Ingénierie des données pour l'IA multimodale (French Edition)

Chapitre 4. Ingestion et transformation pour les systèmes d’IA multimodaux

Cet ouvrage a été traduit à l'aide de l'IA. Tes réactions et tes commentaires sont les bienvenus : [e-mail]

Notre secteur adore les affirmations audacieuses : « L’ETL est dépassé », « L’ELT est universel », « Le streaming est incontournable ». En voilà une autre. Peu importe à quel point tes modèles et tes agents IA sont avancés, ils sont limités par l’architecture qui leur fournit leurs données.

En pratique, l’ingestion est une série de compromis. Ces compromis deviennent plus complexes dans les systèmes multimodaux, où le texte, les images, la télémétrie et les événements arrivent de manière asynchrone. Les décisions concernant le traitement par lots ou en streaming, la transformation précoce ou tardive, et les limites de validation influencent directement la latence, le coût, la fiabilité et les performances des modèles.

Ce chapitre résume les principaux modèles de conception qui sous-tendent l’ingestion multimodale. On compare les pipelines par lots et en streaming, on examine les stratégies de transformation entre les différentes modalités, et on revient sur la comparaison entre l’ETL et l’ELT (extraction, chargement et transformation) sous l’angle des charges de travail d’IA. En prenant comme exemple concret une entreprise fictive de « cloud kitchen », ByteEats, on suit le parcours des données de capteurs en temps réel, des avis clients et des images envoyées par les utilisateurs ...