Publication du numéro 27 du Thoughtworks Radar

Sa particularité est de visualiser et d’expliquer les dernières tendances dans les domaines des techniques, outils, plateformes, langages et frameworks de développement selon quatre niveaux : Hold/Assess/Trial/Adopt

La généralisation du machine learning

• Le ML était autrefois réservé à ceux qui disposaient des outils et des ressources nécessaires, mais il se démocratise avec l’augmentation des capacités des appareils et l’émergence de l’open source
• Des technologies comme le Federated ML rendent possibles des modèles de ML offrant une protection de la vie privée pour les informations sensibles
• Le TinyML permet d’exécuter les modèles sur des appareils aux ressources limitées, en déplaçant l’inférence vers l’edge, ce qui peut améliorer la sécurité des données sensibles
• Les Feature Stores offrent des avantages similaires au pattern de conception MVC dans le développement d’applications, en séparant clairement les problématiques entre curation des données, entraînement des modèles et inférence
• Des modèles ouverts comme Stable Diffusion mettent en lumière à la fois les capacités impressionnantes du ML et les inquiétudes liées aux données source et à l’éthique
• Les composants ML sont plus faciles que jamais à connecter entre eux, ce qui permet de créer diverses expériences et solutions ML grâce à des modèles métier et à des modèles génériques haute performance

La puissance du « Platform as a Product »

• Le mot « plateforme » est utilisé partout : plateforme orientée métier ou domaine, infrastructure, plateforme d’expérience développeur, etc.
• Fondamentalement, beaucoup des problèmes et frustrations que les organisations rencontrent avec les plateformes viennent du fait qu’elles ne sont pas correctement traitées comme des produits
  • Par exemple, pour les plateformes destinées aux développeurs, il manque souvent la recherche utilisateur ou l’analyse de contexte que l’on attendrait d’autres types de produits
  • Les responsables de plateforme doivent valider leurs hypothèses sur les besoins des développeurs et s’adapter aux schémas d’usage réels
  • Comme tout bon produit, une plateforme a besoin d’un support continu. Elle doit évoluer et s’adapter aux besoins changeants des développeurs
• La métaphore « Platform as a Product » n’est efficace que lorsqu’elle est pleinement adoptée comme une pratique, et non comme une simple formule

La propriété des données se déplace vers l’edge

• Toute centralisation ouvre la voie aux contraintes, aux goulots d’étranglement et aux risques d’exposition inutiles
• Les technologies de logiciels/applications local-first basées sur les CRDT, qui rendent possibles des applications de données sans base de données centralisée, amènent à réfléchir à la construction de données P2P
• Déplacer la propriété des données vers l’edge permet aux développeurs de tirer parti de capacités améliorées sur chaque appareil
• Par exemple, de nombreuses fonctions comme la reconnaissance faciale peuvent être traitées uniquement sur l’edge, ce qui permet de conserver les données sur l’appareil de manière permanente

Le mobile aussi doit être modulaire

• À mesure que les applications mobiles mûrissent, elles grossissent et multiplient les services, au point de devenir ce qu’on appelle des super apps, que l’on peut considérer comme des plateformes en elles-mêmes
• Même des applications qui ne sont pas très grandes mais qui ont accumulé de nombreuses fonctionnalités au fil des années peuvent être découpées en modules, et les entreprises constatent que la modularisation apporte aussi les mêmes bénéfices aux applications mobiles
• Les applications modulaires présentent de nombreux avantages, notamment parce qu’elles peuvent être développées par plusieurs équipes
• La difficulté tient toutefois au fait qu’il faut les distribuer via les app stores, prendre en charge les versions web en plus du natif iOS/Android, et effectuer de légers ajustements pour répondre à chaque contrainte
• Malgré ces bénéfices, il reste difficile d’adopter une approche modulaire dans le développement mobile, mais on verra apparaître des frameworks de plus en plus adaptés

[ Techniques ]

Adopt

1. Path-to-production mapping
2. Team cognitive load
3. Threat modeling

Trial

4. BERT
5. Component visual regression testing
6. Design tokens
7. Fake SMTP server to test mail-sending
8. Federated machine learning
9. Incremental developer platform
10. Micro frontends for mobile
11. Observability for CI/CD pipelines
12. SLSA
13. Software Bill of Materials

Assess

14. Carbon efficiency as an architectural characteristic
15. CUPID
16. GitHub push protection
17. Local-first application
18. Metrics store
19. Server-driven UI
20. SLIs and SLOs as code
21. Synthetic data for testing models
22. TinyML
23. Verifiable credentials

Hold

24. Satellite workers without “remote native”
25. SPA by default
26. Superficial cloud native

[ Platforms ]

Adopt

27. Backstage
28. Delta Lake

Trial

29. AWS Database Migration Service
30. Colima
31. Databricks Photon
32. DataHub
33. DataOps.live
34. eBPF
35. Feast
36. Monte Carlo
37. Retool
38. Seldon Core
39. Teleport
40. VictoriaMetrics

Assess

41. Bun
42. Databricks Unity Catalog
43. Dragonfly
44. Edge Impulse
45. GCP Vertex AI
46. Gradient
47. IAM Roles Anywhere
48. Keptn
49. OpenMetadata
50. OrioleDB

[ Tools ]

Adopt

51. Great Expectations
52. k6

Trial

53. Apache Superset
54. AWS Backup Vault Lock
55. AWS Control Tower
56. Clumio Protect
57. Cruft
58. Excalidraw
59. Hadolint
60. Kaniko
61. Kusto Query Language
62. Spectral
63. Styra Declarative Authorization Service
64. xbar for build monitoring

Assess

65. Clasp
66. Databricks Overwatch
67. dbtvault
68. git-together
69. Harness Cloud Cost Management
70. Infracost
71. Karpenter
72. Mizu
73. Soda Core
74. Teller
75. Xcode Cloud
    ##Hold
76. Online services for formatting or parsing code

[ Languages and Frameworks ]

Adopt

77. io-ts
78. Kotest
79. NestJS
80. React Query
81. Swift Package Manager
82. Yjs

Trial

83. Azure Bicep
84. Camunda
85. Gradle Kotlin DSL
86. Jetpack Media3
87. Ladle
88. Moshi
89. Svelte

Assess

90. Aleph.js
91. Astro
92. BentoML
93. Carbon Aware SDK
94. Cloudscape
95. Connect
96. Cross device SDK
97. Cypress Component Testing
98. JobRunr
99. Million
100. Soketi
101. Stable Diffusion
102. Synthetic Data Vault

Hold

103. Carbon

[xguru]

Thoughtworks Radar 26
ThoughtWorks Radar 24
À partir de la 24, j’avais prévu de traduire et de publier les principaux thèmes, mais j’ai sauté la 25.. snif