L'environnement de développement hébergé dans le navigateur, fourni avec gcloud déjà intégré, ainsi que l'installation locale de l'interface de ligne de commande (CLI) pour les ingénieurs qui souhaitent disposer des mêmes outils sur leur propre machine.

Les buckets, les classes de stockage et les règles de cycle de vie — ainsi que les modèles clients Rust (téléversements en continu, sessions reprenables, ADC) qui les exploitent efficacement depuis un runtime Tokio.

Les deux API BigQuery utilisées par les services Rust — l'API REST `jobs.query` pour les petits résultats au format JSON et l'API Storage Read pour les analyses Arrow portant sur des millions de lignes — ainsi que le modèle d'ingénierie des invites pour `ML.GENERATE_TEXT`.

Compromis entre volume, vitesse et coût pour le Big Data sur GCP, le modèle de pipeline à trois zones (brut / transformation / diffusion), et la manière dont GCE, GKE, Cloud Run, App Engine et Cloud Functions s'intègrent chacun au modèle de déclenchement.

Conteneurs sans distribution, déploiements Cloud Run à partir du code source ou d'une image, App Engine Flex avec des environnements d'exécution personnalisés, et le modèle de diffusion Pub/Sub pour les gestionnaires ETL idempotents avec contre-pression à concurrence limitée.

« cargo-audit » et « cargo-deny » par rapport à la base de données des avis de sécurité de RustSec, les propriétés de « sécurité par conception » que Rust impose au moment de la compilation, les builds matriciels de GitHub Actions, ainsi que les avantages de Rust par rapport à Python en termes d'efficacité énergétique à grande échelle.

Que faire après ce cours ? Découvrez les cours suivants de la Spécialisation ainsi qu'un guide pratique de mise en production pour le modèle « Rust sur GCP ».