Contexte et objectifs
Piramidal vise à créer un modèle de fondation pour les données électrophysiologiques cérébrales, destiné à être intégré aux flux cliniques. Le produit phare doit transformer les signaux neurologiques bruts en décodages utilisables, afin d’accélérer la détection des crises. Le poste de Senior Backend Engineer s’inscrit dans cet objectif : concevoir et exploiter des services capables de gérer des flux de données à très haut débit tout en respectant les exigences de fiabilité propres aux dispositifs médicaux.
Architecture technique proposée
Les services seront écrits en Python et Go, deux langages choisis pour leur maturité dans le traitement concurrent et les performances réseau. En Python, la gestion de la concurrence devra s’appuyer sur asyncio ou sur des processus séparés afin de maîtriser le parallélisme et éviter le GIL. Go sera privilégié pour les micro‑services à latence ultra‑faible, notamment les points d’entrée réseau. Les pipelines d’ingestion devront supporter le partitionnement, le checkpointing et la garantie d’au‑moins‑une livraison, typiques des systèmes de streaming événementiel.
Le stockage des séries temporelles à haute fréquence utilisera des formats columnaires comme Apache Arrow ou Parquet, optimisés pour les lectures sélectives et la compression. Les bases relationnelles resteront indispensables pour la gestion de métadonnées et les requêtes ad‑hoc, avec un accent sur la conception de schémas adaptés aux requêtes de type « window‑function ». L’orchestration des conteneurs sera assurée par Kubernetes, déployé sur Azure Kubernetes Service (AKS), tandis que les services d’événementiel s’appuieront sur Azure Event Hubs ou Service Bus pour la diffusion fiable des flux.
Contraintes de conformité et observabilité
Étant donné que la plateforme s’apparente à un dispositif médical, elle doit intégrer les exigences de cybersécurité, de traçabilité et de contrôle des changements. Chaque modification du code doit être auditée, et les artefacts déployés doivent être signés pour garantir l’intégrité. L’observabilité repose sur la collecte de métriques, d’alertes et de logs centralisés, ainsi que sur la planification de capacité afin de prévenir les dépassements de seuils critiques. Les incidents seront documentés conformément aux standards de la FDA ou de l’EMA, selon la juridiction.
Défis d’ingénierie et perspectives
Le principal défi technique réside dans la capacité à maintenir une latence inférieure à la seconde tout en traitant des flux de plusieurs gigaoctets par seconde. La combinaison de Go pour les chemins critiques, de Python asyncio pour le pré‑traitement, et de Kubernetes pour le scaling horizontal doit être soigneusement équilibrée. De plus, la mise en production des modèles de PyTorch nécessite une infrastructure de serving capable de gérer le « model drift » et de garantir la disponibilité continue. Enfin, l’interopérabilité avec les systèmes hospitaliers (HL7, FHIR) devra être envisagée pour assurer une intégration fluide dans les workflows cliniques.
