Data Fabric Architecture: Unified Data Access Through Active Metadata

Le data fabric est une approche architecturale qui utilise les métadonnées actives, les graphes de connaissances et l'IA pour automatiser l'intégration et la gouvernance des données dans des environnements distribués. Contrairement au data mesh (organisationnel), le data fabric est une couche technologique.

Data Fabric vs Data Mesh

Dimension	Data Fabric	Data Mesh
Nature	Architecture technique	Paradigme organisationnel
Idée centrale	Intégration automatisée par métadonnées	Propriété par domaine + plateforme self-service
Centralisation	Métadonnées centralisées, données distribuées	Propriété et architecture décentralisées
Automatisation	Élevée — découverte pilotée par IA	Faible — repose sur les équipes domaine
Gouvernance	Unifiée, pilotée par métadonnées	Fédérée, pilotée par domaines
Idéal pour	Paysages legacy complexes	Organisations avec domaines bien définis
Complémentaires ?	Oui — le fabric peut servir de couche plateforme au mesh

Couches Architecturales

┌─────────────────────────────────────────────────────────────┐
│                  CONSOMMATEURS DE DONNEES                    │
│  Analystes  │  Data Scientists  │  Applications  │  IA/ML  │
└──────────────────────┬──────────────────────────────────────┘
                       │
┌──────────────────────▼──────────────────────────────────────┐
│              COUCHE D'ACCÈS UNIFIÉ                            │
│  Requêtes virtuelles  │  APIs  │  Couche sémantique         │
└──────────────────────┬──────────────────────────────────────┘
                       │
┌──────────────────────▼──────────────────────────────────────┐
│        MÉTADONNÉES ACTIVES & GRAPHE DE CONNAISSANCES         │
│  Inférence schéma  │  Lignage  │  Règles qualité  │  PII    │
└──────────────────────┬──────────────────────────────────────┘
                       │
┌──────────────────────▼──────────────────────────────────────┐
│           INTEGRATION & ORCHESTRATION                        │
│  ETL/ELT  │  CDC  │  Streaming  │  Virtualisation           │
└──────────────────────┬──────────────────────────────────────┘
                       │
┌──────────────────────▼──────────────────────────────────────┐
│                  SOURCES DE DONNEES                           │
│  SGBDR  │  Data Lakes  │  APIs SaaS  │  Fichiers  │  Flux  │
└─────────────────────────────────────────────────────────────┘

Taxonomie des Métadonnées Actives

Métadonnées Actives
├── Métadonnées Techniques
│   ├── Schéma & types
│   ├── Graphes de lignage
│   ├── Fraîcheur & obsolescence
│   └── Patterns de requêtes
├── Métadonnées Opérationnelles
│   ├── Historique d'exécution
│   ├── Scores de qualité
│   ├── Conformité SLA
│   └── Coût par dataset
├── Métadonnées Métier
│   ├── Propriété par domaine
│   ├── Glossaire métier
│   ├── Classification sensibilité
│   └── Exigences réglementaires
└── Métadonnées Sociales
    ├── Fréquence d'usage par équipe
    ├── Classement popularité
    └── Scores de confiance

Modèle de Maturité

Niveau	Nom	Caractéristiques	Métrique clé
1	Cloisonné	Pas de métadonnées unifiées	Temps pour trouver : jours
2	Catalogue	Catalogue passif, enregistrement manuel	Temps pour trouver : heures
3	Connecté	Découverte automatisée, lignage	Temps pour trouver : minutes
4	Intelligent	Recommandations IA, qualité auto	Self-service : >60%
5	Autonome	Pipelines auto-réparants	Incidents auto-résolus : >80%

Ressources

:::