Netflix présente UDA (Unified Data Architecture), une infrastructure révolutionnaire basée sur un knowledge graph pour résoudre la fragmentation chronique des modèles de données à l'échelle de son écosystème Content Engineering. Le problème fondamental : des concepts métier centraux comme "actor" ou "movie" sont redéfinis indépendamment dans chaque système (GraphQL Gateway, asset management, media computing), créant duplication, incohérences terminologiques, problèmes qualité, et connectivité limitée.
Architecture fondamentale : Knowledge Graph RDF/SHACL
UDA adopte RDF et SHACL comme fondations techniques, mais confronte des défis opérationnels majeurs à l'échelle entreprise : RDF manquait d'information model utilisable, SHACL n'était pas conçu pour données enterprise avec schémas locaux et clés typées, les équipes manquaient de pratiques d'authoring partagées, et l'outillage ontologie n'offrait pas support pour modélisation collaborative. Solution : information model "named-graph-first" où chaque named graph se conforme à un governing model, lui-même named graph dans le knowledge graph.
Upper Metamodel : Le modèle de tous les modèles
Upper constitue le langage formel pour décrire domaines métier ou systèmes, organisant concepts en domain models : vocabulaires contrôlés définissant classes d'entités clés, attributs, relations. Crucially, Upper est bootstrapping upper ontology : auto-référentiel (modélise lui-même), auto-descriptif (définit concept de domain model), auto-validant (conforme à son propre modèle). Upper projette vers API Java Jena-based et schéma GraphQL fédéré dans Enterprise Gateway. Comme tous domain models sont extensions conservatives d'Upper, intégration seamless runtime garantit sémantique données cohérente.
Mappings et Projections : Connexion et Automation
Mappings connectent éléments domain models aux data container representations (GraphQL resolvers, Data Mesh sources, Iceberg tables). Tout est adressable : du domain model à l'attribut spécifique, du table Iceberg à la colonne individuelle. Mappings permettent discovery bidirectionnelle : du concept métier au système physique stockant données, et inverse. Projections produisent conteneurs concrets implémentant caractéristiques dérivées du domain model enregistré, avec transpilation automatique vers GraphQL/Avro schemas preservant sémantique.
Adopteurs Production : PDM et Sphere
PDM (Primary Data Management) gère vocabulaires contrôlés authoritative utilisant modèle SKOS (W3C). Prend domain model comme input, génère UI automatiquement, provisionne Domain Graph Services et pipelines Data Mesh via projections UDA. Vocabulaires consommateurs ignorent SKOS—travaillent avec terminologie domaine familière.
Sphere : système reporting opérationnel self-service UDA-powered. Discovery via concepts métier ("actors", "movies"), non tables techniques. UDA knowledge graph génère requêtes SQL via graph traversal, éliminant joins manuels et médiation technique. Métadonnées agrégées présentées avec vocabulaire unifié, boundaries et islands data landscape identifiées automatiquement.
Impact transformationnel
UDA transforme modèles conceptuels en control plane actif : non seulement documente concepts, mais génère schémas, provisionne services, orchestre data movement, et enforce consistency automatiquement. Futurs développements : support Protobuf/gRPC, matérialisation knowledge graph instance data, résolution challenges Graph Search initiaux ayant inspiré ce travail.