Les traductions sont fournies par des outils de traduction automatique. En cas de conflit entre le contenu d'une traduction et celui de la version originale en anglais, la version anglaise prévaudra.
# Architectures d'intégration
MongoDB Atlas s'intègre parfaitement à la plupart des applications Services AWS, comme le montre le schéma suivant.
![\[Intégration entre MongoDB Atlas et Services AWS, par catégorie.\]](http://docs.aws.amazon.com/fr_fr/prescriptive-guidance/latest/migration-mongodb-atlas/images/integration-architecture.png)
Les sections suivantes décrivent les architectures de référence permettant d'intégrer MongoDB Atlas à Amazon SageMaker AI, AWS AppSync Amazon, Amazon Data Firehose et EventBridge Amazon Managed Streaming for Apache Kafka Kafka (Amazon MSK). AWS Toutes ces architectures de référence sont construites sur un réseau sécurisé en utilisant des rôles AWS PrivateLink AWS KMS,, et IAM. Pour plus d'informations, consultez la [section Bonnes pratiques](best-practices.md) plus loin dans ce guide.
**Topics**
+ [Intégration rationalisée des données avec AWS AppSync](data-integration.md)
+ [IA générative avec Amazon SageMaker AI JumpStart et MongoDB Atlas Vector Search](generative-ai.md)
+ [Architecture axée sur les événements avec Amazon EventBridge](event-driven.md)
+ [Streaming de données avec Amazon Data Firehose](data-streaming.md)
+ [Traitement en temps réel avec Amazon MSK](real-time-processing.md)
+ [Détection des fraudes avec Amazon SageMaker AI Canvas](fraud-detection.md)
# Intégration rationalisée des données avec AWS AppSync
L'intégration de MongoDB Atlas [AWS AppSync](https://aws.amazon.com/pm/appsync/)permet une synchronisation fluide des données, des interactions en temps réel et des expériences utilisateur dynamiques et réactives. Le schéma suivant montre un exemple de mise en œuvre.
![\[Intégration de MongoDB Atlas AWS AppSync pour la synchronisation des données.\]](http://docs.aws.amazon.com/fr_fr/prescriptive-guidance/latest/migration-mongodb-atlas/images/data-integration.png)
Principaux points forts :
+ Un point de terminaison GraphQL unifié pour plusieurs sources de données
+ Sous-graphes gérés indépendamment
+ End-to-end architecture sans serveur
+ Résolution de conflits à l'aide de directives de schéma
+ Dimensionnement automatique basé sur les volumes de demandes d'API
Pour plus d'informations, consultez le billet de blog [How to Build Advanced GraphQL based with APIs MongoDB Atlas and Merged AWS AppSync sur APIs le site Web de MongoDB](https://www.mongodb.com/blog/post/how-build-advanced-graphql-based-apis-mongodb-atlas-aws-appsync-merged-apis).
# IA générative avec Amazon SageMaker AI JumpStart et MongoDB Atlas Vector Search
[Amazon SageMaker AIJump Start](https://docs.aws.amazon.com/sagemaker/latest/dg/studio-jumpstart.html) fournit des modèles de base d'IA pré-entraînés tels que Retrieval Augmented Generation (RAG) pour les applications de texte intelligentes. Vous pouvez le combiner JumpStart avec [MongoDB Atlas Vector Search](https://www.mongodb.com/products/platform/atlas-vector-search), qui permet des requêtes de similarité sémantique sur du texte, des images et d'autres données, afin de créer de puissantes expériences de recherche. Par exemple, vos développeurs peuvent implémenter une recherche sémantique intuitive dans les conversations avec les clients à l'aide d'Atlas Vector Search, et utiliser les modèles Amazon SageMaker AI RAG pour ajouter une synthèse et une traduction interactives, comme illustré dans le schéma suivant.
![\[Intégration de MongoDB Atlas à Amazon SageMaker AI, pour des fonctionnalités d'IA génératives.\]](http://docs.aws.amazon.com/fr_fr/prescriptive-guidance/latest/migration-mongodb-atlas/images/gen-ai.png)
Cela permet de découvrir divers cas d'utilisation de la recherche pilotée par l'IA, notamment le support automatisé, la gestion intelligente du contenu, le résumé du contenu et les recommandations améliorées. En implémentant une recherche de précision intuitive avec MongoDB et les fonctionnalités génératives d'Amazon SageMaker JumpStart, les développeurs peuvent rapidement proposer des applications de recherche cognitive percutantes.
Principaux points forts :
+ Cas d'utilisation des chatbots d'entreprise
+ Support pour l'architecture du modèle RAG
+ Recherche vectorielle dans l'atlas MongoDB
+ Support pour l'intégration 2K
+ Transfert de données sécurisé
+ Diminution du risque d'hallucinations
Pour plus d'informations sur cette implémentation, consultez le billet de AWS blog [Retrieval-Augmented Generation with, LangChain Amazon SageMaker AI JumpStart et MongoDB](https://aws.amazon.com/blogs/machine-learning/retrieval-augmented-generation-with-langchain-amazon-sagemaker-jumpstart-and-mongodb-atlas-semantic-search/) Atlas Semantic Search.
# Architecture axée sur les événements avec Amazon EventBridge
Vous pouvez intégrer MongoDB Atlas EventBridge à [Amazon](https://aws.amazon.com/eventbridge/) pour orchestrer les flux de données, activer les réponses automatisées et obtenir des informations en temps quasi réel pour les applications. Le schéma suivant montre un exemple d'architecture de référence.
![\[Intégration de MongoDB Atlas à Amazon EventBridge pour implémenter une architecture axée sur les événements.\]](http://docs.aws.amazon.com/fr_fr/prescriptive-guidance/latest/migration-mongodb-atlas/images/event-driven.png)
Principaux points forts :
+ Orchestration fluide des événements
+ Réactivité en temps réel
+ Flux de travail automatisés
+ Scalabilité et agilité
+ Perspectives pour l'innovation
Pour plus d'informations sur cette implémentation, consultez le billet de AWS blog [Ingesting MongoDB Atlas data using Amazon](https://aws.amazon.com/blogs/compute/ingesting-mongodb-atlas-data-using-amazon-eventbridge/). EventBridge
# Streaming de données avec Amazon Data Firehose
Vous pouvez intégrer MongoDB Atlas à [Amazon Data Firehose](https://aws.amazon.com/kinesis/data-firehose/) pour diffuser, transformer et charger des données de manière efficace. Cette intégration fournit des données automatisées et en temps réel ainsi qu'une évolutivité pour des analyses et des informations optimisées. Le schéma suivant montre un exemple d'architecture de référence.
![\[Intégration de MongoDB Atlas à Amazon Data Firehose, pour implémenter des fonctionnalités de streaming de données.\]](http://docs.aws.amazon.com/fr_fr/prescriptive-guidance/latest/migration-mongodb-atlas/images/data-streaming.png)
Principaux points forts :
+ Évolution dynamique du schéma
+ Streaming de données en continu
+ Analyses améliorées
+ Scalabilité et agilité
+ Livraison de données fiable
Pour plus d'informations, consultez le billet de AWS blog [Integrating Application Data Platform with Amazon Data Firehose de MongoDB](https://aws.amazon.com/blogs/big-data/integrating-the-mongodb-cloud-with-amazon-kinesis-data-firehose/).
# Traitement en temps réel avec Amazon MSK
Vous pouvez intégrer MongoDB Atlas à [Amazon Managed Streaming pour qu'Apache Kafka (Amazon](https://aws.amazon.com/msk/) MSK) améliore le traitement des données en temps réel. Vous pouvez créer des architectures robustes axées sur les événements en utilisant les fonctionnalités de streaming d'Amazon MSK avec le modèle de document MongoDB pour les applications agiles et riches en données. Le schéma suivant illustre un exemple d'architecture de référence.
![\[Intégration de MongoDB Atlas à Amazon MSK pour améliorer le traitement des données en temps réel.\]](http://docs.aws.amazon.com/fr_fr/prescriptive-guidance/latest/migration-mongodb-atlas/images/real-time-processing.png)
Principaux points forts :
+ Intégration fluide aux événements
+ Agilité axée sur les événements
+ Informations en temps réel
+ Analyses axées sur les applications
+ Des flux de données hautement évolutifs
Pour plus de détails et pour obtenir des instructions de step-by-step mise en œuvre, consultez le billet de AWS blog [Construisez un pipeline de streaming sans serveur avec Amazon EMR Serverless, Amazon MSK Connect](https://aws.amazon.com/blogs/big-data/build-a-serverless-streaming-pipeline-with-amazon-msk-serverless-amazon-msk-connect-and-mongodb-atlas/) et MongoDB Atlas.
# Détection des fraudes avec Amazon SageMaker AI Canvas
Vous pouvez intégrer MongoDB Atlas à [Amazon SageMaker AI Canvas](https://docs.aws.amazon.com/sagemaker/latest/dg/canvas.html) pour créer un puissant système de détection des fraudes qui associe l'analyse des données en temps réel à l'apprentissage automatique avancé afin de détecter et de prévenir les activités frauduleuses.
Le schéma suivant montre un exemple d'architecture de référence pour détecter les fraudes.
![\[Intégration de MongoDB Atlas à Amazon SageMaker AI Canvas pour implémenter la détection des fraudes.\]](http://docs.aws.amazon.com/fr_fr/prescriptive-guidance/latest/migration-mongodb-atlas/images/fraud-detection.png)
(Le schéma a été adapté avec l'autorisation du [site Web de MongoDB](https://www.mongodb.com/resources/products/unmasking-deception-harnessing-power-atlas-amazon-sage-maker-canvas-fraud-detection).)
Pour plus d'informations, consultez le billet de blog de MongoDB [Unmasking Deception : Harnessing the Power of MongoDB Atlas and](https://www.mongodb.com/resources/products/unmasking-deception-harnessing-power-atlas-amazon-sage-maker-canvas-fraud-detection) Amazon AI Canvas for Fraud Detection. SageMaker