Big Data : Définition, Exemples et Types

Quelle taille est vraiment grande ?

Et si vous vous réveillez un jour et trouvez une armée de stégosaures devant votre maison ?

Vous courriez pour sauver votre vie. Mais où certaines entreprises se cacheront-elles lorsqu'elles rencontreront des camions de données massives ?

Un jour normal, une entreprise est exposée à différentes variantes de jeux de données complexes sous le nom de big data. Cela peut être soit des flux de clics sur leur site web, des likes et partages sur les réseaux sociaux, ou des informations dures comme le temps de configuration des machines, le numéro de modèle de la machine, le type de modèle et les informations sur le moteur. Organiser et étiqueter ces données avec un logiciel de big data est important pour faire des prédictions commerciales futures.

Qu'il s'agisse de données provenant du trafic sur les réseaux sociaux, de données d'ingénierie ou de données dures comme le coût de production, les temps de configuration et le suivi des stocks, elles peuvent être intégrées à des algorithmes d'apprentissage automatique performants dans les applications ERP pour faire fonctionner les produits en douceur.

Pour comprendre l'ampleur du big data, nous devons d'abord examiner son histoire et voir jusqu'où nous sommes arrivés en si peu de temps.

Histoire du big data

La pratique de la collecte et du stockage de grandes quantités d'informations et de la tentative de donner un sens à ces informations existe depuis des siècles. Par exemple, le Bureau du recensement des États-Unis a commencé à enregistrer les données de population sur des cartes perforées en 1790, créant environ 500 perforations par jour. Avance rapide de 100 ans, la "Machine à tabuler" traitait les informations sur ces cartes perforées des centaines de fois plus vite que les humains ne pouvaient le faire.

Les premières traces du big data peuvent être trouvées dans le secteur financier. Avec la croissance des données financières lors de la libéralisation économique, de nombreuses entreprises financières ont appris à utiliser le big data à leur avantage. Les chiffres de risque, les scores de crédit, les relevés bancaires et les grands livres généraux sont entrés dans les critères du big data, qui étaient gérés à l'aide de bases de données relationnelles.

En 2005, des applications de médias sociaux comme Facebook, Netflix et Twitter ont présenté un nouvel angle au big data. Beaucoup de contenu vidéo était désormais diffusé en direct et distribué au public pour favoriser l'engagement. L'engagement social était un aperçu en temps réel du comportement et du sentiment des consommateurs, conduisant à l'expansion du big data.

En mars 2009, Apache a lancé Cassandra, une base de données No-SQL hautement évolutive et multifonctionnelle pour gérer, stocker et récupérer le big data. Elle a été conçue pour gérer de grandes quantités de données à travers les ERP et les serveurs de commodité sans aucun risque de défaillance. Apache a lancé une deuxième plateforme de gestion de bases de données open-source, Hadoop,

Avec le lancement en 2011 de Hadoop par Apache, un cadre open-source puissant pour stocker de grandes bases de données et exécuter des applications. Hadoop est un environnement multi-cloud qui se synchronise avec les environnements cloud pour protéger et sécuriser le big data.

La Internet des objets (IoT) a révolutionné le big data en 2014. Dans un monde connecté à Internet, plus d'entreprises ont décidé de déplacer leurs dépenses vers le big data pour réduire les coûts opérationnels, améliorer l'efficacité et développer de nouveaux produits et services.

Désormais, la portée du big data est presque infinie. Les chercheurs dans les domaines scientifiques utilisent des données en temps réel pour examiner la consommation d'électricité, la pollution, le trafic, et bien plus encore. Les technologies émergentes comme l'intelligence artificielle et l'apprentissage automatique exploitent le big data pour l'automatisation future et aident les humains à découvrir de nouvelles solutions.

Ces jalons ont été rendus possibles lorsque le monde a décidé de passer au numérique.

Les six V du big data

Né dans le secteur financier et économique, le big data a lentement commencé sa renaissance dans d'autres secteurs comme le commerce électronique, l'automobile, la chaîne d'approvisionnement et la logistique. Principalement, l'occurrence du big data dépend de six facteurs influents.

1. Volume

Le big data est classé comme un énorme volume de données à faible densité et non structurées qui doivent être traitées, programmées et validées. Les organisations traitent des téraoctets, des zettaoctets et des pétaoctets de données provenant de différents attributs comme les réseaux sociaux, les canaux consommateurs, l'ingénierie, le produit, l'assurance qualité, etc.

Il y a beaucoup de données là-bas -- une quantité presque incompréhensible. Selon les dernières estimations, 328,77 millions de téraoctets de données sont générés, surveillés et consommés chaque jour. Si vous mettez ce nombre en perspective, c'est comme voyager à travers toute la galaxie de la Voie lactée.

Si vous pensez que ces chiffres sont incompréhensibles, imaginez ceci ; Un rapport commandé par Seagate et réalisé par IDC estime qu'en 2025, l'univers numérique atteindra 163 zettaoctets de données ou 163 trillions de gigaoctets.

2. Vélocité

La vélocité est le taux auquel les données sont transmises sur les réseaux mobiles et LAN. Avec l'augmentation des technologies comme l'Internet des objets et l'informatique de périphérie 5G, les données peuvent être transmises sur de grandes surfaces. Elles sont converties en signaux numériques et transmises via des fournisseurs de protocole de contrôle de transmission (TCP) ou de protocole Internet (IP). Le destinataire convertit le numérique en analogique et l'écrit sur disque ou le stocke en mémoire.

Le taux auquel l'Internet des objets (IoT) automatise les principales opérations dans le monde est stupéfiant. Selon un article statistique de G2, 55,7 milliards d'appareils IoT connectés généreront presque 80 zettaoctets de données.

J'adore les analogies. Donc pour moi, l'univers du big data s'étend un peu comme notre univers physique d'étoiles, de planètes, de galaxies et de matière noire.

Les technologies de big data et les métadonnées (données sur les données) associées à différents types d'IA et d'apprentissage automatique seront utilisées à leur plein potentiel pour faire de l'univers une machine auto-assistée.

3. Valeur

Le big data doit être très précieux pour la cause de l'entreprise. Quel que soit l'afflux que vous générez, il doit être synchronisé avec votre mise en œuvre ERP globale. Ces données répondront à tous vos problèmes commerciaux à long terme. Les bases de données doivent être stockables, conformes au cloud, récupérables et partageables avec des parties prenantes externes. Les données sont une route compliquée à parcourir. Parfois, des données précieuses peuvent être confondues avec des valeurs aberrantes en raison de leur forme non structurée. Il est impératif d'en tirer toute la valeur pour s'assurer que vous ne perdez même pas un grain de données précieuses. Cela peut être fait grâce à des logiciels d'apprentissage automatique ou à la formation croisée des équipes produit et données.

La valeur est le V le plus simple du big data. Il demande : "Comment pouvons-nous utiliser ces données pour extraire quelque chose de significatif pour nos utilisateurs et l'entreprise ?" Le big data n'apportera pas beaucoup de valeur s'il est analysé sans but.

Faites confiance à une source fiable d'attribution de données lors de la collecte de données pour votre organisation. Vos données doivent raconter une histoire sur la valeur de votre organisation sur le marché des consommateurs. La réciprocité des consommateurs et leur préférence pour votre marque en termes de cookies de site web, de likes, de commentaires et de partages sont ce sur quoi vous devez travailler pour prédire les tendances futures de la marque.

4. Véracité

Des ensembles de données à haute vitesse, de haute qualité et hautement évolutifs sont uniquement préférés pour prendre des décisions commerciales optimales. Seules les données hautement atteignables et tangibles peuvent être alimentées en tant que données d'entrée d'entraînement et produire des résultats significatifs.

La véracité fait référence à la précision des données. Toutes les données ne sont pas précises ou cohérentes, et avec la croissance du big data, il devient de plus en plus difficile de déterminer quelles données apportent réellement de la valeur. Un bon exemple de données incohérentes est les données des réseaux sociaux, qui sont souvent volatiles et tendance d'une manière ou d'une autre. Les données cohérentes seraient les prévisions météorologiques, qui sont beaucoup plus faciles à prédire et à suivre.

5. Variabilité

Le trait le plus intéressant du big data est qu'il est variable. Un consommateur peut préférer une marchandise mais passer à un achat complètement différent la seconde suivante. Les modèles d'abonnement ou les licences sur Internet changent en fonction de l'intérêt des consommateurs. Déterminer à quelle vitesse votre big data tourne est un excellent moyen d'apprendre le comportement de la marque.

Par exemple, si vous prédisez des tendances à partir du dossier médical d'un patient, une donnée peut s'aligner avec les sels qui lui sont prescrits pour un ensemble de symptômes actuels qu'il rencontre. L'historique médical peut être une composition de n nombre de sels cliniques que le patient a pu consommer au fil des ans. Pour étudier le cours du prochain cycle de diagnostic possible, vous devez traiter et traiter les anciennes données. La variabilité des données médicales aide à créer des nanobots, une ère croissante des soins de santé et de la science médicale aujourd'hui.

6. Variété

La variété du big data fait référence aux données structurées, non structurées et semi-structurées qui sont stockées dans des lacs de données et des entrepôts. Cela peut être des entiers, des tableaux, des chaînes, des flottants, des doubles ou des booléens. Dans le passé, les données pouvaient être collectées à partir de bases de données et de feuilles de calcul, mais maintenant une énorme marée de trafic sur les réseaux sociaux a apporté des types de données hétérogènes. Les likes, les commentaires, les partages, les remises, l'engagement, les SMS, les formats vidéo et audio sont quelques exemples de volumes alarmants de données sociales qui nécessitent un traitement supplémentaire pour en tirer de la valeur.

Comment fonctionne le big data ?

Le marché du big data s'accélère à des vitesses vraiment époustouflantes. En 2014, le big data était juste un marché de 18,3 milliards de dollars. Selon l'enquête de Markets and Markets, avec la montée du stockage cloud et de la connectivité réseau, le big data verrait son plus grand saut de volume de données jamais enregistré. Le chiffre d'affaires associé au big data était de 162,1 milliards de dollars en 2021 et devrait atteindre 273,4 milliards de dollars d'ici 2026 avec un TCAC de 11,0 %.

Une des principales raisons de cette accélération peut être liée à l'Internet des objets (IoT). Pour le meilleur ou pour le pire, les humains sont constamment engagés avec des appareils connectés à Internet ou une automatisation à distance qui contribuent au flux constant de données. La taille du marché de l'IoT devrait atteindre 650,5 milliards de dollars d'ici 2026, augmentant à un rythme régulier chaque année.

Les appareils que nous possédons aujourd'hui, comme les smartphones, les ordinateurs portables, les tablettes, les télévisions intelligentes, les consoles de jeux, les montres intelligentes, votre Amazon Echo, et même les véhicules auto-assistés comme le pilote automatique de Tesla, seront standardisés à l'avenir. Des technologies comme la reconnaissance d'objets et la réalité mixte téléporteront facilement un utilisateur entre les environnements réels et numériques.

Le matériel lui-même permet des moyens plus efficaces de partager des données, mais le véritable volume de big data provient des façons dont nous interagissons avec ces appareils. Par exemple, un appareil portable, comme une montre intelligente, peut recueillir toutes sortes de données sur vous. Cet appareil peut suivre la fréquence cardiaque, les pas, la qualité du sommeil, la pression artérielle et les niveaux de SPO2.

La disponibilité facile des données conduit également à une utilisation croisée entre les industries. La pression biométrique utilisée pour prévoir les conditions météorologiques peut être prise comme variables par les automobiles pour concevoir des voitures résistantes aux tornades. Les neurones radioactifs utilisés pour concevoir la chimiothérapie ou d'autres immunothérapies pourraient également être un médicament pharmaceutique qu'un patient peut consommer comme médicament indolore.

À mesure que le big data se déploie et étend sa couverture, plus d'algorithmes d'apprentissage automatique et d'apprentissage profond l'utiliseront pour faire des prédictions rapides, efficaces et précises. Sa disponibilité facile peut se démarquer comme un véritable défi pour l'avenir de l'humanité.

Types de big data

Nous savons que l'afflux de plus d'appareils, de plateformes et d'options de stockage augmentera non seulement le volume de données, mais aussi les façons dont elles peuvent être stockées, formées et produites.

Mais toutes les données ne sont pas créées égales. Par là, je veux dire que la façon dont vous stockerez et rechercherez un numéro d'identification dans une base de données relationnelle est complètement différente de l'extraction de chiffres de trafic pour du contenu vidéo.

Un type de données est ce que nous appelons structuré, et un autre est appelé non structuré. Mais il existe également un troisième type de données appelé semi-structuré. Examinons les différences entre chaque type de données.

Données structurées

Les données structurées, pour la plupart, sont hautement organisées dans une base de données relationnelle. Les données relationnelles sont stockées sous forme de requêtes SQL (structured query language). Si vous deviez accéder à une information dans la base de données, vous pourriez facilement le faire avec une requête "select*from" rapide.

Les données structurées sont en fait assez similaires au langage machine, ou le seul langage qu'un ordinateur est capable de comprendre. Ce type de données se trouve proprement dans un champ fixe au sein d'un enregistrement ou d'un fichier. Il constitue la première couche de l'architecture réseau de base de données, où les données sont soigneusement gérées et stockées dans de grandes bases de données structurées pour créer des tables de fonctionnalités.

Un des exemples les plus courants de données structurées est quelque chose que vous verriez dans une feuille de calcul. Si vous êtes au téléphone avec un représentant de prêt étudiant et qu'il vous demande votre identification personnelle, il y a de fortes chances qu'il travaille avec des données structurées. Ce sont des variables dépendantes d'une feuille Excel utilisées pour créer des relations de données et des valeurs prédites pour l'analyse de régression.

Données non structurées

Ce serait bien si toutes les données pouvaient être soigneusement structurées, mais les données générées par les humains comme les photos sur les réseaux sociaux, les messages vocaux, les messages texte, et plus encore sont hautement non structurées et ne se conforment pas à un seul type de données.

En fait, 80-90 pour cent de toutes les données sont non structurées -- ce qui explique pourquoi nous n'avons pu "taguer" que 3 pour cent des données mondiales. Mais que signifie non structuré ? Cela signifie des données qui ne sont pas facilement identifiables par le langage machine et qui ne se conforment pas à une base de données ou une feuille de calcul standard.

Vous pourriez être surpris, mais la plupart des données non structurées sont en fait très textuelles. Cela peut être une série de commentaires faits sur un sondage de données, des flux de travail de réduction automatisés fonctionnant sur un site de commerce électronique, et du marketing basé sur les comptes pour chaque préférence de consommateur. Quels que soient les métriques, il est difficile de les disséquer pour évaluer l'intérêt des consommateurs et générer des revenus potentiels.

Il y a aussi des données non structurées générées par des machines, qui sont plus faciles à traiter pour les machines. Un exemple serait des images satellites capturant des prévisions météorologiques ou une marque exécutant des plans d'abonnement mensuels spécifiques pour lesquels un consommateur peut opter.

Données semi-structurées

Le troisième type de données se situe quelque part entre les données structurées et non structurées, également connu sous le nom de données semi-structurées.

Des choses comme les sitemaps XML, les flux RSS ou les e-mails sont des exemples de données semi-structurées car bien qu'elles contiennent des balises telles que des dates, des heures, des informations sur le site web, des métadonnées et des informations sur l'expéditeur/récepteur, leur langage n'est pas structuré. Ces documents contiennent des informations textuelles sur les attributs de base de tout site web, comme l'enregistrement de domaine, le score de domaine, les en-têtes et sous-en-têtes, les URL (no-follow et do-follow), les fichiers essentiels pour le crawler Google, etc.

Types d'analyses de big data

L'analyse de big data est un moyen d'extraire des fonctionnalités et des relations de données à partir de grands volumes de données, de les trier en fonction des fonctionnalités et de les utiliser dans des modules d'entraînement pour extraire des sorties rapides et précises.

Les entreprises utilisent aujourd'hui des logiciels d'intelligence d'affaires comme Power BI pour analyser des décisions importantes, gérer des sources de données et prendre des actions de soutien aux fournisseurs. Les plaintes des fournisseurs et les données de support peuvent également être traitées de manière cohérente avec Power BI, qui fournit un aperçu immersif des défauts et des échecs de produit.

L'analyse de big data examine également plus de données brutes pour découvrir des modèles cachés, des tendances du marché et des préférences des clients afin de faire des prédictions éclairées.

Analyse descriptive

La technique d'analyse descriptive crée des rapports simples, des graphiques et d'autres visualisations de données qui permettent aux entreprises de comprendre ce qui s'est passé à un moment donné. Il est important de noter que l'analyse descriptive ne concerne que les événements qui se sont produits dans le passé.

Elle permet de réutiliser vos données dans des distributions de probabilité, des niveaux alpha, des graphiques de confiance et des diagrammes à barres pour déterminer quelle action est influente et quelle hypothèse est vraie pour l'analyse des données.

Analyse diagnostique

La technique d'analyse diagnostique donne un aperçu plus approfondi d'un problème spécifique, tandis que l'analyse descriptive est plus une vue d'ensemble. Les entreprises peuvent utiliser l'analyse diagnostique pour comprendre pourquoi un problème s'est produit. Cette analyse est un peu plus complexe et peut même incorporer des aspects de l'IA ou de l'apprentissage automatique.

Les entreprises effectuent des diagnostics de santé complets et surveillent les modèles d'apprentissage automatique pour vérifier leur applicabilité dans différentes applications commerciales. En raison des écueils originaux et de la consommation de ressources à l'étape du diagnostic, les entreprises optent pour l'opérationnalisation de l'apprentissage automatique de MLOps pour exécuter une automatisation ML complète qui économise du temps, de la bande passante, des coûts et des ressources.

Analyse prédictive

L'analyse prédictive est un raccourci pour l'algorithme d'apprentissage automatique car elle convertit les tendances attendues en données observées. C'est le langage utilisé par les analystes commerciaux pour décrire la découverte de tendances de données, de jeux de données et de techniques décisives pour faire des prédictions commerciales.

L'analyse prédictive est une forme d'analyse avancée qui repère les tendances et les anomalies dans les données pour équilibrer les sorties. Par exemple, dans la prévision des catastrophes, l'analyse prédictive peut mesurer la température des plaques tectoniques, la pression biométrique et d'autres facteurs connexes pour prédire la survenance de tremblements de terre.

En associant des algorithmes prédictifs avancés à l'IA et à l'apprentissage automatique, les entreprises peuvent être en mesure de prédire ce qui est susceptible de se produire ensuite. Être capable de donner une réponse éclairée sur l'avenir peut apporter une tonne de valeur à une entreprise. L'analyse prédictive est utile pour la prévision de la demande, la planification des risques et la récupération après sinistre.

Analyse prescriptive

La technique d'analyse prescriptive est extrêmement complexe, c'est pourquoi elle n'est pas encore largement incorporée. Alors que d'autres outils d'analyse peuvent être utilisés pour tirer vos propres conclusions, l'analyse prescriptive vous fournit des réponses réelles. Un haut niveau de maturité de l'apprentissage automatique et de bande passante d'infrastructure est nécessaire pour ces rapports.

Exemples de big data

Les données sont désormais intégrées dans presque toutes les parties de notre société. Que ce soit un utilisateur mettant à jour son statut Facebook via un appareil mobile, ou une entreprise exploitant des données pour améliorer la fonctionnalité des produits, nous contribuons tous à l'univers du big data.

Dans un rapport sponsorisé par Tableau par l'Economist Intelligence Unit, 76 pour cent des répondants ont déclaré que l'analyse des données les aide à prendre de meilleures décisions. De plus en plus d'entreprises axées sur les données émergent dans tous les secteurs. Voici ce que certaines industries prévoient de faire avec toutes ces données.

Télécommunications

Avec des milliards d'utilisateurs mobiles dans le monde, les télécommunications sont mûres pour l'innovation du big data. En utilisant l'analyse de big data, les fournisseurs de services pourraient se remettre plus rapidement d'une panne de réseau en identifiant sa cause profonde avec des données en temps réel. L'analyse peut également être appliquée pour découvrir des moyens plus précis et personnalisés de facturer les clients. Les données de sentiment des réseaux sociaux, les données géospatiales et d'autres données mobiles peuvent être utilisées pour offrir des options médiatiques et de divertissement ciblées.

Services financiers

De plus en plus de banques s'éloignent d'une approche centrée sur le produit pour se concentrer sur une approche centrée sur le client. Le big data peut aider à segmenter les préférences des clients grâce à une approche de communication omnicanal. L'utilisation la plus évidente du big data dans les services financiers est la détection et la prévention de la fraude. L'analyse de big data et l'apprentissage automatique peuvent étudier les tendances d'un client et les distinguer des activités ou comportements inhabituels du compte.

Les trois cas d'utilisation les plus populaires du big data dans les services financiers et bancaires sont :

• Croissance explosive des données
• Détection et gestion des fraudes et des risques
• Réglementations fiscales et de conformité

Santé

Nous avons mentionné comment les données des montres intelligentes pourraient être utilisées pour des soins personnalisés aux patients et des tarifs d'assurance santé personnalisés. L'analyse prédictive peut avoir des applications phénoménales dans l'industrie de l'analyse des soins de santé – permettant un diagnostic plus précoce des maladies et des moyens indolores de fournir un traitement. Jeter un coup d'œil dans l'historique d'un patient ancien, l'historique des allergies et des maladies, et les cycles de traitement peut concevoir un diagnostic prolongé pour un patient avec de meilleures chances de guérison d'une maladie.

Regardez comment les nanobots nageant dans le sang injectés dans des capsules médicales voyageront à travers un tractus endoscopique des humains et tueront les cellules affectées.

                                                                                 Source: G2

Éducation

Un modèle éducatif ne convient pas à tous les étudiants. Certains sont des apprenants visuels ; d'autres sont des apprenants auditifs. Certains préfèrent en ligne, tandis que d'autres s'épanouissent lors de conférences en personne. L'analyse de big data peut être utilisée pour construire des modèles d'apprentissage plus personnalisés pour tous les étudiants. Le big data est également utilisé sur les campus universitaires pour réduire les taux d'abandon en identifiant les facteurs de risque pour les étudiants qui prennent du retard dans leurs cours.

Le big data construit des environnements d'apprentissage expérientiels pour former les étudiants en temps réel en regroupant les environnements physiques et numériques en une simulation 3D. Regardez cet exemple :

                                                                               Source: NTLTP

Avenir du big data

Le marché du big data a connu une croissance massive pour une raison. De plus en plus d'entreprises réalisent l'importance d'adopter une approche marketing axée sur les données et commerciale globale non seulement pour les processus internes mais aussi pour améliorer les expériences de leurs clients.

Les technologies émergentes comme l'IA, l'apprentissage automatique et le NLP utilisent le big data pour ouvrir la voie à de nouveaux produits, expériences utilisateur, efficacités de coûts, et plus encore.

Alors, où allons-nous à partir de là ? Quel est l'avenir du big data ? Bien que l'image ne soit pas encore complètement claire, nous avons quelques idées.

En se basant sur la recherche d'IDC, nous pouvons prédire que l'IoT est à l'origine de la plupart de cette croissance. D'ici 2025, la base totale d'unités IoT installées atteindra 30,9 milliards d'unités, une augmentation massive par rapport à 13,8 milliards d'unités en 2021 ! L'automatisation domestique et réseau atteindra un nouveau sommet, liant la main-d'œuvre mondiale en une hypersphère de données partagées.

Une des principales raisons de cette augmentation des interactions est la montée de la reconnaissance vocale et de l'interface utilisateur conversationnelle. Aimez-vous discuter avec Siri ou Alexa ? Bonne nouvelle : préparez-vous à faire beaucoup plus de ces amis dans un avenir proche.

Mais l'IoT n'augmentera pas seulement les interactions utilisateur-appareil ; il jouera également un rôle crucial dans les interactions machine-machine (M2M). Les capteurs seront une technologie motrice reliant les machines à Internet. Nous utiliserons les données des interactions M2M pour surveiller l'impact humain sur l'environnement, les incendies de forêt, les tremblements de terre et d'autres forces de la nature.

Bien que le big data reste crucial pour les ventes, le marketing et le développement de produits, les enjeux sont plus élevés lorsque nous comptons sur les données pour des choses comme les voitures autonomes ou le transport en commun automatisé. Pour que ce rêve devienne réalité, la véracité des données de différentes stratégies commerciales et plans d'opportunité doit être capturée, analysée et traduite en décisions.

"Grand" est un euphémisme pour les données

L'émergence du big data a mis la centricité client au premier plan. Le big data aide les entreprises à prendre des décisions plus rapides et plus calculées. En utilisant l'analyse de big data, nous pouvons prédire où se situeront les problèmes futurs et comment les aborder avec des solutions agiles. Cela nous a sûrement mis sur une feuille de route d'innovation accélérée.

Découvrez comment l'entreposage de données traite les griefs des clients et les escalades du service d'assistance beaucoup plus efficacement que les systèmes de gestion de requêtes traditionnels.

Cet article a été publié à l'origine en 2018. Le contenu a été mis à jour avec de nouvelles informations.