Choix des technologies pour l'application

FastAPI

FastAPI est un framework web moderne pour Python, conçu pour créer des API. Il est particulièrement apprécié pour sa rapidité d’exécution, proche de celle de Node.js ou Go, et sa facilité d’utilisation qui permet d’écrire du code clair. Grâce à la déclaration de types Python, FastAPI génère automatiquement une documentation interactive.

Le type d'application

Initialement, nous avions envisagé de développer notre application sous forme de site web. Cette approche semblait idéale, car le client souhaitait une application accessible rapidement par tous, depuis n’importe quel appareil. Cependant, après réflexion, elle présentait un inconvénient majeur : la souveraineté des données.

La souveraineté des données, c'est le fait de pouvoir garder le contrôle sur ses informations, savoir où elles sont stockées et qui peut y accéder, afin de protéger leur confidentialité et leur sécurité.

En effet, notre application devait être utilisée à la fois par des étudiants de l’IUT et par des utilisateurs externes. Un site web impliquait de stocker les données sur des serveurs distants, ce qui pouvait poser des problèmes de sécurité et de confidentialité.

Nous avons donc étudié plusieurs alternatives, et finalement, nous avons opté pour une application de bureau. Cette solution présente plusieurs avantages. Tout d'abord, les données peuvent être stockées localement, garantissant un meilleur contrôle et une meilleure confidentialité. De plus, l’application reste accessible aux étudiants de l’IUT comme aux utilisateurs externes, sans dépendre d’un hébergement web.

Ainsi, le choix de l’application de bureau répond à nos exigences en termes de sécurité, de souveraineté des données et d’accessibilité.

Choix de la technologie pour l’application de bureau

Après le choix d'opter pour une application de bureau, nous avons réfléchi à quelle technologie nous allions utiliser pour la développer.

C'est pourquoi nous avons comparé plusieurs solutions : Flet, Electron et Tauri. Premièrement, Flet est très récent et présente donc une documentation limitée, ce qui rend son utilisation risquée pour le projet. En effet, la première version de Flet considérée comme stable est sortie en 2025. Ensuite, Electron est très populaire car il est utilisé par des applications réputées comme Discord, ce qui témoigne de sa fiabilité. De plus, il est facile à prendre en main. Cependant, il consomme en moyenne 200 à 300 Mo de RAM au démarrage, contre seulement 30 à 50 Mo pour Tauri, ce qui peut impacter les performances. À l’inverse, Tauri combine légèreté, performance et une documentation suffisamment complète, ce qui nous garantit une bonne expérience utilisateur. De plus, au lancement de l'application, Tauri s’est avéré 3 à 4 fois plus rapide au démarrage que Flet et Electron sur des machines standards. Tauri n’est pas encore aussi largement adopté que Electron, mais il existe des applications connues qui ont été développées avec Tauri. Par exemple Zed, un éditeur de code, et Nota, une application de prise de notes basée sur Markdown.

Embarquement de l'intelligence artificielle locale

Puisqu'on utilise une IA qui tourne en local pour l'application, il faut embarquer l'IA dans celle-ci. On a vu deux options pour cela : soit embarquer directement le modèle via un fichier .gguf qui contient le modèle, soit passer par un gestionnaire comme Ollama. L'approche .gguf peut cependant réduire les performances du modèle. Nous avons donc privilégié une autre approche : Ollama, qui permet de télécharger de nombreux modèles et de les faire tourner en local très facilement. Le seul inconvénient est d'installer l'application Ollama, c'est pourquoi on détecte sa présence et on propose de l'installer si elle n'est pas présente sur l'ordinateur. Cela présente également un autre avantage : on peut changer de modèle très facilement et proposer à l'avenir d'utiliser un modèle plus gros pour de meilleures performances si l'utilisateur a un ordinateur plus puissant.

Génération des builders

Pour générer automatiquement les builders (installateurs et paquets) pour Linux, macOS et Windows, nous avons utilisé un workflow GitHub Actions.

Pour celui-ci nous avons utilisé un fichier YAML :

• Créé et affiné avec l'aide d'un outil d'IA générative

• Orchestrant la compilation et le packaging sur chaque plateforme.

Le workflow se déclenche lors d'un push de version contenant le suffixe « -v », ce qui lance la création des builders et la publication des artefacts.

Conclusion

Au terme de notre analyse, Tauri s’est imposé comme la solution la plus adaptée pour notre application de bureau. Son équilibre entre performance, légèreté et fiabilité en fait un choix pertinent pour offrir une expérience utilisateur optimale tout en garantissant la sécurité et la gestion des données. Parallèlement, FastAPI nous permet de gérer efficacement le back-end de l’application, grâce à sa rapidité, sa clarté et la génération automatique de documentation, assurant ainsi une communication fluide entre l’interface et les données.