Guide d'achat Data Store : 10 solutions à considérer

Lors du dernier salon Big Data & IA qui s’est tenu à Porte de Versailles les 15 et 16 octobre 2024, nous avons pu constater l’effervescence autour de l’IA et de l’automatisation pour donner plus de valeur aux données de l’entreprise. Et ce n’est pas les entreprises utilisatrices qui diront le contraire. Arnaud Maton, Chief Data Officer de Kiloutou (spécialiste de la location de matériels), en est convaincu depuis qu’il exploite la solution Snowflake en 2018. « Cette plateforme, qui est devenue notre data hub au sein de notre transformation, nous a permis de bénéficier des capacités de Cortex AI pour améliorer l’expérience client. » La démonstration qui en a suivi lors d’une session au salon Big Data & AI est effectivement assez révélatrice des capacités que la GenAI peut apporter pour améliorer l’expérience de l’utilisateur. Ainsi, dans cet exemple, à la question « Pouvez-vous me trouver une nacelle qui monte à plus de 10 mètres », Kiloutou affiche le nom du modèle de la nacelle et sa fiche technique. De plus, avec Document AI, une autre fonction proposée par Snowflake Cortex AI, Kiloutou est capable d’identifier le contenu texte dans un fichier au format .jpeg par exemple. Cet exemple montre comment un data store efficace, couplé à une plateforme de préparation et d’analyse de données, a su profiter des avancées de la GenAI. De son côté, La Redoute a choisi Altair AI studio, un outil intégré à la plateforme Altair RapidMiner qui l’aide à optimiser les performances de ses audiences, la solution est d’ailleurs utilisée par les métiers qui n’ont pas de compétences particulières en IA et en automatisation. C’est d’ailleurs le deuxième point fort de ces plateformes, à savoir leur simplicité grâce à une approche de type low code/no code. En effet, par du simple glisser-déposer et/ou par la création de diagrammes graphiques, l’utilisateur peut aisément concevoir et tester des modèles prêts pour la production. Cette simplicité, c’est l’un des points différenciant qu’a d’ailleurs mis en avant Hatem Gassousti, contrôleur de gestion groupe au sein du Groupement Les Mousquetaires (Intermarché, Netto, Bricomarché, etc.), lors de son intervention au salon Big Data & IA sur le choix de la plateforme Alteryx. « L’interface est très simple et intuitive, de plus, nous avons accès à une grande communauté d’aide en ligne », a-t-il confirmé. Précisons que Les Mousquetaires ont fait le choix d’Alteryx il y a maintenant 4 ans car l’objectif était d’avoir une vue globale des comptes de chaque entité, de pouvoir réaliser des comparaisons et surtout d’aller dans le détail des données, car auparavant chaque entité produisait des fichiers Excel qu’il fallait compiler avec pour conséquence de nombreuses erreurs.

Bien sûr, dans ces projets de data science, l’efficacité du datalake ou du data hub est essentielle, de pouvoir se connecter à toutes les données sans les déplacer. Cet argument a pesé pour David Courté, responsable service architecture data et IA chez Crédit Mutuel Arkea, dans le choix de la plateforme de Starburst qui se distingue notamment par son moteur de requêtes Trino massivement parallèle. « Nous sommes 10 à 20 fois plus rapides qu’avant en moyenne et qui plus est, Starburst nous a permis de démocratiser l’accès aux données auprès des utilisateurs métiers. Résultat : 65 % des requêtes sont faites par les métiers », détaille le porte-parole de la banque. Autre exemple, celui d’Euromaster qui a pu démontrer, toujours lors du salon Big Data & AI, comment Microsoft lui a permis de bénéficier d'une vision unifiée et fiable de ses données notamment grâce à la mise en œuvre de OneLake, le datahub unifié intégré à Microsoft Fabric. Les performances dans la manipulation des données, c’est d’ailleurs le fer de lance de la plateforme belge Timi comme le mentionne Frank Vanden Berghen, CEO et fondateur de Timi. En effet, cette dernière est basée sur Anatella codé à 100 % en C et en assembleur, de ce fait, Anatella revendique écrire nativement des fichiers à une vitesse très élevée, supérieure à tout autre outil de l'écosystème Hadoop. De plus, Timi peut stocker une grande quantité de données avec moins d’espace disque grâce à ses formats de fichiers .gel et .cgel (2 To en base de données représentant 20 Go en .gel). 

Un marché concurrentiel porté par la GenAI 

Ces quelques exemples d’usages, cités précédemment, nous montrent également que ce secteur est très concurrentiel. Dans le dernier Magic Quadrant 2024 du Gartner dédié à la data science et aux plateformes ML, pas moins de 18 acteurs y figurent avec un changement de taille en trois ans, les trois principaux fournisseurs de cloud (AWS, Microsoft Azure et Google) y ont fait leur entrée aux côtés des leaders du secteur comme Databricks, Dataiku, sans oublier SAS et sa colossale base installée. Le Gartner n’omet pas également de mentionner comment la GenAI est en train de transformer ce marché, un point qui impacte les différents acteurs dans ce Magic Quadrant 2024 

D’éditeur de logiciels de simulation numérique et de gestion de calcul, Altair est devenu aussi un spécialiste de l’analyse des données suite à plusieurs rachats dont celui de RapidMiner en 2022, la solution a d’ailleurs été rebaptisée Altair RapidMiner. « Altair RapidMiner est une plateforme globale avec des outils intégrés, modulable et ouverte, nous nous insérons ainsi dans un existant et nous le modernisons », souligne en guise d’introduction François Weiler, PDG d’Altair France. A ce titre, l’un des points forts de la plateforme est sa compatibilité avec SAS. « Nous pouvons effectivement exécuter des programmes existants en langage SAS mais aussi bien sûr dans d’autres langages (Python, R, etc.) », précise le dirigeant. Ouverte, Altair RapidMiner peut s’exécuter dans les clouds des hyperscalers et en mode on premise, c’est par exemple ce que fait La Redoute qui se sert de l’outil de prototypage des modèles d'IA et d'apprentissage automatique Altair AI studio pour optimiser ses audiences, cette solution venant puiser les données dans Google BigQuery entre autres. Altair RapidMiner s’adresse aux utilisateurs novices grâce à son approche low code/no code. Là aussi, les métiers au sein de La Redoute, qui connaissent bien leurs produits, n’ont pas de formations SQL, ils ont juste été formés sur la plateforme qui leur permet de sortir des insights en toute simplicité. Toujours pour aider les utilisateurs, Altair RapidMiner propose des assistants GenAI basés sur les cas d’usages, à ce titre, l’objectif d’Altair est d’aller de plus en plus vers le knowledge Graph ou graphes de connaissances (représentation des données sous forme de graphique) ; c’est d’ailleurs dans cette optique que l’éditeur a récemment racheté Cambridge Semantics. En outre, le modèle de commercialisation de la plateforme Altair RapidMiner se veut économique, pour cela, l’éditeur a créé Altair Units, un système de licence d'abonnement breveté basé sur des jetons pour les logiciels, le but étant de démocratiser l'accès aux solutions tout en les rendant moins coûteuses. A noter enfin qu’Altair RapidMiner a séduit un très grand nombre de clients, environ un million, cela s’explique surtout par les très nombreux téléchargements gratuits qu’autorisait RapidMiner lorsqu’il était encore indépendant. De plus, une partie de la R&D de l’éditeur est située en France, à Grenoble pour être plus précis.   

« Notre positionnement est unique car nous abordons ce marché côté métier et non côté IT comme beaucoup de nos concurrents. Ainsi, nous proposons une plateforme self-service permettant de rendre autonome les métiers », explique Raphaël Savy, VP Europe du Sud chez Alteryx. En effet, l’éditeur se distingue par son approche low code/no code qui fait bien le lien entre l’IT et les métiers. Cette plateforme vient donc se connecter au data lake de l’entreprise qu’il soit d’origine Snowflake ou autre. Alteryx ne propose pas de data lake ou de data hub mais bien une plateforme d’analyse tout-en-un qui se positionne au-dessus en apportant une connectivité directe à celui-ci. La solution d’Alteryx est capable de gérer et d’unifier le cycle de vie de la donnée, ce qui fait gagner du temps et de l’argent aux entreprises comme le concède le dirigeant. En outre, sa simplicité d’utilisation permet aux utilisateurs une rapide prise en main de l’ordre de quelques heures. « Nous disposons d’une forte communauté d’aide en ligne », ajoute aussi Raphaël Savy. 

Cette intuitivité est aussi accentuée par l’usage de la GenAI via des API. Quel que soit le modèle utilisé (OpenAI, Mistral, LightOn ou autre), Alteryx peut par exemple automatiser des prompts. Cette apéisation est aussi à mettre en parallèle à son indépendance, Alteryx reste ainsi agnostique, c’est l’un des autres atouts de l’éditeur. A ce titre, la solution peut être déployée en mode on premise ou dans le cloud chez un hyperscaler par exemple. Selon Raphaël Savy, plus de 9 000 clients exploitent la plateforme dans le monde dont un certain nombre en France comme BNP Paribas ou le Groupement Les Mousquetaires (Intermarché, Bricomarché, etc.) « Le marché, certes concurrentiel, est en forte croissance et nous sommes qu’au début de l’histoire, la France est le deuxième marché le plus important en Europe », conclut d’ailleurs le porte-parole de l’éditeur.  

En tant qu’éditeur français, Cleyrop fait déjà valoir son cadre de confiance, sa plateforme SaaS est d’ailleurs hébergée chez OVHCloud et Outscale et bientôt chez S3ns et Scaleway. Elle peut aussi être déployée en mode on premise dans le datacenter du client. Quant à son développement, Jérôme Valat, directeur général de Cleyrop nous l’assure, les technologies sont principalement développées en interne. En termes de couverture fonctionnelle, l’éditeur se positionne comme un Databricks avec un solide socle data, baptisé en interne Hemera, et une couche IA avec Ogma. Concernant Hemera, le fournisseur propose tous les outils pour gérer le patrimoine des données et leur préparation, de la collecte à l’analyse en passant par la gouvernance. Par exemple, France Tourisme Observation se repose sur la solution Cleyrop pour produire et partager des jeux de données afin de disposer d’indicateurs ou encore de comprendre les attentes des voyageurs. Quant à Ogma, Cleyrop applique donc la GenAI pour donner de la valeur aux données en ne dépendant pas d’un modèle en particulier. « Notre plateforme sait gérer le multimodal, ce qui permet à nos clients d’exploiter le modèle qui leur convient », précise à ce titre le dirigeant de Cleyrop. Ogma autorise plusieurs usages, il est possible de déployer des petits assistants, accessibles depuis une bibliothèque, qui aident aux utilisateurs métiers, par exemple un analyseur de CV pour les RH. De même, Ogma renferme Studio IA qui permet, cette fois-ci, de créer ses propres assistants et de les personnaliser. Pour Jérôme Valat, ces fonctions IA sont de plus en plus utilisées, c’est devenu un driver d’achat comme l’est aussi le cadre de confiance, ces deux arguments ont permis à l’éditeur de gagner une dizaine de clients. En adoptant une approche de type low code/no code, l’objectif de Cleyrop est aussi de rendre accessible ces technologies au plus grand nombre d’utilisateurs. De même, l’éditeur se veut être plus proche de ses clients pour mieux comprendre leurs besoins et privilégie ainsi les interactions, lesquelles servent aussi à enrichir sa roadmap. Enfin, la société se défend d’être plus compétitif en termes de prix que ses concurrents américains avec une licence globale sans coûts cachés. « Nous sommes le seul acteur à proposer une calculatrice de prix sur Internet », conclut d’ailleurs Jérôme Valat.  

Très connu hier pour son support de Hadoop, pour le stockage et l’analyse des big data, Cloudera se s'est transformée en une plateforme globale multi-services autour de la gestion et de l’analyse des données jusqu’aux outils de gouvernance intégrés afin de garantir la conformité, la sécurité et le cycle de vie des données. Rappelons que la société a fusionné en 2019 avec  Hortonworks pour donner naissance aujourd’hui à cette plateforme d’ingénierie des données boostée à l’IA : la datascience étant historiquement la valeur ajoutée de Cloudera. Le récent rachat de Verta montre clairement comment Cloudera place cette fois-ci la GenAI au cœur de sa stratégie. Verta permettant d’automatiser la création des prompts. « Le futur de la gestion de données repose sur l'IA, nous sommes passés d’une requête SQL à un champ ouvert où l’on rentre du texte », constate Denis Fraval-Olivier, senior director solutions engineering EMEA Sud chez Cloudera. L’éditeur propose aussi des assistants GenAI pour aider les développeurs. Denis Fraval-Olivier cite l’exemple d’OCBC, une banque singapourienne qui a pu réduire ses efforts de développements de 40 % grâce à ces assistants de génération de code. Le 9 octobre dernier, à l’occasion de son événement Evolve à NewYork, Cloudera a dévoilé un service d'inférence IA avec Nvidia pour accélérer le développement et le déploiement de la GenAI. A noter que ce service va combiner les atouts des deux entreprises en une offre unique. D’une part, les données de Cloudera servent de base à une IA de confiance. D’autre part, le traitement accéléré de la plateforme Nvidia AI Enterprise permet le déploiement d’applications IA en mode privé sur Cloudera. Bien sûr, l'éditeur se veut ouvert avec l’usage massif des technologies open source pour sa plateforme, pas moins de 30 projets open source intégrés par exemple : le fournisseur bénéficie et contribue fortement à des projets Apache comme Iceberg, un format de table pour les données structurées massivement adopté par l’industrie. A ce titre, Cloudera s’est récemment associé à Snowflake en intégrant la gestion des données hybrides basée sur Iceberg. En outre, l’éditeur exploite aussi en parallèle des standards pour faciliter les intégrations avec les solutions tierces comme Amazon Bedrock ou Open AI. En outre, l’un des points différenciants de Cloudera est aussi son approche hybride. « Nous arrivons à une plateforme accessible en mode PaaS chez les grands clouds providers avec tous les avantages du cloud public, dans le cloud privé ou en mode on premise dans le datacenter de notre client. Cette approche hybride dépend de la criticité des données et du coût acceptable pour l’entreprise en question, d’où notre indépendance face à l’infrastructure », explique Denis Fraval-Olivier. De son évolution, Cloudera a su s’imposer dans les très grandes entreprises partout dans le monde avec ses 2 500 clients, plus de 27 exaoctets de données sont aujourd’hui gérés par l’éditeur.  

Databricks, c’est d’abord une architecture ouverte de data lakehouse pour gérer les données. Rappelons qu’à l’origine, Databricks a été créé sur Apache Spark dont la plateforme sait faire du multimodal et comme le précise Nicolas Maillard, AVP technical general manager eield Engineering SEMEA chez Databricks, le moteur est devenu une couche d’abstraction sur laquelle sont parlés plusieurs langages Python, Scala, SQL ou R. Aujourd’hui, suite à plusieurs rachats (Einblick, Mosaic ML, Lilac), Databricks, c’est aussi une solution de data intelligence pour comprendre la sémantique des données et de répondre ainsi aux usages. Comment ? En injectant de la GenAI dans plusieurs axes. En effet, l’éditeur se sert déjà de la GenAI comme un moteur opérationnel pour générer du code. Ensuite, la GenAI va aider aux usages dans l’entreprise, par exemple, Mango s’appuie sur les outils de l’éditeur pour définir les prochaines tendances dans la mode tout en réduisant le fossé entre la science des données et les concepteurs des produits. Autre exemple, Easyjet déploie ces capacités IA pour mieux remplir ses avions. Enfin, Databricks investit dans la partie R&D en portant tous les modèles, des grands modèles de type LLM aux plus petits modèles (SLM), et de proposer aux entreprises de les intégrer plus facilement dans leurs usages afin d’obtenir in fine la réponse la plus pertinente et la moins coûteuse.  A noter que Databricks revendique utiliser des technologies ouvertes et qui n’hésite pas aussi à les remettre dans la communauté après leur création comme le modèle Dolly. Parmi les autres points différenciants, Databricks propose désormais une version 100 % serverless permettant de réduire la complexité (gestion des clusters) et les coûts associés. D’ailleurs, certains acteurs en ont fait leur métier à l’image de Sync Computing. Pour finir, le fournisseur a récemment renforcé son partenariat avec AWS en s’appuyant sur les puces IA Trainium pour augmenter les capacités de ses outils IA.   

Né il y a 10 ans et fondé par Florian Douetteau, Clément Stenac, Thomas Cabrol et Marc Batty, Dataiku s’affiche comme un éditeur de data intelligence agnostique qui vient se positionner, via des connecteurs, au-dessus d’un data hub. L’éditeur ne propose donc pas de solution de stockage, ni de compute comme le souligne Sophie Dionnet, VP business et product solutions chez Dataiku. Dans son approche mixte, Dataiku se veut être accessible à tous, aux non-initiés comme aux développeurs et tout cela dans un espace non cloisonné, ce qui en fait un marqueur différenciant par rapport aux offres concurrentes selon la porte-parole de l’éditeur. Bien sûr, Dataiku propose tous les outils dans la préparation des données, du data lineage pour gérer le cycle de la donnée jusqu’à la gouvernance avec Dataiku Govern. En tant que plateforme de data intelligence, Dataiku exploite l’IA Gen, là aussi, en restant indépendant de tout acteur. « Nous ne créons pas de modèles, nous fournissons une solution scalable et agnostique pour apporter l’usage de n’importe quel LLM, d’où le lancement de LLM Mesh », indique Sophie Dionnet. En effet, LLM Mesh permet de choisir son LLM et cette couche d’intégration est déconnectée de la partie applicative si l’entreprise décide de changer de techno LLM. En parallèle, Dataiku propose des assistants IA, par exemple, AI Code Assistant qui aide l’utilisateur à écrire, expliquer ou déboguer du code ou encore AI Prepare qui aide à générer les étapes de préparation des données. Selon Sophie Dionnet, sur les 700 clients adressés par l’éditeur, 250 exploitent les fonctions IA à différents niveaux. En outre, la société se renforce dans les verticaux en travaillant par exemple plus étroitement avec des clients dans l’industrie pharmaceutique ou dans le secteur financier (banque et assurance). Et parmi les évolutions à venir, Dataiku va prochainement annoncer Stories dont l’objectif est de comprendre l’implication du cycle d’utilisation de la donnée. Précisons enfin que la solution s’installe en mode on premise ou dans un cloud privé du client, elle peut aussi se déployer chez n’importe quel fournisseur de cloud public, une version SaaS entièrement opérée par Dataiku est également commercialisée.  

Selon Eric Charbonnier, CTO Data & AI, et Xavier Perret, directeur Azure chez Microsoft, la solution Fabric a déjà conquis 10 000 clients dans le monde. Cette plateforme multi-services, disponible en mode SaaS, permet grâce à ses 7 outils déjà intégrés d’exploiter la valeur des données dans l’entreprise. Parmi les derniers services embarqués, citons Real-Time Intelligence qui rassemble et améliore Synapse Real-Time Analytics et Data Activator pour analyser et agir sur des données de streaming d'événements avec exploration en temps réel depuis un hub. Citons aussi Fabric Workload Development Kit, une interface de programmation d'applications (API) pour GraphQL. Ces deux solutions viennent ainsi s’ajouter à d’autres outils comme Power BI ou Data Factory. Pour Xavier Perret, l’un des composants essentiels de Fabric repose sur OneLake, un entrepôt de données unifié, lequel se connecte à toutes les sources de données de l’entreprise interne et externe. De même, pour gouverner sa plateforme et assurer ainsi la traçabilité des données, l’éditeur s’appuie sur son offre Purview, cette dernière garantissant également la protection des données, des applications et des devices. Pour valoriser les données, Fabric a été massivement boosté à l’IA via Copilot et OpenAI, elle permet par exemple de générer des requêtes SQL depuis du langage naturel (Text to SQL) ou encore de créer des rapports, via Power BI, en puisant les données dans OneLake. Il est même possible d’extraire du contenu en données non structurées. « Dans Fabric, les utilisateurs ont accès à une multitude de fonctions via des API comme la traduction automatique », ajoute Eric Charbonnier. Rien n’est figé dans l’IA, d’ores et déjà, Microsoft réfléchit aux évolutions à venir pour sa plateforme notamment avec le projet Sophia dont l’objectif est d’interpréter les données d’une nouvelle façon en visualisation graphique sans pour cela qu’il soit nécessaire d’explorer manuellement les données. De plus, Microsoft souhaite introduire, via des API, la contextualisation des graphiques suivant l’activité de l’entreprise… 

Fondée à l’origine par deux Français (Thierry Cruanes et Benoît Dageville) et un Polonais (Marcin Żukowski) de la Silicon Valley, l’entreprise californienne Snowflake s’est construite à partir d’un moteur non dépendant d’un langage autour duquel s’est greffé un datawharehouse puis, au fur et à mesure, Snowflake est devenue une véritable data cloud platform avec aujourd’hui une prédominance de l’IA. « Ces dernières années, nous avons beaucoup travaillé sur notre plateforme à ingérer des données, désormais, nous travaillons aussi à les valoriser », admet Cécil Bove, directeur technique chez Snowflake France. Par valorisation des données, l’éditeur s’aide de l’IA, il a de ce fait enrichi sa solution de Cortex, un service qui donne aux utilisateurs un accès à des modèles d’IA, à des LLM et à des fonctionnalités de recherche vectorielle, ainsi qu’à des expériences complètes alimentées par des LLM. « Snowflake aide les entreprises à créer un chatbot pour répondre à leurs questions métiers », ajoute aussi Cécil Bove. Par exemple, le spécialiste de la location de matériels professionnels Kiloutou exploite Cortex pour améliorer l’expérience de l’utilisateur. Ainsi, à la question « Pouvez-vous me trouver une nacelle qui monte à plus de 10 mètres », Kiloutou affiche le modèle de la nacelle et sa fiche technique. L’IA est aussi utilisée chez Snowflake pour générer du code, catégoriser la lisibilité des données ou encore pour aider à la gouvernance et même pour analyser le sentiment d’une communication. Selon Cécil Bove, sur les 10 000 clients de l’éditeur aujourd’hui, 2 500 exploitent des fonctionnalités IA. Parmi les autres atouts de Snowflake, citons la simplicité d’utilisation, la fiabilité et l’efficacité de la plateforme, sans oublier le support du format de tables Iceberg. A ce titre, l’éditeur n’hésite pas à participer à des projets open source comme Polaris (il est même à l’initiative de ce projet) dont l’objectif est d’avoir un catalogue de données ouvert pour Iceberg. Par simplicité, Snowflake apporte cette approche low code/no code à sa plateforme notamment via Streamlit, une société rachetée en 2022. « Streamlit nous permet de créer des interfaces qui vont discuter avec les LLM et de transformer la data en service », conclut Cécil Bove.  

La force de Starburst, c’est bien la puissance de son moteur de requête SQL Trino. Comme l’explique Victor Coustenoble, responsable architecte solutions chez Starburst pour l’Europe du Sud, l’éditeur a justement été fondé sur la commercialisation de ce moteur qui était à l’origine connu en open source sous le nom de Presto (une création de Facebook). Starburst propose donc un moteur SQL (compute) mais ne fait pas de stockage. De plus, le fournisseur propose des connecteurs pour faire de la fédération, d’aller chercher les données en se connectant dans les datalakes existants. « A ce titre, les entreprises nous utilisent comme un data hub qui va collecter les données », précise Victor Coustenoble. A noter que Starburst supporte en natif Iceberg et peut aussi se connecter à un moteur de streaming de type kafka.  

Starburst garantit enfin la sécurité en proposant une couche globale pour tout tracer. Dans son approche, la solution gère et partage la donnée en tant que produit, de comprendre son cycle de vie en proposant du data lineage et de la data quality. L’objectif est bien d’alimenter des outils analytiques tiers pour valoriser par la suite ces données. En outre, la plateforme Galaxy de Starburst peut être déployée en mode on premise et dans le cloud, elle a déjà séduit une trentaine de clients en Europe du Sud selon Victor Coustenoble, dont un certain nombre d’entreprises françaises comme BPCE, Crédit Mutuel Arkéa, Geodis, Orange ou encore la Société Générale. Rappelons que la filiale française a été créée il y a trois ans et demi.  

Créée en 2007, la société Timi est à l’époque l’un des plus grands spécialistes du machine learning automatisé. C’est à partir de 2010 que Timi se transforme et devient une plateforme qui couvre tous les besoins dans l’analyse des données via ses 4 outils intégrés, dont Anatella, le cœur de la plateforme. Pour comprendre ce qu’est Anatella, Frank Vanden Berghen, président et fondateur de Timi, nous renvoie à la loi d’Amdahl qui met en exergue le temps incompressible des moteurs de calcul distribués et qu’en réalité, l’outil le plus connu et le plus utilisé, c’est-à-dire Spark (cœur de l’écosystème Hadoop), s’avère lent et qu’il nécessite une grande puissance de calcul (des serveurs en cluster), une aberration à l’heure où les économies d’énergie sont fortement privilégiées. Pour contrer cela, Timi a donc créé son concurrent Anatella. « Une machine équipée d'Anatella est plus rapide qu'un cluster Spark composé de plus de 300 machines/nœuds », précise d’ailleurs le dirigeant. Anatella a été programmé en C, un langage bien plus efficient que Python par exemple, le langage prédominant dans Spark. Hormis le facteur vitesse, la plateforme Timi offre une meilleure compression grâce à son format maison (.gel). « Une base Teradata de 2 To, nous la compressons en 23 Go dans notre format », donne en exemple Frank Vanden Berghen. De plus, Timi est agnostique et propose plus de 500 connecteurs. De même, la plateforme se démarque par son approche low code/ no code et pour l’illustrer, Frank Vanden Berghen prend l’exemple de l’un de ses clients, le cabinet Deloitte, dont les comptables, sans expérience de programmation, se servent de la solution pour la transformation de leurs données. Enfin, Timi, de par son expérience dans le machine learning, fournit, via son moteur auto ML Modeler, une automatisation complète lors de la création de modèles prédictifs. Ainsi, tout est automatisé : la sélection des variables, l’échantillonnage, la validation des variables, l’audit des données, les rapports de modélisation dans Excel et Word. Aujourd’hui, Timi, surtout présent en Europe et en Amérique Latine, adresse une trentaine de clients.