Outiller les équipes sans se substituer à leur jugement.
Six prestations, avec une même exigence : tout ce qu’une mission produit doit pouvoir être relu, reproduit et validé par un ingénieur interne. Sans procédure de reprise, le client hérite de fichiers qu’il ne sait pas exploiter. Un livrable généré que personne ne sait expliquer pose le même problème.

Les technologies utilisées en production et le rôle de chacune. Le choix dépend des contraintes du client. Une pile que l’équipe interne ne sait pas maintenir finit remplacée, à ses frais.
Stockage, requête, transformation et restitution. Le choix dépend des contraintes du client : contrat cloud existant, souveraineté, compétences internes.
Moteur de requête SQL qui lit directement les fichiers stockés sur S3, sans base à charger ni serveur à maintenir. La facturation dépend du volume de données lues, ce qui fait du partitionnement une décision de conception à prendre dès le départ.
Clusters Hadoop, Spark et Trino créés à la demande, pour les traitements trop volumineux pour une seule machine. Le code Spark existant y fonctionne sans réécriture, ce qui motive souvent ce choix.
Le service serverless d’Azure : du code déclenché par un fichier déposé, un horaire ou un appel HTTP, sans serveur à dimensionner. Adapté aux étapes courtes d’un traitement ; pour les traitements longs, la facturation à la durée le rend coûteux.
Le moteur relationnel de Microsoft, très répandu dans les systèmes d’entreprise. Dans une migration, il est presque toujours la source à lire et la contrainte à respecter, rarement la cible.
La cible par défaut quand rien n’impose un moteur propriétaire : licence libre, portable d’un cloud à l’autre. Ses extensions, PostGIS pour le géospatial et pgvector pour la recherche vectorielle, évitent d’ajouter un second système pour un seul besoin.
Les modèles GPT, appelés par l’API d’OpenAI ou par Azure OpenAI quand le client a déjà un contrat Azure. Utilisés pour l’extraction, la classification et l’aide à la rédaction. Les décisions d’ingénierie restent prises par un ingénieur.
Les modèles Claude d’Anthropic, appelés par l’API d’Anthropic ou par AWS Bedrock, Google Vertex AI et Microsoft Foundry. Le fournisseur cloud du client n’impose donc pas le choix du modèle. Utilisés pour l’analyse de documents, l’aide à la rédaction et les agents qui appellent des outils.
Deux produits sous le même nom : GitHub Copilot pour l’assistance au code dans l’éditeur, et Microsoft Copilot avec Copilot Studio pour les agents métier sur Azure. Les agents construits chez Egis Group reposent sur le second.
Entrepôt de données qui sépare le stockage du calcul : chacun est dimensionné séparément, et le calcul est facturé à l’usage. Disponible sur les trois grands clouds, ce qui évite de lier l’entrepôt au fournisseur d’infrastructure.
Plusieurs familles de modèles accessibles par une API unique, sans que les données quittent le compte AWS. Le choix du modèle est consigné comme une décision d’architecture, révisable.
Ingestion, entrepôt, notebooks et restitution dans un seul produit, sur un stockage commun (OneLake). L’intégration fait gagner du temps ; en contrepartie, la plateforme lie le client à l’écosystème Microsoft. Ce compromis est tranché au cadrage.
Modèles sémantiques, rapports et tableaux de bord, utilisés directement par les équipes métier. Les définitions de métriques ambiguës y deviennent visibles, ce qui en fait un bon test de la qualité du modèle de données en amont.
Trois langages, choisis parce qu’une équipe interne peut les relire sans formation particulière.
Le langage des traitements de données et du machine learning, du script d’ingestion au service de modèle. pandas, PySpark et scikit-learn couvrent toutes les étapes sans changer d’outil.
Le seul langage que lisent à la fois les équipes métier et les équipes techniques. Une transformation écrite en SQL reste lisible des années plus tard, ce qui est rarement le cas d’un pipeline écrit en code.
Décrit l’infrastructure cloud dans des fichiers versionnés, appliqués de façon reproductible. Sans cet outil, la configuration d’une plateforme n’existe que dans une console web, où elle ne peut être ni relue, ni transmise, ni auditée.
Deux fournisseurs utilisés en production. Google Cloud fait l’objet de certifications mais n’apparaît pas ici, faute de mission récente à citer.
Le catalogue de services de données le plus large : S3, Athena, EMR, Bedrock. C’est le choix par défaut quand l’entreprise n’a pas déjà de contrat Microsoft.
Le fournisseur naturel des entreprises déjà équipées de Microsoft 365 et d’Entra ID, pour qui l’identité, la facturation et la conformité sont déjà en place. Fabric, Functions App et Azure OpenAI y sont les services de données les plus courants.
Toutes les missions suivent les mêmes quatre étapes. Les décisions se prennent au cadrage, et c’est cette étape qui fait l’objet d’un suivi. Le cadrage est écrit pour que personne n’attende un accès, un environnement ou une décision.
Demandes déclinées, quelle que soit la durée de la mission.
- Une décision d’ingénierie automatisée sans cadre de responsabilité.
- Un livrable qu’aucun ingénieur interne ne peut relire.
- Un chiffre annoncé sans source mesurable.
- Un passage à l’échelle avant trois mois de pilote en production.