The full lessons for this course are currently available in French. Use the section menu to navigate the French course.

Section 11.5.3 : Architecture technique — Concevoir sa solution

🎯 Objectif pédagogique

Concevoir l'architecture technique d'une application IA : diagramme de composants, choix de stack, flux de données, et points d'intégration. Vous serez capable de dessiner l'architecture de votre projet avant de coder.

Dessiner avant de coder

Marc a son cadrage. Maintenant, il dessine l'architecture : quels composants, comment ils communiquent, quelles technologies. Un diagramme d'architecture, c'est le plan de l'architecte — sans lui, vous construisez à l'aveugle.

Architecture globale

┌──────────────────────────────────────────────────────────┐
│                    CareerBot Pro — Architecture           │
├──────────────────────────────────────────────────────────┤
│                                                          │
│  ┌──────────────┐    ┌────────────────────────────┐     │
│  │   FRONTEND   │    │        BACKEND              │     │
│  │  (Streamlit) │    │                              │     │
│  │              │───▶│  app.py                      │     │
│  │  - Chat UI   │    │   ├── agent.py (ReAct loop)  │     │
│  │  - Sidebar   │    │   ├── tools.py (functions)   │     │
│  │  - Stats     │    │   ├── guardrails.py          │     │
│  │  - Upload    │    │   ├── memory.py              │     │
│  └──────────────┘    │   └── knowledge.py           │     │
│                      └──────┬────────┬──────────────┘     │
│                             │        │                     │
│                      ┌──────▼──┐  ┌──▼───────────┐       │
│                      │ OpenAI  │  │  ChromaDB     │       │
│                      │   API   │  │  (Vectors)    │       │
│                      │         │  │               │       │
│                      │ GPT-4o  │  │ Embeddings    │       │
│                      │ Embed   │  │ Collections   │       │
│                      └─────────┘  └───────────────┘       │
│                                                          │
└──────────────────────────────────────────────────────────┘

Flux de données détaillé

# Flux pour une question utilisateur :

# 1. INPUT : User tape "Quel salaire pour un Data Analyst ?"
#    → Streamlit capture via st.chat_input()
#    → Passe à guardrails.check_input()

# 2. GUARDRAILS INPUT :
#    → PII filter : masque emails, téléphones
#    → Injection check : bloc les patterns dangereux
#    → Length check : max 5000 chars
#    → Si bloqué → message d'erreur, pas d'appel API

# 3. AGENT :
#    → System prompt + historique + user message
#    → Appel OpenAI avec tools
#    → Le modèle décide : tool_call "search_knowledge_base"(query="salaire Data Analyst")

# 4. TOOL EXECUTION :
#    → knowledge.py : ChromaDB.query(query, n_results=3)
#    → Retourne les 3 chunks les plus pertinents

# 5. AGENT (suite) :
#    → Reçoit les chunks comme contexte
#    → Génère une réponse sourcée
#    → Pas de tool_call → réponse finale

# 6. GUARDRAILS OUTPUT :
#    → Vérifie que la réponse ne contient pas le system prompt
#    → Vérifie le ton et la cohérence

# 7. OUTPUT : Streamlit affiche la réponse en streaming

Choix de stack justifiés

Composant	Technologie	Justification
Frontend	Streamlit	Prototypage rapide, Python natif, zéro JS
LLM	OpenAI GPT-4o	Meilleur rapport qualité/prix, function calling natif
Embeddings	text-embedding-3-small	Pas cher (0.02$/M tokens), bonne qualité
Vector DB	ChromaDB	Simple, local, Python natif, pas de serveur
Langage	Python 3.11+	Écosystème IA dominant, bibliothèques matures
Déploiement	Streamlit Cloud	Gratuit, déploiement Git push, zéro DevOps
Secrets	.env + dotenv	Standard, sécurisé (.gitignore)

Structure des données

# Modèles de données (pas besoin d'ORM pour un MVP)

# Message de conversation
message = \{
    "role": "user" | "assistant" | "system" | "tool",
    "content": "texte du message",
    "timestamp": "2025-01-15T14:30:00",
    "tool_calls": None | [...]
\}

# Profil utilisateur
user_profile = \{
    "background": "Finance, 8 ans",
    "target_role": "Data Analyst",
    "skills": ["Python", "SQL", "Excel"],
    "location": "Paris",
    "salary_expectation": "45-55k€"
\}

# Document de la base de connaissances
knowledge_doc = \{
    "id": "salary_data_analyst_2025",
    "content": "Le salaire moyen...",
    "metadata": \{
        "category": "salaires",
        "last_updated": "2025-01",
        "source": "Glassdoor + INSEE"
    \}
\}

Architecture = Communication

Le diagramme d'architecture n'est pas juste pour vous — c'est un outil de communication. En entretien, si on vous demande "Comment est architecturé votre projet ?", vous montrez le diagramme et expliquez en 2 minutes. C'est ce qui distingue un codeur d'un ingénieur.

🏋️ Exercice pratique (25 minutes)

→Dessinez le diagramme d'architecture de votre projet (papier ou outil en ligne)
→Listez chaque composant et justifiez votre choix de technologie
→Documentez le flux de données pour une requête utilisateur
→Identifiez les points de défaillance possibles (API down, ChromaDB vide)

Quick Check

Pourquoi dessiner l'architecture AVANT de coder ?

Architecture technique — Concevoir sa solution