'utilise pour des ressources qui doivent rester uniques : configuration de l'application, connexion partagée à une base de données, journal d'événements (logger). Concrètement, le constructeur de la classe est rendu inaccessible et une méthode renvoie toujours la même instance, créée au premier appel.
Le Singleton est aussi l'un des patrons les plus critiqués : il crée un état global caché, complique les tests et couple fortement le code. Beaucoup d'équipes lui préfèrent l'injection de dépendances, qui obtient le même résultat de façon plus explicite.
Smart Contract
TechnoTerme= un programme qui exécute un accord
Un smart contract (« contrat intelligent ») est un programme déployé sur une blockchain qui s'exécute automatiquement quand ses conditions sont remplies, sans intermédiaire, et dont le résultat est vérifiable par tous les participants du réseau.
Il ne s'agit pas d'un contrat au sens juridique : c'est du code qui détient des actifs et applique des règles (transférer un jeton, libérer un paiement, enregistrer un vote). Les smart contracts sont la brique de base de la DeFi, des NFT et des DAO. Ils s'écrivent dans des langages dédiés : Solidity pour Ethereum et les réseaux compatibles, Rust pour Solana, Move pour Aptos et Sui.
Une fois déployé, un smart contract est en principe immuable, et il manipule souvent de l'argent réel. Une erreur de logique peut être exploitée en quelques minutes. D'où l'importance des audits de sécurité, des tests poussés et des programmes de bug bounty avant toute mise en production.
Snowflake / BigQuery
TechnoOutil= les entrepôts de données du cloud
Snowflake et BigQuery sont des entrepôts de données cloud (cloud data warehouses) : des services managés qui stockent de très grands volumes de données et permettent de les interroger en SQL, avec un stockage et une puissance de calcul séparés et facturés à l'usage.
Snowflake est un éditeur indépendant dont la plateforme tourne sur AWS, Azure et Google Cloud. Il isole les charges de travail dans des virtual warehouses qu'on allume, éteint et dimensionne à la demande. BigQuery est le service de Google Cloud : entièrement serverless, il est facturé soit à la quantité de données lues par requête, soit en capacité réservée.
Les deux servent de socle à la modern data stack : des outils d'ingestion y chargent les données, dbt les transforme, un outil de BI les restitue. Ils sont en concurrence directe avec les architectures lakehouse, comme Databricks.
SOC 2
TermeProblématique= le passeport sécurité des éditeurs SaaS
Le SOC 2 (System and Organization Controls 2) est un cadre d'audit défini par l'AICPA, l'organisation américaine des experts-comptables, qui atteste qu'un fournisseur de services protège correctement les données de ses clients.
L'audit porte sur cinq critères (Trust Services Criteria) : sécurité, toujours inclus, puis disponibilité, intégrité des traitements, confidentialité et vie privée, au choix. Un cabinet d'audit indépendant rédige un rapport. Le Type I vérifie que les contrôles sont bien conçus à une date donnée. Le Type II vérifie qu'ils ont fonctionné sur une période de plusieurs mois, et c'est lui que les clients demandent.
Ce n'est pas une certification mais une attestation. Le SOC 2 est souvent exigé par les grands comptes, en particulier nord-américains, avant de confier des données à un éditeur SaaS. En Europe, l'ISO 27001 joue un rôle comparable. Des plateformes comme Vanta ou Drata automatisent une partie de la collecte des preuves.
Software Craftsmanship
MéthodeTerme= le code fait dans les règles de l'art
Le software craftsmanship (artisanat du logiciel) est un mouvement qui considère le développement comme un métier d'artisan : un logiciel ne doit pas seulement fonctionner, il doit être bien conçu, lisible et facile à faire évoluer. Il a été formalisé par un manifeste publié en 2009, qui prolonge le Manifeste agile.
En pratique, il s'appuie sur des pratiques techniques exigeantes :
- tests automatisés et TDD ;
- revue de code et programmation en binôme ;
- refactoring continu et principes de conception (SOLID, code propre) ;
- partage de savoir et mentorat entre développeurs.L'agilité organise la façon de livrer, le craftsmanship s'occupe de la façon d'écrire le code. Les deux sont complémentaires : sans qualité technique, une équipe agile finit ralentie par sa dette.
Solid
FrameworkTechno= la réactivité fine sans DOM virtuel
Solid (ou SolidJS) est une bibliothèque JavaScript open source de construction d'interfaces, créée par Ryan Carniato, qui reprend la syntaxe de React (JSX, composants) mais fonctionne sans DOM virtuel, grâce à une réactivité fine fondée sur des signaux.
Dans React, un changement d'état relance le rendu du composant. Dans Solid, chaque composant ne s'exécute qu'une fois : seules les portions de page qui dépendent d'un signal modifié sont mises à jour. Résultat : de très bonnes performances et un code envoyé au navigateur très léger.
SolidStart joue pour Solid le rôle que Next.js joue pour React. La communauté reste bien plus petite que celle de React, mais Solid a contribué à populariser les signaux, une approche reprise depuis sous diverses formes par Angular, Svelte, Preact ou Vue.
Souveraineté numérique
Problématique= garder la main sur ses technologies
La souveraineté numérique est la capacité d'un État, d'une entreprise ou d'une organisation à maîtriser ses technologies, ses données et ses infrastructures numériques, sans dépendre de fournisseurs ou de lois étrangères qu'elle ne contrôle pas.
Elle se joue à plusieurs niveaux : où sont hébergées les données et sous quel droit (cloud, Cloud Act), qui fournit les composants critiques (puces, logiciels, modèles d'IA), et qui détient les compétences pour les faire évoluer. Elle ne veut pas dire tout produire soi-même, mais pouvoir choisir et changer de fournisseur sans être bloqué.
Le sujet traverse la défense, l'administration, la santé, l'industrie et l'IA. On le retrouve dans les offres de cloud qualifié SecNumCloud, dans les politiques d'achat public et dans l'essor de modèles d'IA européens à poids ouverts.
Spotify Model
Méthode= squads, tribes, chapters et guilds
Le Spotify Model est une façon d'organiser les équipes produit et tech, décrite en 2012 par Henrik Kniberg et Anders Ivarsson à partir de leur expérience chez Spotify, qui repose sur des équipes autonomes regroupées par domaine et reliées par des communautés de métier.
Il s'articule autour de quatre niveaux :
- les squads, petites équipes pluridisciplinaires responsables d'une partie du produit ;
- les tribes, qui regroupent plusieurs squads sur un même domaine ;
- les chapters, qui réunissent les personnes d'un même métier à travers les squads (par exemple tous les développeurs back-end d'une tribe) ;
- les guilds, communautés d'intérêt ouvertes à tous.Le modèle a été très copié, souvent à la lettre. Or ses auteurs le présentaient comme une photographie à un instant donné, pas comme un cadre à reproduire, et Spotify a lui-même fait évoluer son organisation. Il reste une source d'inspiration utile, pas une méthode clé en main.
SQLite
TechnoOutil= la base de données dans un fichier
SQLite est un moteur de base de données relationnelle écrit en C, distribué sous forme de bibliothèque à intégrer directement dans une application, qui stocke toute la base dans un seul fichier et se manipule en SQL. Il ne nécessite aucun serveur à installer ni à administrer.
Cette légèreté en fait l'une des bases de données les plus déployées au monde : elle est embarquée dans les smartphones (iOS, Android), les navigateurs web, de nombreuses applications de bureau et des objets connectés. Son code est dans le domaine public.
SQLite est idéal pour le stockage local, les applications mobiles, les tests et les prototypes. Il est moins adapté quand de nombreux utilisateurs écrivent en même temps, cas où l'on choisit plutôt un serveur comme PostgreSQL ou MySQL. Des projets récents l'utilisent aussi côté serveur pour des applications légères.
SRE
Métier= l'ingénieur de la fiabilité en production
Le SRE (Site Reliability Engineer) est un ingénieur chargé de la fiabilité des systèmes en production, qui traite l'exploitation comme un problème logiciel : disponibilité, performance, capacité, gestion des incidents et automatisation des tâches répétitives.
La pratique est née chez Google au début des années 2000 et a été popularisée par le livre Site Reliability Engineering (2016). Elle a diffusé un vocabulaire devenu courant :
- SLI et SLO : l'indicateur de fiabilité mesuré et l'objectif à atteindre ;
- error budget : la marge d'indisponibilité tolérée, qui arbitre entre nouvelles fonctionnalités et stabilisation ;
- toil : le travail manuel répétitif, à réduire ;
- post-mortems sans blâme après chaque incident.Le SRE partage beaucoup avec le DevOps, mais avec un objectif plus précis : une fiabilité chiffrée, mesurée et négociée avec le produit. Chez Google, l'équipe doit consacrer au moins la moitié de son temps à du travail d'ingénierie plutôt qu'à l'exploitation pure.
Staff / Principal Engineer
Métier= l'expert technique au-delà du senior
Staff Engineer et Principal Engineer désignent des niveaux d'ingénieur au-delà du Senior, sur une filière d'expertise (individual contributor track) qui permet de progresser sans devenir manager.
Un Staff Engineer a un impact qui dépasse son équipe : il porte des choix d'architecture structurants, débloque les projets transverses, fixe des standards techniques et fait monter les autres en compétence. Le Principal Engineer exerce la même influence à l'échelle d'une organisation entière. Le contenu varie beaucoup selon les entreprises : certains sont très proches du code, d'autres jouent un rôle d'architecte ou de bras droit du CTO.
Ces titres viennent des grandes entreprises tech américaines, où ils correspondent à des niveaux précis dans une grille. En France, on les croise surtout dans les scale-ups. Dans une structure plus petite, le même rôle peut s'appeler Lead Tech ou Architecte.
Sublime Text
Outil= un éditeur de code rapide
Sublime Text est un éditeur de code propriétaire, disponible sur Windows, macOS et Linux, connu pour sa rapidité, sa légèreté et son interface épurée. Il a été créé par Jon Skinner et sa première version est sortie en 2008.
Il a popularisé plusieurs fonctionnalités devenues standard dans les éditeurs modernes : l'édition multi-curseurs, la palette de commandes et la navigation instantanée dans les fichiers d'un projet. Il gère la coloration syntaxique de très nombreux langages et s'enrichit de plugins écrits en Python.
Le logiciel est payant, mais peut être évalué gratuitement. Beaucoup de développeurs sont passés depuis à Visual Studio Code ou à des IDE plus complets, mais Sublime Text garde des adeptes pour sa vitesse sur les gros fichiers.
Supply Chain Attack
TermeProblématique= pirater le fournisseur pour atteindre le client
Une supply chain attack (attaque sur la chaîne d'approvisionnement logicielle) est une attaque qui compromet un fournisseur, un outil ou un composant en amont pour atteindre, à travers lui, toutes les organisations qui l'utilisent.
Le point d'entrée peut être une mise à jour logicielle piégée, une bibliothèque open source modifiée, un outil de build ou un prestataire d'infogérance. Quelques cas marquants :
- SolarWinds (2020) : une mise à jour compromise distribuée à des milliers de clients, dont des administrations ;
- 3CX (2023) : un logiciel de téléphonie piégé, lui-même compromis via un autre logiciel tiers ;
- xz-utils (2024) : une porte dérobée introduite après des années de contributions par un mainteneur malveillant, découverte de justesse avant sa diffusion large.Les parades combinent inventaire des dépendances (SBOM), signature et traçabilité des artefacts (Sigstore, SLSA), builds isolés et réduction du nombre de dépendances tierces.
Svelte
FrameworkTechno= le framework qui disparaît à la compilation
Svelte est un framework open source de construction d'interfaces web, créé par Rich Harris en 2016, qui fonctionne comme un compilateur : il transforme les composants en JavaScript optimisé au moment du build, au lieu d'embarquer un moteur de framework dans le navigateur.
Les composants s'écrivent dans des fichiers proches du HTML, avec des blocs de logique simples et du CSS isolé par composant. Le code envoyé au navigateur est léger et rapide. Svelte 5 a introduit les runes, un modèle de réactivité fondé sur les signaux, qui rend le comportement plus explicite sur les applications complexes.
SvelteKit est le framework applicatif de l'écosystème (routage, rendu serveur, déploiement), l'équivalent de Next.js pour React. Svelte est régulièrement parmi les outils les plus appréciés des développeurs, mais son adoption en entreprise reste bien inférieure à celle de React ou Vue.
Symfony
FrameworkTechno= la charpente des projets PHP
Symfony est un framework PHP open source, créé par l'entreprise française SensioLabs et son fondateur Fabien Potencier, publié en 2005, qui fournit une structure et des composants réutilisables pour construire des applications web et des API. Il suit une architecture de type MVC.
Il est aussi un ensemble de composants indépendants (routage, formulaires, sécurité, console, injection de dépendances) que d'autres projets réutilisent : Laravel et Drupal s'appuient en partie sur des composants Symfony. L'ORM Doctrine lui est très souvent associé pour l'accès aux bases de données.
Symfony est particulièrement présent en France et en Europe, dans les applications métier, les plateformes e-commerce et les back-ends complexes. Son cycle de versions est régulier et documenté, avec des versions à support long, ce qui rassure les projets qui doivent durer.
Synchrone / Asynchrone
TermeProblématique= attendre la réponse ou pas
Un échange est synchrone quand l'émetteur attend la réponse avant de continuer, et asynchrone quand il poursuit son activité et traite la réponse plus tard, au moment où elle arrive. La distinction s'applique aussi bien au code qu'à la façon de travailler.
En programmation : un appel synchrone bloque le programme jusqu'au résultat. Un appel asynchrone lance la tâche (requête réseau, lecture de fichier, appel d'API) et laisse le programme continuer. C'est essentiel pour qu'une interface reste fluide ou qu'un serveur traite de nombreuses requêtes en parallèle. JavaScript et Node.js reposent largement sur ce modèle, et les files de messages comme Kafka permettent de découpler des services.
En organisation : une réunion ou un appel sont synchrones, un email ou un ticket sont asynchrones. Une messagerie comme Slack est en principe asynchrone, même si elle donne l'impression du temps réel. Les équipes à distance s'appuient beaucoup sur l'écrit asynchrone.
Système d’exploitation / OS
TermeTechno= le chef d’orchestre de la machine
Un système d'exploitation (OS, pour Operating System) est le logiciel de base qui gère les ressources matérielles d'un appareil (processeur, mémoire, stockage, périphériques) et offre aux applications un cadre commun pour s'exécuter. Sans lui, chaque programme devrait piloter le matériel directement.
Il répartit le temps de calcul entre les programmes, isole leur mémoire, gère les fichiers, le réseau et les droits des utilisateurs, et fournit une interface (graphique ou en ligne de commande).
On le croise partout :
- ordinateurs : Windows, macOS, Linux ;
- smartphones : Android, iOS ;
- serveurs et cloud : très majoritairement Linux ;
- systèmes embarqués : des OS temps réel (RTOS) ou Linux embarqué, dans l'automobile, l'aéronautique, l'industrie ou la défense.Système d’information
Terme= le système nerveux de l'entreprise
Le système d'information (SI) est l'ensemble des moyens humains, organisationnels et techniques qui permettent à une organisation de collecter, stocker, traiter et diffuser l'information dont elle a besoin pour fonctionner. Il ne se limite pas à l'informatique : il inclut aussi les processus et les personnes qui produisent et utilisent l'information.
Sa partie technique regroupe le matériel, les réseaux, les logiciels (ERP, CRM, outils métier, messagerie) et les données. On parle de « DSI » pour la direction qui en a la charge, pilotée par un CIO ou DSI.
Dans un grand groupe, le SI est souvent un ensemble hétérogène construit sur des décennies, avec des applications anciennes à faire cohabiter avec le cloud et les outils récents. Sa sécurité, son urbanisation (la cohérence de l'ensemble) et son coût sont des sujets de direction générale.
Système embarqué
TermeTechno= l'informatique cachée dans les machines
Un système embarqué est un ensemble électronique et logiciel intégré dans un équipement pour y remplir une fonction précise, souvent avec des contraintes fortes de taille, de consommation, de fiabilité et de temps réel.
On en trouve partout : calculateurs de voiture, commandes de vol d'un avion, satellites, drones, équipements médicaux, robots industriels, objets connectés. Le cœur est généralement un microcontrôleur, un processeur ou un FPGA, programmé en C, en C++ ou de plus en plus en Rust, parfois avec un système d'exploitation temps réel. Le logiciel doit dialoguer directement avec le matériel : capteurs, bus de communication, actionneurs.
Dans les secteurs critiques (aéronautique, défense, ferroviaire, médical), le développement suit des normes de sûreté strictes comme la DO-178C ou l'ISO 26262, avec beaucoup de tests et de traçabilité.
Tailwind CSS
FrameworkTechno= le style écrit directement dans le HTML
Tailwind CSS est un framework CSS open source dit utility-first : au lieu d'écrire des feuilles de style séparées, on compose l'apparence d'un élément directement dans le HTML avec de petites classes utilitaires (marge, couleur, taille de texte, disposition).
Un outil de build analyse le code et ne génère que les classes réellement utilisées, ce qui donne un CSS final léger. Les couleurs, espacements et tailles sont définis dans une configuration unique qui sert de base au design system. La version 4, sortie en 2025, a refondu le moteur pour plus de rapidité et déplacé cette configuration directement dans le CSS.
Ses partisans apprécient de ne plus avoir à nommer des classes ni à craindre les styles orphelins. Ses détracteurs lui reprochent un HTML chargé. Tailwind est très répandu dans les projets React et Next.js, souvent associé à des bibliothèques de composants prêtes à l'emploi.
TDD
Méthode= le test avant le code
Le TDD (Test-Driven Development, développement piloté par les tests) est une méthode de développement où l'on écrit d'abord un test automatisé qui décrit le comportement attendu, puis le code minimal pour le faire passer, avant d'améliorer ce code. Elle a été popularisée par Kent Beck, dans le sillage de l'Extreme Programming.
Le cycle tient en trois temps, souvent appelé « rouge, vert, refactor » :
- écrire un test qui échoue (rouge) ;
- écrire juste assez de code pour qu'il réussisse (vert) ;
- nettoyer le code sans casser les tests (refactor).Le TDD oblige à clarifier le besoin avant de coder, limite le code superflu et produit une base de tests qui sécurise les évolutions. Son coût : un démarrage plus lent et une discipline que toutes les équipes ne tiennent pas dans la durée.
Terraform
OutilTechno= l'infrastructure décrite dans des fichiers
Terraform est un outil d'infrastructure as code créé par HashiCorp en 2014, qui permet de décrire une infrastructure (serveurs, réseaux, bases de données, comptes, DNS) dans des fichiers texte, puis de la créer et de la modifier automatiquement chez un ou plusieurs fournisseurs cloud.
On écrit l'état souhaité dans un langage déclaratif, le HCL. La commande plan calcule l'écart avec l'existant et montre ce qui va changer, apply applique les modifications. Terraform garde la trace de ce qu'il gère dans un fichier d'état (state), qu'il faut stocker et protéger avec soin. Des centaines de providers couvrent AWS, Azure, Google Cloud, OVHcloud, Scaleway, mais aussi des services comme Cloudflare ou Datadog.
En 2023, HashiCorp a passé Terraform sous une licence non open source. Une partie de la communauté a alors créé OpenTofu, un fork open source hébergé par la Linux Foundation et compatible avec les configurations existantes. HashiCorp a depuis été racheté par IBM.
Token (IA)
TermeProblématique= le morceau de mot
Un token est l'unité de texte que manipule un modèle de langage (LLM) : un fragment qui peut être un mot court, une partie de mot, un signe de ponctuation ou un caractère, obtenu en découpant le texte avec un tokenizer avant de le donner au modèle.
Le modèle ne lit pas des lettres ni des mots, mais une suite de tokens, et il génère sa réponse token par token. Le token sert d'unité de mesure partout : la taille de la fenêtre de contexte, la vitesse de génération et la facturation des API, qui distinguent généralement tokens en entrée et tokens en sortie.
Chaque famille de modèles a son propre tokenizer. Une même phrase ne donne donc pas le même nombre de tokens d'un modèle à l'autre. Les tokenizers étant souvent optimisés pour l'anglais, un texte en français ou dans une langue moins représentée consomme en général davantage de tokens, donc coûte plus cher et occupe plus de contexte.
Transformer
TechnoTerme= l'architecture derrière les LLM
Le transformer est une architecture de réseau de neurones présentée par des chercheurs de Google en 2017 dans l'article Attention Is All You Need, qui sert de base à la quasi-totalité des grands modèles de langage et à de nombreux modèles d'image, d'audio et multimodaux.
Son idée centrale est le mécanisme d'attention : pour traiter chaque élément d'une séquence, le modèle évalue l'importance de tous les autres éléments. Contrairement aux réseaux récurrents qui l'ont précédé, il traite la séquence d'un bloc et non mot après mot, ce qui permet d'entraîner des modèles très grands en parallèle sur des milliers de GPU.
GPT, BERT, Llama, Claude, Gemini et Mistral reposent tous sur des variantes du transformer. Son point faible : le coût de l'attention croît fortement avec la longueur du texte. Des architectures alternatives ou hybrides (modèles à espace d'états comme Mamba) cherchent à le réduire.
tRPC
FrameworkTechno= des API typées de bout en bout
tRPC est une bibliothèque open source TypeScript qui permet de créer une API entre un serveur et une application front-end avec des types partagés de bout en bout, sans écrire de schéma ni générer de code.
Côté serveur, on définit des procédures (lecture, écriture, abonnement). Côté client, on les appelle comme des fonctions locales : l'éditeur propose l'autocomplétion, et toute incohérence entre les deux côtés est détectée avant même l'exécution. Les données reçues sont validées avec une bibliothèque comme Zod.
tRPC est particulièrement adapté aux monorepos où front-end et back-end sont écrits en TypeScript par la même équipe, par exemple avec Next.js. Il est moins pertinent pour une API publique, consommée par des clients écrits dans d'autres langages : REST avec OpenAPI ou GraphQL restent alors plus adaptés.
Trunk-Based Development
Méthode= tout le monde sur la même branche
Le trunk-based development est une façon d'organiser le code où tous les développeurs intègrent leurs modifications dans une branche principale unique (le trunk, souvent nommée main) au moins une fois par jour, au lieu de travailler pendant des semaines sur des branches séparées.
Les branches, quand il y en a, vivent quelques heures. Cela suppose trois conditions :
- une intégration continue fiable, avec des tests automatisés à chaque modification ;
- des feature flags pour livrer du code inachevé sans l'activer pour les utilisateurs ;
- des revues de code rapides, pour ne pas bloquer les autres.L'intérêt : éviter les fusions douloureuses de branches qui ont trop divergé et pouvoir livrer en production à tout moment. Les recherches DORA sur la performance des équipes logicielles associent cette pratique aux équipes qui livrent le plus souvent et le plus sereinement.
Turborepo
OutilTechno= le chef d'orchestre des monorepos JavaScript
Turborepo est un outil open source d'orchestration de tâches pour les monorepos JavaScript et TypeScript, racheté par Vercel en 2021, qui accélère les builds, tests et vérifications en ne relançant que ce qui a changé.
Il lit les dépendances entre les paquets du dépôt, exécute les tâches dans le bon ordre et en parallèle quand c'est possible, et met en cache leurs résultats. Si un paquet n'a pas été modifié, son build n'est pas relancé : le résultat est récupéré du cache, en local ou dans un cache partagé entre les développeurs et la CI. Sur un gros monorepo, le temps d'intégration continue baisse nettement.
Son principal concurrent est Nx, plus complet mais plus structurant. Turborepo mise sur une configuration minimale qui se greffe sur un dépôt existant. Pour des monorepos très grands et multi-langages, des outils comme Bazel prennent le relais.
TypeScript
LangageTechno= JavaScript avec des types
TypeScript est un langage de programmation open source créé par Microsoft en 2012, qui ajoute un système de types statiques à JavaScript. Le code TypeScript est converti en JavaScript standard, exécutable dans n'importe quel navigateur ou environnement comme Node.js.
Les types décrivent la forme des données : ce qu'une fonction attend, ce qu'elle renvoie, quels champs contient un objet. Le compilateur signale les incohérences avant l'exécution, l'éditeur propose une autocomplétion précise, et les modifications sur une grande base de code deviennent beaucoup plus sûres. Le typage est progressif : on peut migrer un projet JavaScript existant fichier par fichier.
TypeScript s'est imposé comme le choix par défaut des projets JavaScript professionnels, côté front-end (React, Angular, Vue) comme côté back-end (Node.js, Deno, Bun).
UX/UI Designer
Métier= l'architecte de l'expérience utilisateur
L'UX/UI Designer est le designer qui conçoit à la fois l'expérience d'un produit numérique (UX, user experience : parcours, logique, facilité d'usage) et son interface visuelle (UI, user interface : écrans, composants, typographie, couleurs). Le titre combine deux spécialités souvent séparées dans les grandes équipes.
Côté UX, il interroge les utilisateurs, cartographie les parcours, conçoit des maquettes fonctionnelles et teste des prototypes. Côté UI, il produit les écrans finaux et maintient souvent un design system partagé avec les développeurs front-end, la plupart du temps dans Figma.
Le profil double est fréquent dans les startups et les PME, où un seul designer couvre tout. En grandissant, les équipes séparent souvent les rôles (UX Designer, UI Designer, UX Researcher) ou les regroupent sous le titre de Product Designer.
Vector Database
TechnoOutil= la base qui cherche par le sens
Une vector database (base de données vectorielle) est une base spécialisée dans le stockage de vecteurs, appelés embeddings, et dans la recherche rapide des vecteurs les plus proches d'une requête, ce qui permet de retrouver des contenus par proximité de sens plutôt que par mots-clés.
Chaque document, paragraphe ou image est converti en vecteur par un modèle d'embedding. Pour une question donnée, la base renvoie les éléments dont les vecteurs sont les plus proches. Sur des millions de vecteurs, une comparaison exhaustive serait trop lente : elle utilise des index de recherche approximative (HNSW, IVF, DiskANN) qui échangent un peu de précision contre beaucoup de vitesse.
C'est la brique de stockage typique des architectures RAG, des moteurs de recommandation et de la recherche sémantique. On trouve des bases dédiées (Pinecone en service managé, Qdrant, Weaviate, Milvus ou Chroma en open source) et des extensions de bases existantes, comme pgvector pour PostgreSQL ou la recherche vectorielle d'Elasticsearch et OpenSearch.
Vite
OutilTechno= l'outil de build ultra-rapide du front-end
Vite est un outil de build front-end open source créé par Evan You, l'auteur de Vue.js, en 2020, qui fournit à la fois un serveur de développement quasi instantané et la compilation optimisée du code pour la production.
En développement, Vite s'appuie sur les modules JavaScript natifs du navigateur : il sert les fichiers à la demande au lieu de tout regrouper avant chaque lancement. Le serveur démarre en quelques instants et chaque modification apparaît presque immédiatement à l'écran. Pour la production, il produit des fichiers optimisés et regroupés. Rolldown, un outil de regroupement écrit en Rust, est conçu pour unifier et remplacer les briques historiques de Vite.
Vite fonctionne avec React, Vue, Svelte, Solid et la plupart des frameworks front-end. Il sert aussi de socle à des frameworks comme Nuxt, SvelteKit ou Astro, et à l'outil de test Vitest.
vLLM / TGI / SGLang
OutilTechno= les moteurs qui font tourner les LLM
vLLM, TGI (Text Generation Inference) et SGLang sont des moteurs d'inférence open source qui servent à faire tourner un grand modèle de langage rapidement et efficacement sur GPU, en production.
Faire tourner un LLM naïvement gaspille beaucoup de mémoire et de temps de calcul. Ces moteurs appliquent des optimisations comme le regroupement continu des requêtes, une gestion fine de la mémoire du GPU (vLLM a popularisé la technique PagedAttention), la prise en charge des modèles quantifiés ou la répartition d'un modèle sur plusieurs cartes. Ils exposent en général une API compatible avec celle d'OpenAI.
vLLM est issu de travaux de recherche à l'université de Berkeley, TGI est développé par Hugging Face, SGLang provient lui aussi de la recherche académique. Ce sont des briques centrales des plateformes d'inférence construites sur des modèles à poids ouverts.
VP of Engineering
Métier= le patron de l'organisation tech
Le VP of Engineering est le dirigeant chargé de l'organisation des équipes d'ingénierie : il fait en sorte qu'elles livrent bien, vite et durablement, en pilotant le recrutement, la structure des équipes, les process et le management des managers. Il répond en général au CTO ou au CEO.
Là où le CTO porte la vision technologique et les grands choix d'architecture, le VP of Engineering s'occupe de l'exécution : capacité de livraison, organisation en équipes, carrières, qualité, budget. Dans certaines entreprises, une seule personne cumule les deux rôles.
Le poste apparaît quand l'équipe tech dépasse la taille qu'un CTO peut encadrer seul, typiquement lorsqu'il existe plusieurs équipes et plusieurs Engineering Managers.
VueJS
FrameworkTechno= le framework front-end progressif
Vue.js (ou Vue) est un framework JavaScript open source créé par Evan You et publié en 2014, qui sert à construire des interfaces utilisateur et des applications web monopages (SPA). Il est conçu pour être adopté progressivement : on peut l'ajouter à une seule partie d'une page existante ou bâtir toute une application avec.
Comme React, il fonctionne par composants qui réagissent aux changements de données. Il se distingue par des fichiers de composants qui regroupent gabarit HTML, logique et style, et par une courbe d'apprentissage réputée douce. Son écosystème officiel comprend Vue Router (navigation), Pinia (gestion d'état) et Vite (outil de build créé par le même auteur). Nuxt est le framework applicatif bâti sur Vue.
Vue a une communauté forte en Europe et en Asie, et est très utilisé dans les agences, les éditeurs SaaS et les projets qui modernisent une application existante.
Wallet
TermeTechno= le porte-clés de la blockchain
Un wallet (« portefeuille ») est un logiciel ou un appareil qui stocke les clés cryptographiques privées d'un utilisateur et lui permet d'interagir avec une blockchain : recevoir et envoyer des cryptoactifs, signer des transactions, se connecter à des applications décentralisées.
Le wallet ne contient pas les actifs eux-mêmes, qui restent inscrits sur la blockchain : il détient les clés qui prouvent qu'on en est propriétaire. On distingue :
- les hot wallets, logiciels connectés à Internet (MetaMask, Rabby, Phantom), pratiques au quotidien ;
- les cold wallets, appareils physiques qui gardent les clés hors ligne (Ledger, Trezor), plus sûrs pour des montants importants ;
- les smart wallets, portefeuilles programmables (account abstraction) qui permettent la récupération de compte, les signatures multiples ou la prise en charge des frais par un tiers.Perdre sa phrase de récupération (seed phrase) revient à perdre définitivement l'accès à ses actifs.
WebAssembly (Wasm)
TechnoTerme= du code natif dans le navigateur
WebAssembly (Wasm) est un format de code binaire portable, standardisé par le W3C, qui permet d'exécuter dans un navigateur, à une vitesse proche du natif, des programmes écrits dans des langages comme Rust, C, C++ ou Go.
On n'écrit pas directement du Wasm : on compile vers lui. Le code s'exécute dans un environnement isolé, à côté de JavaScript, avec qui il échange des données. C'est ce qui a permis de porter dans le navigateur des logiciels lourds, autrefois réservés au poste de travail : Figma, Photoshop ou AutoCAD dans leurs versions web en sont des exemples.
Wasm sert aussi en dehors du navigateur. Son démarrage rapide et son isolation en font un format apprécié pour exécuter du code sur des plateformes edge (Fastly Compute, Cloudflare Workers) ou pour des systèmes de plugins (Envoy, Shopify Functions). Le standard WASI lui donne un accès contrôlé aux fichiers et au réseau hors navigateur.
Zero Trust
MéthodeProblématique= ne jamais faire confiance, toujours vérifier
Le Zero Trust est un modèle de sécurité selon lequel aucun utilisateur, appareil ou flux n'est considéré comme fiable par défaut, même lorsqu'il se trouve à l'intérieur du réseau de l'entreprise : chaque accès à une ressource doit être vérifié.
Il s'oppose au modèle du périmètre, où un pare-feu et un VPN protègent un réseau interne dans lequel tout le monde se fait confiance. Avec le télétravail et le cloud, ce périmètre n'existe plus vraiment. Le Zero Trust repose sur trois principes :
- vérifier explicitement l'identité, avec une authentification forte (MFA) ;
- tenir compte du contexte : appareil à jour, localisation, comportement inhabituel ;
- n'accorder que le strict nécessaire (moindre privilège).Le modèle a été formalisé notamment par le NIST et popularisé par le projet BeyondCorp de Google. Il se met en œuvre par étapes, souvent avec des solutions d'accès réseau dites ZTNA (Zscaler, Cloudflare, Tailscale) qui remplacent progressivement les VPN.