Technologies MongoDB nécessaires pour créer des applications efficaces, sécurisées et performantes

Il s'agit du guide ultime qui couvre tout, de l'utilisation de MongoDB à ses fonctionnalités avancées.
Nous commençons par l'architecture de MongoDB, les outils de développement et la connectivité de la base de données, puis nous explorons les requêtes avancées, notamment les pipelines d'agrégation et les transactions ACID multi-documents, et nous présentons des fonctionnalités de pointe utiles pour les applications d'IA, telles que la recherche vectorielle Atlas.
Il s'agit du premier ouvrage officiel rédigé par des contributeurs de MongoDB, qui traite en détail de technologies avancées telles que la recherche Atlas, le RBAC, l'audit et le chiffrement.
Le traducteur, expert en MongoDB, a ajouté le contenu de la version 8.0 en annexe à la version coréenne.

Il y a à peine 10 ans, MongoDB était un produit de niche.
C'était une base de données récente qui n'intéressait que les développeurs les plus en vue.
Mais aujourd'hui, MongoDB est utilisé dans une grande variété de secteurs d'activité, avec des cas d'utilisation couvrant toutes sortes de situations et de types de données stockées.
Les plus grandes banques, constructeurs automobiles, agences gouvernementales et sociétés de jeux vidéo du monde utilisent MongoDB dans leurs applications de production.
Parmi les entreprises les plus importantes utilisant MongoDB, on peut citer Coinbase, Epic Games, Morgan Stanley, Adobe, Tesla, Canva, Ulta Beauty, Cathay Pacific, Dongwha et Vodafone.

--- p.1

Mongoid est un ODM de premier plan pour MongoDB, permettant aux développeurs de gérer de manière intuitive et efficace les bases de données MongoDB dans le framework Ruby on Rails.
Si les pilotes de bas niveau offrent une grande flexibilité, Mongoid fournit des abstractions de haut niveau qui s'intègrent parfaitement aux conventions de nommage de Rails, améliorant ainsi la productivité des développeurs.
Cette intégration transparente simplifie des tâches telles que la définition du schéma, l'écriture des requêtes et la modélisation des données, permettant ainsi aux développeurs de se concentrer sur la logique applicative plutôt que sur l'implémentation de la base de données. À l'instar d'un ORM, un ODM réduit au minimum l'écart entre le modèle et la base de données.
--- pp.91-92

L'une des caractéristiques les plus remarquables de MongoDB est sa structure de documents flexible.
Il prend en charge les documents BSON et les tableaux avec une imbrication jusqu'à 100 niveaux, ce qui offre des avantages pratiques au-delà des simples fonctionnalités techniques.
Cette structure profonde maximise non seulement la flexibilité de la base de données, mais vous permet également d'organiser les données de manière optimisée pour les besoins de votre application.
Ces caractéristiques structurelles offrent notamment trois avantages clés :
Premièrement, cela réduit considérablement le besoin d'opérations de jointure complexes.
Cela rend également le processus de récupération des données efficace et simplifie enfin l'écriture des requêtes.

--- p.117

L'opérateur $gt (supérieur à) est utilisé pour rechercher des données qui dépassent une valeur spécifiée.
Par exemple, il est efficace pour des tâches telles que la recherche de produits au-dessus d'un certain prix ou la consultation des détails des transactions après une date de référence.
En revanche, l'opérateur $lt (inférieur à) est utilisé pour trouver des données inférieures à une valeur spécifiée.
Ceci est utile dans des situations telles que l'identification des produits dont la quantité en stock est inférieure à un certain seuil ou la récupération d'enregistrements sur une période spécifique.
--- p.153

L'une des principales caractéristiques des index composites est la prise en charge d'une variété de requêtes utilisant des préfixes sur les champs d'index.
Par exemple, l'index composite de l'exemple ci-dessus prend en charge les requêtes qui combinent l'auteur et le code ISBN, ainsi que les requêtes qui utilisent uniquement le champ auteur, qui est le premier champ de l'index.
En revanche, les requêtes effectuées uniquement sur les codes ISBN ne peuvent pas utiliser l'index et aboutissent à une analyse complète de la collection.
(…) Les index composites stockent les références de documents dans l’ordre de leurs champs définis.
La figure 10.4 est un exemple illustrant cette structure.
Vous pouvez tout d'abord constater que le tri est effectué par ordre croissant (ordre alphabétique) en fonction de l'identifiant utilisateur, puis que le score est trié par ordre décroissant au sein de chaque identifiant utilisateur.

--- p.222

La recherche vectorielle est une technique de recherche basée sur la signification des données.
Cette technologie utilise un modèle d'apprentissage automatique appelé encodeur pour convertir diverses données telles que du texte, de l'audio et des images en vecteurs de haute dimension.
Les vecteurs ainsi générés contiennent les caractéristiques sémantiques des données, ce qui nous permet de trouver des vecteurs proches les uns des autres dans un espace de grande dimension et d'identifier un contenu similaire.
Ces recherches vectorielles peuvent efficacement compléter les recherches traditionnelles par mots-clés.
En particulier, elle a récemment attiré une attention considérable car elle peut fournir des informations supplémentaires qui vont au-delà des limitations des grands modèles de langage (LLM).
Dans le cadre de recherches concrètes, elle présente l'avantage de pouvoir trouver des résultats pertinents même lorsque le terme de recherche exact est inconnu, et son utilité a été prouvée dans divers domaines tels que le traitement automatique du langage naturel et les systèmes de recommandation.

--- pp.255-256