{"templateName":"base-page-template54","cssClassNames":"page basicpage summit-page","allowedRenditionsWidth":["320","480","640","768","960","1200","1440","1920"],"description":"Découvrez ce qu’est le machine learning, comment fonctionne son cycle de vie et quelles bonnes pratiques permettent aux équipes de créer, déployer et superviser les modèles en toute confiance.","language":"fr","title":"Machine Learning : Cycle de vie, types et bonnes pratiques | Snowflake","analyticsPageType":"homepage","analyticsCategory":"general","analyticsSubCategory":"","excludeFromAnalytics":false,":mappedPath":"/fr/artificial-intelligence/machine-learning/",":type":"snowflake-site/components/structure/page",":itemsOrder":["root"],":items":{"root":{"columnCount":12,"columnClassNames":{"markup_editor_928258845":"aem-GridColumn aem-GridColumn--default--12","experiencefragment-banner":"aem-GridColumn aem-GridColumn--default--12","experiencefragment-header":"aem-GridColumn aem-GridColumn--default--12","responsivegrid":"aem-GridColumn aem-GridColumn--default--12","markup_editor_597730182":"aem-GridColumn aem-GridColumn--default--12","experiencefragment-footer":"aem-GridColumn aem-GridColumn--default--12","experiencefragment":"aem-GridColumn aem-GridColumn--default--12","modal_container":"aem-GridColumn aem-GridColumn--default--12","markup_editor":"aem-GridColumn aem-GridColumn--default--12"},"gridClassNames":"aem-Grid aem-Grid--12 aem-Grid--default--12",":itemsOrder":["experiencefragment-banner","experiencefragment-header","responsivegrid","modal_container","markup_editor_928258845","markup_editor_597730182","markup_editor","experiencefragment-footer","experiencefragment"],":items":{"experiencefragment-banner":{"id":"experiencefragment-111400a20c","localizedFragmentVariationPath":"/content/experience-fragments/snowflake-site/language-masters/fr/site/pushdown-banner/master/jcr:content","configured":true,":type":"snowflake-site/components/experiencefragment","xfModelPath":"/content/experience-fragments/snowflake-site/language-masters/fr/site/pushdown-banner/master.xfmodel.json?callerPage=/content/snowflake-site/global/fr/artificial-intelligence/machine-learning"},"experiencefragment-header":{"id":"experiencefragment-47efa36564","localizedFragmentVariationPath":"/content/experience-fragments/snowflake-site/language-masters/fr/site/mega-nav-header/master/jcr:content","configured":true,":type":"snowflake-site/components/experiencefragment","xfModelPath":"/content/experience-fragments/snowflake-site/language-masters/fr/site/mega-nav-header/master.xfmodel.json?callerPage=/content/snowflake-site/global/fr/artificial-intelligence/machine-learning"},"responsivegrid":{"columnCount":12,"columnClassNames":{"flexible_column_cont_939100716":"aem-GridColumn aem-GridColumn--default--12","flexible_column_cont":"aem-GridColumn aem-GridColumn--default--12","flexible_column_cont_1158003461":"aem-GridColumn aem-GridColumn--default--12","flexible_column_cont_663228916":"aem-GridColumn aem-GridColumn--default--12","flexible_column_cont_912630531":"aem-GridColumn aem-GridColumn--default--12","flexible_column_cont_1398138236":"aem-GridColumn aem-GridColumn--default--12","flexible_column_cont_1786318617":"aem-GridColumn aem-GridColumn--default--12","flexible_column_cont_1467213961":"aem-GridColumn aem-GridColumn--default--12","flexible_column_cont_1377146023":"aem-GridColumn aem-GridColumn--default--12"},"gridClassNames":"aem-Grid aem-Grid--12 aem-Grid--default--12",":itemsOrder":["flexible_column_cont","flexible_column_cont_939100716","flexible_column_cont_1398138236","flexible_column_cont_663228916","flexible_column_cont_1786318617","flexible_column_cont_1467213961","flexible_column_cont_912630531","flexible_column_cont_1158003461","flexible_column_cont_1377146023"],":items":{"flexible_column_cont":{"id":"flexible-column-container-7764516dfc","propertiesId":"hub-hero-breadcrumbs","type":"1-column","alignColumns":"top","containerMaxWidth":"extra-large","topPadding":"small","bottomPadding":"none","spaceBetween":"small","reverseOnMobile":false,"carouselOnMobile":false,"propertiesCSSClasses":"page-section","backgroundImageOption":"none","flexible_column_content_container_1":{"layout":"SIMPLE","id":"container-2a02a6f74c",":type":"snowflake-site/components/flexible-column-container/flexible-column-content-container",":itemsOrder":["breadcrumb"],":items":{"breadcrumb":{"id":"breadcrumb-6a1893741f","items":[{"id":"breadcrumb-6a1893741f-item-cb93a03c0a","link":{"valid":true,"url":"/fr/"},"active":false,"current":false,"title":"Français",":type":"snowflake-site/components/structure/page","appliedCssClassNames":"summit-page"},{"id":"breadcrumb-6a1893741f-item-8fdfff6b6b","link":{"valid":true,"url":"/fr/artificial-intelligence/"},"active":false,"current":false,"title":"Intelligence artificielle",":type":"snowflake-site/components/structure/page","appliedCssClassNames":"summit-page"},{"id":"breadcrumb-6a1893741f-item-93eeea960a","link":{"valid":true,"url":"/fr/artificial-intelligence/machine-learning/"},"active":true,"current":true,"title":"Machine learning",":type":"snowflake-site/components/structure/page","appliedCssClassNames":"summit-page"}],":type":"snowflake-site/components/breadcrumb"}}},":type":"snowflake-site/components/flexible-column-container","isBlogPage":false,"isActiveTOC":false,"appliedCssClassNames":"snowflake-flexible-column-container-gray-10-bg"},"flexible_column_cont_939100716":{"id":"flexible-column-container-30372f456b","propertiesId":"hub-hero","type":"2-column-even","alignColumns":"center","containerMaxWidth":"extra-large","topPadding":"extra-small","bottomPadding":"extra-small","spaceBetween":"small","reverseOnMobile":false,"carouselOnMobile":false,"propertiesCSSClasses":"page-section","backgroundImageOption":"none","flexible_column_content_container_1":{"layout":"SIMPLE","id":"container-917eb81e0d",":type":"snowflake-site/components/flexible-column-container/flexible-column-content-container",":itemsOrder":["text_470483971","title_v2","text","container"],":items":{"text_470483971":{"id":"text-6f39253ea4","additionalClasses":"eyebrow-text","text":"\u003Cp style=\"padding-top: 8.0px;\"\u003EGuide de référence\u003C/p\u003E\n","richText":true,":type":"snowflake-site/components/text","appliedCssClassNames":"text-size-regular text-color-text-02"},"title_v2":{"id":"title-v2-c15cae142f","additionalClasses":"hub-hero__headline","type":"heading1","lines":["Le machine learning en entreprise : cycle de vie ML et bonnes pratiques"],":type":"snowflake-site/components/title-v2","appliedCssClassNames":"left-alignment"},"text":{"id":"text-ae5df07e63","additionalClasses":"hub-hero__subheadline","text":"\u003Cp\u003ELe machine learning étend ce que les organisations peuvent faire avec les données qu'elles collectent déjà. Ce guide détaille le cycle de vie ML, les bonnes pratiques fondamentales et le socle de données dont les équipes ont besoin pour créer, déployer et superviser le ML en toute confiance.\u003C/p\u003E\n","richText":true,":type":"snowflake-site/components/text","appliedCssClassNames":"text-size-regular text-color-text-05"},"container":{"additionalClasses":"hub-hero__authors","layout":"RESPONSIVE_GRID","columnCount":12,"columnClassNames":{"content_chip_copy":"aem-GridColumn aem-GridColumn--default--12","content_chip":"aem-GridColumn aem-GridColumn--default--12"},"gridClassNames":"aem-Grid aem-Grid--12 aem-Grid--default--12","id":"container-80e14b16b4",":type":"snowflake-site/components/container",":itemsOrder":["content_chip_copy","content_chip"],":items":{"content_chip_copy":{"id":"content-chip-3d01d6d8a3","cta":{"id":"cta","showOutboundIcon":false,"linkTargetContentType":"GENERIC",":type":"snowflake-site/components/button","linkType":"SNOWFLAKE_INTERNAL","text":"Lire la biographie"},"image":{"id":"image","height":"800","src":"https://www.snowflake.com/adobe/dynamicmedia/deliver/dm-aid--a7e9fdff-6f08-4edc-9cd1-e213bb234aaa/laurie-macpherson.jpg?preferwebp=true&quality=85","alt":"Laurie Macpherson headshot","lazyEnabled":true,"width":"800",":type":"snowflake-site/components/image"},"headline":{"id":"title","type":"heading5","lines":["Laurie MacPherson","Technical Writer, Snowflake"],":type":"snowflake-site/components/title-v2"},":type":"snowflake-site/components/content-chip"},"content_chip":{"id":"content-chip-82bda88971","cta":{"id":"cta","showOutboundIcon":false,"linkTargetContentType":"GENERIC",":type":"snowflake-site/components/button","linkType":"SNOWFLAKE_INTERNAL","text":"Lire la biographie"},"image":{"id":"image","height":"709","src":"https://www.snowflake.com/adobe/dynamicmedia/deliver/dm-aid--9ad7a3c0-e23e-4370-bc36-f59a5fe02eff/img-1817.jpg?preferwebp=true&quality=85","alt":"David Gaule","lazyEnabled":true,"width":"709",":type":"snowflake-site/components/image"},"headline":{"id":"title","type":"heading5","lines":["Tracy Kabuya","Contributrice locale, Snowflake"],":type":"snowflake-site/components/title-v2"},":type":"snowflake-site/components/content-chip"}},"appliedCssClassNames":"snowflake-responsive-container-inner-padding-small"}},"appliedCssClassNames":"snowflake-responsive-container-inner-padding-extra-small"},"flexible_column_content_container_2":{"additionalClasses":"hub-hero__video-column","layout":"SIMPLE","id":"container-d54a0cb283",":type":"snowflake-site/components/flexible-column-container/flexible-column-content-container",":itemsOrder":["youtube"],":items":{"youtube":{"id":"embed-7c17b0b71b","youtubeVideoId":"mhjjtTF35V0","layout":"responsive","youtubeAspectRatio":"56.25","youtubeAutoPlay":false,"youtubeLoop":false,"youtubeMute":false,"youtubePlaysInline":false,"youtubeRel":false,"embeddableResourceType":"core/wcm/components/embed/v1/embed/embeddable/youtube","type":"EMBEDDABLE",":type":"snowflake-site/components/youtube"}}},":type":"snowflake-site/components/flexible-column-container","isBlogPage":false,"isActiveTOC":false,"appliedCssClassNames":"snowflake-flexible-column-container-gray-10-bg"},"flexible_column_cont_1398138236":{"id":"flexible-column-container-9dd1ce8012","propertiesId":"hub-hero-related-topics","type":"1-column","alignColumns":"top","containerMaxWidth":"extra-large","topPadding":"extra-small","bottomPadding":"medium","spaceBetween":"small","reverseOnMobile":false,"carouselOnMobile":false,"propertiesCSSClasses":"page-section","backgroundImageOption":"none","flexible_column_content_container_1":{"additionalClasses":"related-topics-outer-container border-top","layout":"SIMPLE","id":"container-e563ecf443",":type":"snowflake-site/components/flexible-column-container/flexible-column-content-container",":itemsOrder":["text_894059747","text"],":items":{"text_894059747":{"id":"text-9a31248585","additionalClasses":"seo-hub-hero__related-topic-label","text":"\u003Cp\u003ESujets liés au Machine Learning :\u003C/p\u003E\n","richText":true,":type":"snowflake-site/components/text","appliedCssClassNames":"text-size-regular text-color-text-05"},"text":{"id":"text-f6abd5ad7b","additionalClasses":"related-topics ","text":"\u003Cul\u003E\n\u003Cli\u003E\u003Ca href=\"https://www.snowflake.com/en/artificial-intelligence/machine-learning/automl/\"\u003EAutoML\u003C/a\u003E\u003C/li\u003E\n\u003Cli\u003E\u003Ca href=\"https://www.snowflake.com/fr/artificial-intelligence/ai-governance/algorithmic-bias/\"\u003EDeep learning\u003C/a\u003E\u003C/li\u003E\n\u003Cli\u003E\u003Ca href=\"https://www.snowflake.com/fr/artificial-intelligence/machine-learning/ensemble-learning/\"\u003EEnsemble Learning\u003C/a\u003E\u003C/li\u003E\n\u003Cli\u003E\u003Ca href=\"https://www.snowflake.com/fr/artificial-intelligence/machine-learning/feature-engineering/\"\u003EIngénierie des caractéristiques\u003C/a\u003E\u003C/li\u003E\n\u003Cli\u003E\u003Ca href=\"https://www.snowflake.com/fr/artificial-intelligence/machine-learning/frameworks/\"\u003EFrameworks ML\u003C/a\u003E\u003C/li\u003E\n\u003Cli\u003E\u003Ca href=\"https://www.snowflake.com/fr/artificial-intelligence/machine-learning/inference/\"\u003EInférence\u003C/a\u003E\u003C/li\u003E\n\u003Cli\u003E\u003Ca href=\"https://www.snowflake.com/en/artificial-intelligence/machine-learning/models/\"\u003EModèles ML\u003C/a\u003E\u003C/li\u003E\n\u003Cli\u003E\u003Ca href=\"https://www.snowflake.com/fr/artificial-intelligence/machine-learning/mlops/\"\u003EMLOps\u003C/a\u003E\u003C/li\u003E\n\u003Cli\u003E\u003Ca href=\"https://www.snowflake.com/fr/artificial-intelligence/machine-learning/reinforcement-learning/\"\u003EApprentissage par renforcement\u003C/a\u003E\u003C/li\u003E\n\u003C/ul\u003E\n","richText":true,":type":"snowflake-site/components/text","appliedCssClassNames":"text-size-small"}}},":type":"snowflake-site/components/flexible-column-container","isBlogPage":false,"isActiveTOC":false,"appliedCssClassNames":"snowflake-flexible-column-container-gray-10-bg"},"flexible_column_cont_663228916":{"id":"flexible-column-container-589f71003c","propertiesId":"hub-body","type":"2-column-60-40","alignColumns":"top","containerMaxWidth":"extra-large","topPadding":"medium","bottomPadding":"medium","spaceBetween":"small","reverseOnMobile":false,"carouselOnMobile":false,"propertiesCSSClasses":"page-section","backgroundImageOption":"none","flexible_column_content_container_1":{"additionalClasses":"longform-content","layout":"SIMPLE","id":"hub-body-content",":type":"snowflake-site/components/flexible-column-container/flexible-column-content-container",":itemsOrder":["callout_what-is-ai-governance_0","text_intro_0","title_what-is-ai-governance","text_what-is-ai-governance_0","title_why-ai-governance-matters-now","text_why-ai-governance-matters-now_0","title_key-ai-governance-frameworks-eu-ai-act-nist-ai-rmf-and-iso-42001","text_key-ai-governance-frameworks-eu-ai-act-nist-ai-rmf-and-iso-42001_0","card_v2_why_ai_gover","title_key-components-of-ai-governance","text_key-components-of-ai-governance_0","title_responsible-ai-principles-that-operationalize-governance","text_responsible-ai-principles-that-operationalize-governance_0","title_ai-transparency-and-explainability","text_ai-transparency-and-explainability_0","card_v2_why-ai-governance-on-snowflake_0","title_ai-traceability-and-auditability","text_ai-traceability-and-auditability_0","text_copy","text_ai_traceability","youtube","title_training-data-governance-and-bias-auditing","text_training-data-governance-and-bias-auditing_0","title_generative-ai-and-ai-agent-governance","text_generative-ai-and-ai-agent-governance_0","callout_a-practical-path-to-safer-ai_0"],":items":{"callout_what-is-ai-governance_0":{"id":"text-849d0689e5","additionalClasses":"callout callout--general","text":"\u003Cp\u003E\u003Cb\u003EDÉFINITION DU MACHINE LEARNING\u003C/b\u003E\u003C/p\u003E\n\u003Cp\u003ELe machine learning (ML) est une branche de l’intelligence artificielle qui permet aux systèmes d’identifier des régularités dans les données et de les utiliser pour générer des prédictions, des recommandations et d’autres sorties. Plutôt que de s'appuyer uniquement sur des règles programmées manuellement, le ML aide les organisations à automatiser les décisions, à mettre en évidence des informations pertinentes et à améliorer les résultats à mesure que davantage de données deviennent disponibles.\u003C/p\u003E\n","richText":true,":type":"snowflake-site/components/text","appliedCssClassNames":"text-size-regular text-color-text-05"},"text_intro_0":{"id":"text-6f62fd0d53","text":"\u003Cp\u003ELe machine learning est passé du stade de projet de recherche et d'expérimentation isolée en science des données à celui de composant clé des systèmes métier. Il permet désormais d'acheminer les transactions, de personnaliser l'expérience client, de détecter les anomalies de sécurité, de prévoir la demande et de soutenir les décisions quotidiennes. Sa valeur réside dans l'usage des données pour identifier des relations trop vastes, dynamiques ou complexes pour être codées manuellement par l'humain.\u003C/p\u003E\n\u003Cp\u003EMettre le machine learning en production requiert plus que le choix d'un algorithme. Les équipes ont besoin de données fiables, de pipelines de caractéristiques reproductibles, de critères d'évaluation clairs, de dispositifs de contrôle du déploiement et d'une supervision permettant de vérifier si le modèle se comporte toujours comme prévu après l'évolution des conditions métier. \u003C/p\u003E\n\u003Cp\u003ECe guide explique le fonctionnement du machine learning, les bonnes pratiques liées à son cycle de vie et les éléments à prendre en compte par les équipes d’entreprise pour implémenter des systèmes ML.\u003C/p\u003E\n","richText":true,":type":"snowflake-site/components/text","appliedCssClassNames":"text-color-text-05"},"title_what-is-ai-governance":{"id":"title-v2-5ae1efa2fc","additionalClasses":"anchor-title anchor-title--what-is-machine-learning","type":"heading2","lines":["Qu’est-ce que le machine learning ?"],":type":"snowflake-site/components/title-v2"},"text_what-is-ai-governance_0":{"id":"text-e69dbf08f9","text":"\u003Cp\u003ELe machine learning est un sous-ensemble de l’\u003Ca href=\"https://www.snowflake.com/fr/artificial-intelligence/\"\u003Eintelligence artificielle\u003C/a\u003E dans lequel un logiciel apprend des régularités à partir de données et les utilise pour effectuer des prédictions, des classifications, des recommandations ou d’autres sorties. Dans la programmation traditionnelle fondée sur des règles, un développeur rédige des instructions explicites : si cette condition se produit, alors effectuer telle action. En machine learning, le système utilise des données d’entraînement pour déduire une relation statistique entre les entrées et les sorties. Il applique ensuite cette relation apprise à de nouvelles données lors de la phase d’inférence. \u003C/p\u003E\n\u003Cp\u003EPar exemple, un modèle ML peut apprendre que certains attributs de transaction sont associés à une fraude, que des régularités d'utilisation spécifiques prédisent l'attrition, ou qu'une combinaison d'historique des ventes et de saisonnalité peut améliorer les prévisions de la demande. L'algorithme définit la manière dont le système apprend, tandis que le modèle est l'artefact appris produit par l'entraînement. L’inférence est l’action d’appliquer ce modèle à de nouvelles données.\u003C/p\u003E\n","richText":true,":type":"snowflake-site/components/text","appliedCssClassNames":"text-color-text-05"},"title_why-ai-governance-matters-now":{"id":"title-v2-b981f33bb9","additionalClasses":"anchor-title anchor-title--why-machine-learning-matters-for-enterprise-data-teams","type":"heading2","lines":["Pourquoi le machine learning est essentiel pour les équipes data"],":type":"snowflake-site/components/title-v2"},"text_why-ai-governance-matters-now_0":{"id":"text-d1b08c6ed4","text":"\u003Cp\u003ELe machine learning étend ce que les organisations peuvent faire avec les données qu'elles collectent déjà. Il peut traiter des volumes d’informations impossibles à analyser manuellement et détecter des signaux bien plus tôt qu’un tableau de bord conçu pour des analyses rétrospectives. Il permet également d’automatiser des décisions répétitives qui suivent des régularités identifiables.\u003C/p\u003E\n\u003Cp\u003ELe défi réside dans le fait que le ML en production transforme le rôle de la plateforme de données : les données ne servent plus seulement à alimenter des rapports statiques, mais façonnent directement les opérations de l’entreprise. Les problèmes de qualité des données peuvent se transformer en erreurs de prédiction, puis en mauvaises décisions une fois ces prédictions intégrées aux flux de travail opérationnels.\u003C/p\u003E\n\u003Cp\u003EUn modèle ML dépend de tables, d'événements, d'étiquettes, de caractéristiques, de politiques d'accès et de schémas d'actualisation. Des entrées fragmentées ou mal gouvernées n’arrêtent pas le processus d’entraînement, mais elles produisent des résultats difficiles à vérifier, à reproduire ou à exécuter de manière fiable en production.\u003C/p\u003E\n\u003Cp\u003EC'est pourquoi les programmes de ML en entreprise ne progressent généralement que dans la limite de ce que permet leur socle de données. Les équipes ont besoin de données gouvernées, de pipelines reproductibles, de dispositifs de contrôle du cycle de vie des modèles et d'un moyen de superviser si le comportement des modèles en production correspond aux conditions dans lesquelles ils ont été entraînés.\u003C/p\u003E\n","richText":true,":type":"snowflake-site/components/text","appliedCssClassNames":"text-color-text-05"},"title_key-ai-governance-frameworks-eu-ai-act-nist-ai-rmf-and-iso-42001":{"id":"title-v2-a99da14fe4","additionalClasses":"anchor-title anchor-title--how-machine-learning-works-ml-lifecycle","type":"heading2","lines":["Comment fonctionne le machine learning ?"],":type":"snowflake-site/components/title-v2"},"text_key-ai-governance-frameworks-eu-ai-act-nist-ai-rmf-and-iso-42001_0":{"id":"text-99c6ac76a6","text":"\u003Cp\u003ELa plupart des projets de machine learning suivent un cycle de vie itératif : préparer les données, concevoir les caractéristiques, entraîner un modèle, évaluer ses performances, le déployer dans un pipeline d'inférence et le superviser au fil du temps. \u003C/p\u003E\r\n\u003Ch3\u003EPréparation des données\u003C/h3\u003E\r\n\u003Cp\u003ELe cycle de vie commence généralement par la préparation des données. Les équipes collectent les données brutes, corrigent les valeurs incohérentes, gèrent les données manquantes, joignent les tables pertinentes et créent un jeu de données d’entraînement qui reflète le problème que le modèle doit résoudre. Dans le cas d'un modèle de prédiction de l'attrition client, par exemple, le jeu de données d'entraînement peut inclure des attributs de compte, des données d'utilisation du produit, des interactions avec le support, un historique de facturation et une étiquette indiquant si le client a renouvelé son contrat.\u003C/p\u003E\r\n\u003Ch3\u003EIngénierie des caractéristiques\u003C/h3\u003E\r\n\u003Cp\u003EL'ingénierie des caractéristiques convertit les données préparées en signaux exploitables par un modèle. Elle transforme des horodatages bruts, des séquences de transactions ou du texte non structuré en valeurs dérivées, telles que des fenêtres de récence, des moyennes mobiles ou des embeddings. Cette étape nécessite souvent une expertise métier. En effet, le signal utile réside rarement dans la colonne brute elle-même, mais plutôt dans l’évolution de cette valeur au fil du temps, d’un compte à l’autre, ou en relation avec le résultat que le modèle cherche à prédire. Par exemple, dans un modèle de prédiction d’attrition, le nombre total de connexions importe moins qu’une baisse soudaine de l’utilisation après la phase d’intégration. Dans un modèle de détection de la fraude, le montant d’une transaction ne signifie rien sans savoir si ce montant est anormal pour le compte, le commerçant ou le lieu concerné.\u003C/p\u003E\r\n\u003Ch3\u003EEntraînement du modèle\u003C/h3\u003E\r\n\u003Cp\u003ELors de l’entraînement du modèle, l’algorithme ajuste ses paramètres internes pour réduire l’erreur par rapport à l’objectif d’entraînement. Dans de nombreux modèles, cet objectif est défini par une fonction de perte. Les méthodes d’optimisation de l’entraînement, telles que la descente de gradient, ajustent alors les poids du modèle pour minimiser cette perte. Les data scientists ajustent également les hyperparamètres, comme le taux d'apprentissage, la profondeur des arbres ou la force de régularisation. Ces paramètres déterminent la manière dont le modèle apprend, mais ne sont pas directement tirés des données.\u003C/p\u003E\r\n\u003Ch3\u003EÉvaluation\u003C/h3\u003E\r\n\u003Cp\u003EL’évaluation permet de vérifier si le modèle est capable de généraliser ses prédictions au-delà des données d’entraînement. Les équipes utilisent généralement un ensemble de validation ou un processus de validation croisée pour comparer les modèles candidats, détecter le surapprentissage et mesurer les performances à l’aide de métriques telles que la précision, le rappel, le score F1, la racine de l'erreur quadratique moyenne ou l’aire sous la courbe (AUC), selon le cas d’usage.\u003C/p\u003E\r\n\u003Ch3\u003EDéploiement\u003C/h3\u003E\r\n\u003Cp\u003ELe déploiement consiste à intégrer le modèle dans un pipeline d’inférence. Dans le cas de l'inférence par lots, le modèle évalue les enregistrements de manière planifiée, par exemple pour générer des prédictions d'attrition nocturnes ou des prévisions de demande hebdomadaires. Dans le cas de l’inférence en temps réel, le modèle fournit une prédiction instantanée au cours d’un processus actif, par exemple en évaluant le risque d’une transaction pendant qu’un client valide son panier.\u003C/p\u003E\r\n\u003Ch3\u003ESupervision\u003C/h3\u003E\r\n\u003Cp\u003ELa supervision permet de boucler la boucle. Un modèle performant lors de la phase d'évaluation peut dériver en production en raison de la modification des données d'entrée, de l'évolution des étiquettes ou de la rupture des pipelines en amont. La documentation de ML Observability de Snowflake souligne que le comportement d’un modèle peut évoluer au fil du temps en raison de la dérive des données d’entrée, d’hypothèses d’entraînement obsolètes, de problèmes de pipelines de données ou de changements dans les profils de trafic.\u003C/p\u003E\r\n","richText":true,":type":"snowflake-site/components/text","appliedCssClassNames":"text-color-text-05"},"card_v2_why_ai_gover":{"id":"card-v2-0a88fcaf6d","additionalClasses":"seo-customer","configurationStatus":{"configured":true,"message":""},":type":"snowflake-site/components/card-v2","image":{"id":"image","height":"351","src":"https://www.snowflake.com/adobe/dynamicmedia/deliver/dm-aid--45e02db9-cdb8-453c-bd20-8b8d72be4fd5/penske.png?preferwebp=true&quality=85","alt":"penske logo","lazyEnabled":true,"width":"624",":type":"snowflake-site/components/image"},"type":"content-card","title":{"id":"title","type":"heading4","lines":["Témoignage client : Penske"],":type":"snowflake-site/components/title-v2"},"button":{"id":"button","showOutboundIcon":false,"buttonLink":{"valid":true,"url":"https://www.snowflake.com/en/customers/all-customers/case-study/penske/"},"linkTargetContentType":"GENERIC",":type":"snowflake-site/components/button","linkType":"SNOWFLAKE_EXTERNAL","text":"Lire l’étude de cas complète"},"text":{"id":"text","text":"\u003Cp\u003EPenske Logistics utilise Snowflake et Snowflake Cortex AI pour exploiter l’IA générative en toute sécurité, optimiser son efficacité opérationnelle et offrir aux responsables des informations plus précises sur la sécurité, les performances et la fidélisation des collaborateurs. Grâce à la centralisation des données dans Snowflake, Penske peut générer des rapports décisionnels sur cinq ans de données d’entreprise en seulement 15 minutes, et a développé un nouveau modèle de synthèse par l’IA en moins de 15 jours.\u003C/p\u003E\n","richText":true,":type":"snowflake-site/components/text"},"layoutStyle":"horizontal"},"title_key-components-of-ai-governance":{"id":"title-v2-e2ec89d9b7","additionalClasses":"anchor-title anchor-title--types-of-machine-learning","type":"heading2","lines":["Types de machine learning"],":type":"snowflake-site/components/title-v2"},"text_key-components-of-ai-governance_0":{"id":"text-b3212d145f","text":"\u003Cp\u003ELes méthodes ML sont généralement regroupées selon la manière dont le modèle apprend à partir des données.\u003C/p\u003E\n\u003Ch3\u003EApprentissage supervisé\u003C/h3\u003E\n\u003Cp\u003EL’apprentissage supervisé utilise des données étiquetées pour comprendre la relation entre les entrées et des sorties connues. Cette méthode est très courante en ML d'entreprise, car de nombreux problèmes métiers disposent d'historiques étiquetés : transactions frauduleuses ou légitimes, clients perdus ou fidélisés, demandes approuvées ou refusées, ou encore demande réelle par rapport aux prévisions. L’apprentissage supervisé comprend la classification, qui prédit des catégories, et la régression, qui prédit des valeurs numériques.\u003C/p\u003E\n\u003Ch3\u003EApprentissage non supervisé \u003C/h3\u003E\n\u003Cp\u003EL'apprentissage non supervisé détecte des régularités dans des données non étiquetées. Le clustering permet de regrouper les clients présentant des comportements similaires, tandis que la réduction de dimensionnalité permet de compresser des données complexes en une représentation plus compacte à des fins d'analyse ou de modélisation en aval.  IBM distingue cette approche de l'apprentissage supervisé en soulignant que les modèles non supervisés s'ajustent à un jeu de données sans exemples étiquetés.\u003C/p\u003E\n\u003Ch3\u003EApprentissage par renforcement\u003C/h3\u003E\n\u003Cp\u003EL’apprentissage par renforcement entraîne un agent d’IA par le biais d’interactions avec son environnement. Plutôt que d'apprendre à partir d'un ensemble de données étiquetées fixe, l'agent reçoit des récompenses ou des pénalités en fonction des actions qu'il entreprend, ce qui lui permet d'améliorer sa politique au fil du temps. IBM décrit l’apprentissage par renforcement comme une méthode d’entraînement par essais et erreurs, particulièrement utilisée dans des domaines tels que la robotique, les jeux et les modèles de raisonnement.\u003C/p\u003E\n\u003Ch3\u003EApprentissage semi-supervisé\u003C/h3\u003E\n\u003Cp\u003EL’apprentissage semi-supervisé associe une petite quantité de données étiquetées à un volume plus important de données non étiquetées, ce qui s’avère particulièrement utile lorsque l’étiquetage est coûteux ou long à réaliser.\u003C/p\u003E\n\u003Ch3\u003EApprentissage auto-supervisé\u003C/h3\u003E\n\u003Cp\u003EL’apprentissage auto-supervisé génère ses propres signaux d’entraînement à partir des données elles-mêmes. Cette méthode est devenue essentielle pour les \u003Ca href=\"https://www.snowflake.com/fr/fundamentals/large-language-model/\"\u003Egrands modèles de langage\u003C/a\u003E (LLM) et d’autres approches fondées sur des modèles de fondation. Le National Institute of Standards and Technology (NIST) souligne que les modèles de fondation à double usage sont généralement entraînés sur de vastes ensembles de données et s’appuient souvent sur l’auto-supervision.\u003C/p\u003E\n","richText":true,":type":"snowflake-site/components/text","appliedCssClassNames":"text-color-text-05"},"title_responsible-ai-principles-that-operationalize-governance":{"id":"title-v2-a32b28012d","additionalClasses":"anchor-title anchor-title--deep-learning-and-neural-networks","type":"heading2","lines":["Deep learning et réseaux de neurones"],":type":"snowflake-site/components/title-v2"},"text_responsible-ai-principles-that-operationalize-governance_0":{"id":"text-73fa83d87a","text":"\u003Cp\u003ELe deep learning est une branche du machine learning qui utilise des réseaux de neurones multicouches pour apprendre à représenter les données. Un réseau de neurones se compose de couches de nœuds connectés, de poids ajustés lors de l’entraînement et de fonctions d’activation qui permettent au réseau de modéliser des relations non linéaires. La rétropropagation propage les informations d’erreur à rebours dans le réseau, ce qui permet au modèle de mettre à jour ses poids et d’améliorer ses performances.\u003C/p\u003E\n\u003Cp\u003EDifférentes architectures de réseaux de neurones sont adaptées à des types de données et de tâches spécifiques : \u003C/p\u003E\n\u003Cul\u003E\n\u003Cli\u003E\u003Cp\u003ELes réseaux de neurones convolutifs sont fréquemment utilisés pour le traitement d’images et la vision par ordinateur.\u003C/p\u003E\n\u003C/li\u003E\n\u003Cli\u003E\u003Cp\u003ELes transformers sont largement employés pour le traitement du langage, la modélisation de séquences et l’\u003Ca href=\"https://www.snowflake.com/en/fundamentals/generative-ai-architecture-models-applications/\"\u003EIA générative\u003C/a\u003E. \u003C/p\u003E\n\u003C/li\u003E\n\u003Cli\u003E\u003Cp\u003ELes réseaux de neurones de graphes permettent de modéliser les relations entre des entités connectées, telles que des utilisateurs, des comptes, des appareils ou des produits. \u003C/p\u003E\n\u003C/li\u003E\n\u003Cli\u003E\u003Cp\u003ELes auto-encodeurs peuvent compresser les données dans des représentations de dimension inférieure, puis les reconstruire. Cela les rend particulièrement utiles pour la détection d’anomalies et la compression.\u003C/p\u003E\n\u003C/li\u003E\n\u003C/ul\u003E\n\u003Cp\u003ELe deep learning peut donner d’excellents résultats lorsque les équipes disposent de suffisamment de données, de puissance de calcul et de rigueur opérationnelle. Cependant, il met aussi en évidence l’importance des choix d’infrastructure : l’entraînement d’un grand réseau de neurones peut nécessiter une accélération GPU, un entraînement distribué, un suivi des expériences et un contrôle rigoureux des coûts.\u003C/p\u003E\n","richText":true,":type":"snowflake-site/components/text","appliedCssClassNames":"text-color-text-05"},"title_ai-transparency-and-explainability":{"id":"title-v2-f6df4872ea","additionalClasses":"anchor-title anchor-title--model-training-and-optimization","type":"heading2","lines":["Entraînement et optimisation des modèles"],":type":"snowflake-site/components/title-v2"},"text_ai-transparency-and-explainability_0":{"id":"text-c436f632e7","text":"\u003Cp\u003EL’entraînement d’un modèle ne se résume pas à l’ajustement des données. L’objectif est de concevoir un modèle capable de généraliser, c’est-à-dire d’obtenir de bonnes performances sur de nouveaux exemples représentatifs des conditions réelles de production. Un modèle qui se contente de mémoriser les données d’entraînement peut sembler performant en phase de développement, mais échouer face à de nouveaux clients, de nouvelles transactions ou de nouvelles conditions de marché.\u003C/p\u003E\n\u003Cp\u003ELes techniques d’optimisation aident les équipes à gérer ce compromis :\u003C/p\u003E\n\u003Cul\u003E\n\u003Cli\u003E\u003Cp\u003ELa régularisation évite que les modèles ne deviennent trop complexes.\u003C/p\u003E\n\u003C/li\u003E\n\u003Cli\u003E\u003Cp\u003ELa validation croisée teste les performances sur plusieurs segments de données. \u003C/p\u003E\n\u003C/li\u003E\n\u003Cli\u003E\u003Cp\u003ELes méthodes d'ensemble combinent plusieurs modèles, comme les arbres de décision dans une forêt aléatoire ou un modèle de gradient boosting, afin d'améliorer la stabilité et les performances prédictives. \u003C/p\u003E\n\u003C/li\u003E\n\u003Cli\u003E\u003Cp\u003EL'apprentissage par transfert consiste à partir d'un modèle entraîné sur une tâche ou un jeu de données et à l'adapter à une autre. Le fine-tuning est une méthode courante qui consiste à poursuivre l’entraînement d’un modèle pré-entraîné avec des données nouvelles ou plus spécifiques afin d’adapter son comportement à un cas d’usage précis.\u003C/p\u003E\n\u003C/li\u003E\n\u003C/ul\u003E\n\u003Cp\u003EÀ mesure que la taille des modèles augmente, leur entraînement a des répercussions directes sur l’infrastructure et les coûts. Un petit modèle peut être entraîné sur une seule machine. En revanche, un modèle de deep learning ou un modèle de fondation peut nécessiter des GPU, une mémoire plus importante et des temps d’exécution plus longs. \u003C/p\u003E\n\u003Cp\u003ELes équipes peuvent gérer cette complexité grâce à l’entraînement distribué, qui répartit la tâche sur plusieurs appareils ou nœuds, à la précision mixte, qui réduit l’utilisation de la mémoire en utilisant des formats numériques plus petits le cas échéant, et à des méthodes de fine-tuning efficaces en paramètres comme LoRA. Cette dernière technique injecte de petites matrices de rang inférieur aux côtés des poids d’origine du modèle, entraînant uniquement ces ajouts tout en gelant les poids initiaux, plutôt que de mettre à jour l’intégralité du modèle.\u003C/p\u003E\n","richText":true,":type":"snowflake-site/components/text","appliedCssClassNames":"text-color-text-05"},"card_v2_why-ai-governance-on-snowflake_0":{"id":"card-v2-a9f5c7e879","additionalClasses":"seo-customer","configurationStatus":{"configured":true,"message":""},":type":"snowflake-site/components/card-v2","image":{"id":"image","height":"351","src":"https://www.snowflake.com/adobe/dynamicmedia/deliver/dm-aid--27d28b52-52f3-46c7-8ea0-8506c00b19e0/hello-fresh.png?preferwebp=true&quality=85","alt":"hello fresh logo","lazyEnabled":true,"width":"624",":type":"snowflake-site/components/image"},"type":"content-card","title":{"id":"title","type":"heading4","lines":["TÉMOIGNAGE CLIENT : HelloFresh"],":type":"snowflake-site/components/title-v2"},"button":{"id":"button","showOutboundIcon":false,"buttonLink":{"valid":true,"url":"https://www.snowflake.com/fr/customers/all-customers/case-study/hellofresh/"},"linkTargetContentType":"GENERIC",":type":"snowflake-site/components/button","linkType":"SNOWFLAKE_EXTERNAL","text":"Lire l’étude de cas complète"},"text":{"id":"text","text":"\u003Cp\u003EHelloFresh utilise l’AI Data Cloud de Snowflake comme plateforme de données centralisée pour unifier ses sources de données fragmentées, accélérer le délai d'obtention d'insights et soutenir la prise de décision en temps réel dans la création des menus, la tarification, les promotions, la gestion des entrepôts et la chaîne logistique. HelloFresh a remplacé ses outils d’analyse tiers par ses propres données d’interaction client, ce qui a permis d’améliorer la personnalisation, de renforcer la conformité en matière de confidentialité et de réduire les coûts de 30 %.\u003C/p\u003E\r\n","richText":true,":type":"snowflake-site/components/text"},"layoutStyle":"horizontal"},"title_ai-traceability-and-auditability":{"id":"title-v2-a96005fa16","additionalClasses":"anchor-title anchor-title--mlops-managing-models-in-production","type":"heading2","lines":["MLOps : gestion des modèles en production"],":type":"snowflake-site/components/title-v2"},"text_ai-traceability-and-auditability_0":{"id":"text-c485954834","text":"\u003Cp\u003ELe Machine Learning Operations (MLOps) vise à rendre le cycle de vie ML reproductible, gouverné et fiable dès lors que les modèles sont intégrés aux systèmes de production. Il permet aux équipes de gérer les versions des modèles, les processus de déploiement, l'infrastructure de mise en service, la supervision, le réentraînement et les procédures de retour arrière, évitant ainsi que le fonctionnement d'un modèle ne repose sur des notebooks isolés ou des transferts non documentés.\u003C/p\u003E\r\n\u003Cp\u003EC’est généralement à cette étape que l’écart entre un modèle prometteur et un système ML en production devient le plus visible. Les équipes de production doivent toujours savoir quelle version du modèle génère les prédictions, quelles données et caractéristiques l'ont façonné, quelles métriques d'évaluation ont validé sa mise en production, qui a approuvé son déploiement et comment le modèle se comporte face aux évolutions des conditions métier. Sans les contrôles MLOps, il est difficile de reproduire les résultats, d’analyser les erreurs ou de déterminer si un modèle doit être réentraîné, retiré ou faire l’objet d’un retour arrière.\u003C/p\u003E\r\n","richText":true,":type":"snowflake-site/components/text","appliedCssClassNames":"text-color-text-05"},"text_copy":{"id":"text-2c318c6a65","additionalClasses":"callout callout--general","text":"\u003Cp\u003E\u003Cb\u003EPIÈGE COURANT\u003C/b\u003E\u003C/p\u003E\n\u003Cp\u003EDe nombreuses entreprises se concentrent principalement sur la sélection des modèles, tout en sous-estimant les défis opérationnels liés à la qualité des données, à la cohérence des caractéristiques, à la gouvernance et à la supervision. Un modèle peut s'avérer très performant lors du développement, mais se dégrader rapidement en production si les données en amont changent, si les hypothèses d'entraînement deviennent obsolètes ou si les pipelines d'inférence ne sont pas supervisés pour détecter les dérives et garantir leur fiabilité.\u003C/p\u003E\n","richText":true,":type":"snowflake-site/components/text","appliedCssClassNames":"text-size-regular text-color-text-05"},"text_ai_traceability":{"id":"text-3ad93f2fe6","text":"\u003Cp\u003ELes pratiques MLOps courantes comprennent :\u003C/p\u003E\r\n\u003Cul\u003E\r\n\u003Cli\u003E\u003Cp\u003E\u003Cb\u003ELa gestion des versions de modèles :\u003C/b\u003E Tracer chaque artefact de modèle, ses données d'entraînement, les définitions de caractéristiques, les paramètres, les dépendances et les résultats d'évaluation.\u003C/p\u003E\r\n\u003C/li\u003E\r\n\u003Cli\u003E\u003Cp\u003E\u003Cb\u003ELe déploiement des modèles :\u003C/b\u003E Déployer les modèles approuvés dans des processus d'inférence par lots ou en temps réel avec des dispositifs de contrôle des mises en production clairs.\u003C/p\u003E\r\n\u003C/li\u003E\r\n\u003Cli\u003E\u003Cp\u003E\u003Cb\u003ELa mise en service des modèles :\u003C/b\u003E Fournir l’infrastructure qui permet aux applications, aux pipelines ou aux analystes de demander des prédictions auprès du modèle.\u003C/p\u003E\r\n\u003C/li\u003E\r\n\u003Cli\u003E\u003Cp\u003E\u003Cb\u003ELe suivi des expériences :\u003C/b\u003E Enregistrer les cycles d’entraînement, les métriques et les choix de configuration pour permettre aux équipes de comparer les modèles et de reproduire les résultats.\u003C/p\u003E\r\n\u003C/li\u003E\r\n\u003Cli\u003E\u003Cp\u003E\u003Cb\u003ELa supervision des modèles :\u003C/b\u003E Suivre les performances, la dérive, le volume de données et d’autres métriques afin de vérifier si le modèle se comporte toujours comme prévu.\u003C/p\u003E\r\n\u003C/li\u003E\r\n\u003Cli\u003E\u003Cp\u003E\u003Cb\u003EEntraînement continu : \u003C/b\u003ERéentraîner ou actualiser les modèles lorsque de nouvelles données, une dérive ou des changements d’activité rendent le modèle existant moins fiable.\u003C/p\u003E\r\n\u003C/li\u003E\r\n\u003C/ul\u003E\r\n\u003Cp\u003ELe MLOps consiste à gérer le cycle de vie à la manière d'un cadre opérationnel. Il fait le lien entre les travaux de data science et les exigences de production du génie logiciel, de l’ingénierie des données, de la gouvernance et des responsabilités métier. Registre de modèles, feature store, workflow CI/CD, couche de supervision et processus d'approbation permettent de répondre aux questions fondamentales : quel modèle est en cours d'exécution, ce qui l'a façonné et si l'organisation peut se fier à son comportement actuel ?\u003C/p\u003E\r\n\u003Cp\u003E\u003Ci\u003EDécouvrez comment l’AI Data Cloud de Snowflake simplifie et accélère l’exploitation des données, permettant ainsi aux entreprises de tirer parti de l’IA à grande échelle :\u003C/i\u003E\u003C/p\u003E\r\n","richText":true,":type":"snowflake-site/components/text","appliedCssClassNames":"text-color-text-05"},"youtube":{"id":"embed-56f6541488","youtubeVideoId":"xXpqQk0CBZY","layout":"responsive","youtubeAspectRatio":"56.25","youtubeAutoPlay":false,"youtubeLoop":false,"youtubeMute":false,"youtubePlaysInline":false,"youtubeRel":false,"embeddableResourceType":"core/wcm/components/embed/v1/embed/embeddable/youtube","type":"EMBEDDABLE",":type":"snowflake-site/components/youtube"},"title_training-data-governance-and-bias-auditing":{"id":"title-v2-c3c56e90e0","additionalClasses":"anchor-title anchor-title--machine-learning-on-snowflake","type":"heading2","lines":["Pourquoi entraîner et déployer ses modèles ML sur Snowflake ?"],":type":"snowflake-site/components/title-v2"},"text_training-data-governance-and-bias-auditing_0":{"id":"text-740f3b7131","text":"\u003Cp\u003ELe machine learning est plus facile à opérationnaliser lorsque les données, les contrôles de gouvernance, les workflows de développement et le cycle de vie des modèles sont étroitement intégrés. \u003Ca href=\"https://www.snowflake.com/en/product/features/end-to-end-ml-workflows/\"\u003ESnowflake ML\u003C/a\u003E propose des fonctionnalités qui prennent en charge de nombreuses étapes des processus ML dans Snowflake, notamment la préparation des données, l'ingénierie des caractéristiques, l'entraînement des modèles, l'inférence et la supervision. \u003C/p\u003E\r\n\u003Cp\u003ELes principales fonctionnalités de Snowflake ML comprennent :\u003C/p\u003E\r\n\u003Cul\u003E\r\n\u003Cli\u003E\u003Cp\u003E\u003Cb\u003ESnowpark ML : \u003C/b\u003EAPI Python natives pour le prétraitement, l’ingénierie des caractéristiques, l’entraînement et le déploiement au sein de Snowflake.\u003C/p\u003E\r\n\u003C/li\u003E\r\n\u003Cli\u003E\u003Cp\u003E\u003Cb\u003ESnowflake Feature Store :\u003C/b\u003E Espace gouverné pour créer, maintenir, réutiliser et servir des caractéristiques ML au sein de Snowflake.\u003C/p\u003E\r\n\u003C/li\u003E\r\n\u003Cli\u003E\u003Cp\u003E\u003Cb\u003ESnowflake Model Registry :\u003C/b\u003E Système centralisé de gestion des modèles, des métadonnées, des versions et des processus d'inférence.\u003C/p\u003E\r\n\u003C/li\u003E\r\n\u003Cli\u003E\u003Cp\u003E\u003Cb\u003EML Observability : \u003C/b\u003ESupervision des performances, de la dérive et du volume des modèles après leur déploiement.\u003C/p\u003E\r\n\u003C/li\u003E\r\n\u003Cli\u003E\u003Cp\u003E\u003Cb\u003EContainer Runtime for ML :\u003C/b\u003E Environnements CPU et GPU préconfigurés pour l'expérimentation, l'entraînement, l'optimisation, l'inférence par lots et le fine-tuning sur Snowpark Container Services.\u003C/p\u003E\r\n\u003C/li\u003E\r\n\u003Cli\u003E\u003Cp\u003E\u003Cb\u003ESnowflake ML Jobs : \u003C/b\u003EUn moyen d'exécuter des processus ML au sein des runtimes de conteneurs Snowflake ML à partir de différents environnements de développement.\u003C/p\u003E\r\n\u003C/li\u003E\r\n\u003Cli\u003E\u003Cp\u003E\u003Cb\u003ENotebooks sur Container Runtime : \u003C/b\u003EDes environnements de développement interactifs adaptés à l’entraînement des modèles et à l’ajustement des paramètres, avec les packages ML les plus courants préinstallés.\u003C/p\u003E\r\n\u003C/li\u003E\r\n\u003C/ul\u003E\r\n\u003Cp\u003EL’avantage architectural est clair : les équipes peuvent concevoir et exploiter le ML là où résident déjà les données gouvernées. Un pipeline de caractéristiques peut lire des tables contrôlées, une tâche d'entraînement peut utiliser les ressources de calcul Snowflake, un modèle peut être enregistré dans le registre, l'inférence peut s'exécuter sur des données gouvernées et la supervision peut suivre l'évolution du comportement en production au fil du temps. \u003C/p\u003E\r\n\u003Cp\u003EBien que l’architecture ne dispense pas de l’expertise en data science, de l’examen de la gouvernance ou de la gestion des risques liés aux modèles, elle offre aux équipes un socle plus cohérent pour passer de l’expérimentation à la production.\u003C/p\u003E\r\n","richText":true,":type":"snowflake-site/components/text","appliedCssClassNames":"text-color-text-05"},"title_generative-ai-and-ai-agent-governance":{"id":"title-v2-f8383ef65d","additionalClasses":"anchor-title anchor-title--production-ml-starts-with-data-foundation","type":"heading2","lines":["Infrastructure data et ML : pourquoi le socle de données est déterminant"],":type":"snowflake-site/components/title-v2"},"text_generative-ai-and-ai-agent-governance_0":{"id":"text-e99643e925","text":"\u003Cp\u003ELe machine learning transforme les données en prédictions et en décisions automatisées, mais le modèle n’est qu’un composant du système. Son environnement est tout aussi crucial : les données d'entraînement doivent être fiables, les caractéristiques définies de manière cohérente, et les modèles évalués avant leur mise en production, puis supervisés en continu, car les données, les utilisateurs et les conditions métier évoluent.\u003C/p\u003E\r\n\u003Cp\u003EPour les équipes en entreprise, la question concrète n’est pas de savoir quel algorithme choisir. Il s'agit plutôt de déterminer si l'organisation peut associer des données gouvernées, des pipelines reproductibles, des dispositifs de contrôle du cycle de vie des modèles et l'évaluation ou la supervision du ML en production au sein d'un modèle opérationnel unique, et maintenir cette cohérence à mesure que le système se met à l'échelle.\u003C/p\u003E\r\n","richText":true,":type":"snowflake-site/components/text","appliedCssClassNames":"text-color-text-05"},"callout_a-practical-path-to-safer-ai_0":{"id":"text-081a2daba0","additionalClasses":"callout callout--general","text":"\u003Cp\u003E\u003Cb\u003EÀ RETENIR\u003C/b\u003E\u003C/p\u003E\n\u003Cp\u003ELe machine learning en entreprise exige d’associer des données de haute qualité, des pipelines reproductibles, une gouvernance et une supervision continue au sein d’un socle opérationnel unifié. Les modèles ne peuvent fonctionner de manière fiable que si les données, l'infrastructure et les processus de cycle de vie qui les soutiennent restent cohérents face à l'évolution des conditions métier, du comportement des utilisateurs et des régularités des données.\u003C/p\u003E\n","richText":true,":type":"snowflake-site/components/text","appliedCssClassNames":"text-size-regular text-color-text-05"}},"appliedCssClassNames":"snowflake-responsive-container-inner-padding-medium"},"flexible_column_content_container_2":{"additionalClasses":"hub-sidebar","layout":"SIMPLE","id":"hub-body-aside",":type":"snowflake-site/components/flexible-column-container/flexible-column-content-container",":itemsOrder":["container"],":items":{"container":{"additionalClasses":"sticky-sidebar","layout":"RESPONSIVE_GRID","columnCount":12,"columnClassNames":{"text_943981956_copy_":"aem-GridColumn aem-GridColumn--default--12","text_copy":"aem-GridColumn aem-GridColumn--default--12"},"gridClassNames":"aem-Grid aem-Grid--12 aem-Grid--default--12","id":"container-ac504694a4",":type":"snowflake-site/components/container",":itemsOrder":["text_943981956_copy_","text_copy"],":items":{"text_943981956_copy_":{"id":"text-f368f2b4f8","additionalClasses":"eyebrow-text","text":"\u003Cp\u003EDans ce guide\u003C/p\u003E\n","richText":true,":type":"snowflake-site/components/text","appliedCssClassNames":"text-size-regular"},"text_copy":{"id":"text-447c7a9306","additionalClasses":"page-toc","text":"\u003Cul\u003E\r\n\u003Cli data-anchor=\"what-is-machine-learning\"\u003EQu’est-ce que le machine learning ?\u003C/li\u003E\r\n\u003Cli data-anchor=\"why-machine-learning-matters-for-enterprise-data-teams\"\u003EPourquoi le machine learning est essentiel pour les équipes data\u003C/li\u003E\r\n\u003Cli data-anchor=\"how-machine-learning-works-ml-lifecycle\"\u003EComment fonctionne le machine learning ?\u003C/li\u003E\r\n\u003Cli data-anchor=\"how-machine-learning-works-ml-lifecycle\"\u003ETypes de machine learning\u003C/li\u003E\r\n\u003Cli data-anchor=\"deep-learning-and-neural-networks\"\u003EDeep learning et réseaux de neurones\u003C/li\u003E\r\n\u003Cli data-anchor=\"model-training-and-optimization\"\u003EEntraînement et optimisation des modèles\u003C/li\u003E\r\n\u003Cli data-anchor=\"mlops-managing-models-in-production\"\u003EMLOps : gestion des modèles en production\u003C/li\u003E\r\n\u003Cli data-anchor=\"machine-learning-on-snowflake\"\u003EPourquoi entraîner et déployer ses modèles ML sur Snowflake ?\u003C/li\u003E\r\n\u003Cli\u003EInfrastructure data et ML : pourquoi le socle de données est déterminant\u003C/li\u003E\r\n\u003C/ul\u003E\r\n","richText":true,":type":"snowflake-site/components/text","appliedCssClassNames":"text-size-small text-color-text-05"}},"appliedCssClassNames":"snowflake-responsive-container-inner-padding-medium"}},"appliedCssClassNames":"snowflake-responsive-container-inner-padding-small"},":type":"snowflake-site/components/flexible-column-container","isBlogPage":false,"isActiveTOC":false},"flexible_column_cont_1786318617":{"id":"flexible-column-container-3bf97b31b3","propertiesId":"hub-faq","type":"2-column-40-60","alignColumns":"top","containerMaxWidth":"extra-large","topPadding":"large","bottomPadding":"large","spaceBetween":"small","reverseOnMobile":false,"carouselOnMobile":false,"backgroundImageOption":"none","flexible_column_content_container_1":{"layout":"SIMPLE","id":"hub-faq-intro",":type":"snowflake-site/components/flexible-column-container/flexible-column-content-container",":itemsOrder":["title_v2_copy","text_copy"],":items":{"title_v2_copy":{"id":"title-v2-c32701d9c5","additionalClasses":"hub-faq__headline","type":"heading2","lines":["Foire aux questions"],":type":"snowflake-site/components/title-v2","appliedCssClassNames":"left-alignment"},"text_copy":{"id":"text-04147c8262","additionalClasses":"hub-faq__subheadline","text":"\u003Cp\u003ELes réponses des experts Snowflake à vos questions les plus fréquentes sur le machine learning.\u003C/p\u003E\n","richText":true,":type":"snowflake-site/components/text","appliedCssClassNames":"text-color-text-05"}},"appliedCssClassNames":"snowflake-responsive-container-inner-padding-extra-small"},"flexible_column_content_container_2":{"layout":"SIMPLE","id":"hub-faq-accordions",":type":"snowflake-site/components/flexible-column-container/flexible-column-content-container",":itemsOrder":["simple_snowflake_acc"],":items":{"simple_snowflake_acc":{"id":"simple-snowflake-accordion-aa39d13088","additionalClasses":"seo-hub__faqs","showDivider":false,"accordionItemsList":[{"title":"Quelle est la différence entre l’IA et le machine learning ?","richText":"\u003Cp\u003EL'IA est un domaine plus vaste qui consiste à concevoir des systèmes capables de générer des sorties (prédictions, recommandations, contenus générés ou décisions) pour atteindre un objectif précis. Le machine learning est une sous-catégorie de l’IA. Il consiste à entraîner des modèles sur des données afin qu’ils apprennent à identifier des régularités et à les appliquer à de nouvelles entrées. \u003C/p\u003E\n"},{"title":"Quels sont les algorithmes de machine learning les plus couramment utilisés en production ?","richText":"\u003Cp\u003ELes algorithmes les plus courants en production incluent la régression linéaire, la régression logistique, les arbres de décision, les forêts aléatoires, les modèles de gradient boosting, les algorithmes de clustering, les modèles de recommandation et les réseaux de neurones. Le choix dépend du problème à résoudre, du volume de données, des exigences de latence, du besoin d’interprétabilité et des contraintes opérationnelles. Dans de nombreux environnements d’entreprise, les modèles d’apprentissage supervisé plus simples restent très utiles, car ils sont plus faciles à expliquer, à surveiller et à maintenir.\u003C/p\u003E\n"},{"title":"Combien de temps faut-il pour déployer un modèle de machine learning ?","richText":"\u003Cp\u003ELe déploiement peut prendre quelques jours, plusieurs semaines ou des mois. Tout dépend du cas d’usage, de la préparation des données, des exigences de gouvernance et de l’environnement de production. Un modèle de prévision simple utilisant des données propres et bien gouvernées peut être déployé rapidement. En revanche, un cas d'usage soumis à des réglementations nécessitera des tests d'équité, une documentation du modèle, une révision humaine, un service en temps réel et une supervision continue, ce qui prendra plus de temps.  Le modèle lui-même ne représente souvent qu'une partie du travail. Les pipelines de données, la définition des caractéristiques, les validations, la supervision et l'intégration aux processus métier déterminent généralement le calendrier.\u003C/p\u003E\n"},{"title":"Quelles compétences sont requises pour se lancer dans le machine learning ?","richText":"\u003Cp\u003EDes bases pratiques en ML incluent les statistiques, la préparation des données, Python, SQL, l'évaluation des modèles, l'ingénierie des caractéristiques et une bonne compréhension des algorithmes courants.  Pour le passage en production, les équipes doivent également maîtriser les compétences MLOps, telles que la gestion des versions, le déploiement, la supervision, l'orchestration des pipelines et la gouvernance. L’expertise métier est tout aussi essentielle, car les meilleurs choix en matière d’ingénierie des caractéristiques et d’évaluation dépendent directement du problème métier que le modèle doit résoudre. \u003C/p\u003E\n"},{"title":"Comment savoir si vos données sont prêtes pour le machine learning ?","richText":"\u003Cp\u003ELes données sont prêtes pour le machine learning lorsque les équipes peuvent identifier le résultat ciblé, rassembler les entrées pertinentes, vérifier la qualité des données, comprendre leur lignage, définir les caractéristiques de manière cohérente et accéder à suffisamment d'exemples représentatifs pour entraîner et évaluer le modèle. La préparation inclut également la gouvernance. Les équipes doivent savoir quelles politiques s’appliquent aux données, si des attributs sensibles sont présents, qui possède les données sources et comment les pipelines d’entraînement, d’inférence et de supervision seront audités.\u003C/p\u003E\n"}],":type":"snowflake-site/components/simple-snowflake-accordion"}}},":type":"snowflake-site/components/flexible-column-container","isBlogPage":false,"isActiveTOC":false,"appliedCssClassNames":"snowflake-flexible-column-container-gray-10-bg"},"flexible_column_cont_1467213961":{"id":"flexible-column-container-dff90766cd","propertiesId":"hub-explore-resources-header","type":"1-column","alignColumns":"top","containerMaxWidth":"extra-large","topPadding":"large","bottomPadding":"none","spaceBetween":"small","reverseOnMobile":false,"carouselOnMobile":false,"backgroundImageOption":"none","flexible_column_content_container_1":{"layout":"SIMPLE","id":"container-a22bd446f2",":type":"snowflake-site/components/flexible-column-container/flexible-column-content-container",":itemsOrder":["title_v2"],":items":{"title_v2":{"id":"title-v2-301cf18924","additionalClasses":"hub-explore-resources-header__headline","type":"heading2","lines":["Explorez les ressources sur l’IA"],":type":"snowflake-site/components/title-v2","appliedCssClassNames":"left-alignment"}}},":type":"snowflake-site/components/flexible-column-container","isBlogPage":false,"isActiveTOC":false,"appliedCssClassNames":"snowflake-flexible-column-container-gray-10-bg"},"flexible_column_cont_912630531":{"id":"flexible-column-container-992695f721","propertiesId":"hub-explore-resources-grid","type":"1-column","alignColumns":"top","containerMaxWidth":"extra-large","topPadding":"medium","bottomPadding":"large","spaceBetween":"small","reverseOnMobile":false,"carouselOnMobile":false,"backgroundImageOption":"none","flexible_column_content_container_1":{"layout":"SIMPLE","id":"hub-explore-resources-grid-inner",":type":"snowflake-site/components/flexible-column-container/flexible-column-content-container",":itemsOrder":["resource_chip_0","resource_chip_1","resource_chip_2","resource_chip_3"],":items":{"resource_chip_0":{"id":"content-chip-d7ec602622","tagText":"GUIDE","tagColor":"#AAE6EA","cta":{"id":"cta","showOutboundIcon":false,"buttonLink":{"valid":true,"url":"https://www.snowflake.com/en/developers/guides/develop-and-manage-ml-models-with-feature-store-and-model-registry/"},"linkTargetContentType":"GENERIC",":type":"snowflake-site/components/button","linkType":"SNOWFLAKE_EXTERNAL","text":"Lire la suite"},"headline":{"id":"title","type":"heading5","lines":["Développer et gérer des modèles ML avec le Feature Store et le Model Registry"],":type":"snowflake-site/components/title-v2"},":type":"snowflake-site/components/content-chip","appliedCssClassNames":"snowflake-content-chip-white-bg"},"resource_chip_1":{"id":"content-chip-4d91ebca4f","tagText":"Blog","tagColor":"#29b5e8","cta":{"id":"cta","showOutboundIcon":false,"buttonLink":{"valid":true,"url":"https://www.snowflake.com/en/blog/engineering/machine-learning-container-runtime/"},"linkTargetContentType":"GENERIC",":type":"snowflake-site/components/button","linkType":"SNOWFLAKE_EXTERNAL","text":"Lire la suite"},"headline":{"id":"title","type":"heading5","lines":["Le machine learning avec Snowflake Container Runtime"],":type":"snowflake-site/components/title-v2"},":type":"snowflake-site/components/content-chip","appliedCssClassNames":"snowflake-content-chip-white-bg"},"resource_chip_2":{"id":"content-chip-fab921498d","tagText":"GUIDE","tagColor":"#AAE5EA","cta":{"id":"cta","showOutboundIcon":false,"buttonLink":{"valid":true,"url":"https://www.snowflake.com/en/developers/guides/agentic-machine-learning-best-practices-coco/"},"linkTargetContentType":"GENERIC",":type":"snowflake-site/components/button","linkType":"SNOWFLAKE_EXTERNAL","text":"Lire la suite"},"headline":{"id":"title","type":"heading5","lines":["Les bonnes pratiques du machine learning agentique avec Snowflake CoCo"],":type":"snowflake-site/components/title-v2"},":type":"snowflake-site/components/content-chip","appliedCssClassNames":"snowflake-content-chip-white-bg"},"resource_chip_3":{"id":"content-chip-66af56ea75","tagText":"Blog","tagColor":"#29b5e8","cta":{"id":"cta","showOutboundIcon":false,"buttonLink":{"valid":true,"url":"https://www.snowflake.com/en/blog/engineering/scale-real-time-model-serving/"},"linkTargetContentType":"GENERIC",":type":"snowflake-site/components/button","linkType":"SNOWFLAKE_EXTERNAL","text":"Lire la suite"},"headline":{"id":"title","type":"heading5","lines":["Comment mettre à l'échelle le service de modèles en temps réel pour l'inférence ML à faible latence"],":type":"snowflake-site/components/title-v2"},":type":"snowflake-site/components/content-chip","appliedCssClassNames":"snowflake-content-chip-white-bg"}}},":type":"snowflake-site/components/flexible-column-container","isBlogPage":false,"isActiveTOC":false,"appliedCssClassNames":"snowflake-flexible-column-container-gray-10-bg"},"flexible_column_cont_1158003461":{"id":"flexible-column-container-a5ba41290f","propertiesId":"hub-explore-topics-header","type":"1-column","alignColumns":"top","containerMaxWidth":"extra-large","topPadding":"large","bottomPadding":"none","spaceBetween":"small","reverseOnMobile":false,"carouselOnMobile":false,"backgroundImageOption":"none","flexible_column_content_container_1":{"layout":"SIMPLE","id":"container-6aecadac4d",":type":"snowflake-site/components/flexible-column-container/flexible-column-content-container",":itemsOrder":["title_v2_copy_copy","text_copy_copy"],":items":{"title_v2_copy_copy":{"id":"title-v2-46c9b92c1b","additionalClasses":"hub-explore-topics-header__headline","type":"heading2","lines":["Explorez les sujets liés à l’IA"],":type":"snowflake-site/components/title-v2","appliedCssClassNames":"left-alignment"},"text_copy_copy":{"id":"text-e3bb20160e","additionalClasses":"hub-explore-topics-header__subheadline","text":"\u003Cp\u003EUne analyse approfondie de chaque aspect de l’intelligence artificielle\u003C/p\u003E\n","richText":true,":type":"snowflake-site/components/text","appliedCssClassNames":"text-color-text-05"}},"appliedCssClassNames":"snowflake-responsive-container-inner-padding-extra-small"},":type":"snowflake-site/components/flexible-column-container","isBlogPage":false,"isActiveTOC":false,"appliedCssClassNames":"snowflake-flexible-column-container-white-bg"},"flexible_column_cont_1377146023":{"id":"flexible-column-container-833910aa96","propertiesId":"hub-explore-topics-grid","type":"3-column-even","alignColumns":"top","containerMaxWidth":"extra-large","topPadding":"small","bottomPadding":"large","spaceBetween":"small","reverseOnMobile":false,"carouselOnMobile":false,"backgroundImageOption":"none","flexible_column_content_container_1":{"layout":"SIMPLE","id":"container-54c80e7a1d",":type":"snowflake-site/components/flexible-column-container/flexible-column-content-container",":itemsOrder":["topic_card_0"],":items":{"topic_card_0":{"id":"card-v2-6f89b2fa25","configurationStatus":{"configured":true,"message":""},":type":"snowflake-site/components/card-v2","type":"content-card","title":{"id":"title","type":"heading4","lines":["Intelligence artificielle"],":type":"snowflake-site/components/title-v2"},"button":{"id":"button","showOutboundIcon":false,"buttonLink":{"valid":true,"url":"https://www.snowflake.com/fr/artificial-intelligence/"},"linkTargetContentType":"GENERIC",":type":"snowflake-site/components/button","linkType":"SNOWFLAKE_EXTERNAL","text":"En savoir plus"},"text":{"id":"text","text":"\u003Cp\u003EGuide pratique de l’IA d’entreprise : comment elle fonctionne, où elle va et ce qu’elle signifie pour votre entreprise.\u003C/p\u003E\n","richText":true,":type":"snowflake-site/components/text"},"layoutStyle":"vertical"}}},"flexible_column_content_container_2":{"layout":"SIMPLE","id":"container-e9bbb023b8",":type":"snowflake-site/components/flexible-column-container/flexible-column-content-container",":itemsOrder":["topic_card_1"],":items":{"topic_card_1":{"id":"card-v2-2eb8e3ad80","configurationStatus":{"configured":true,"message":""},":type":"snowflake-site/components/card-v2","type":"content-card","title":{"id":"title","type":"heading4","lines":["Gouvernance de l’IA"],":type":"snowflake-site/components/title-v2"},"button":{"id":"button","showOutboundIcon":false,"buttonLink":{"valid":true,"url":"https://www.snowflake.com/fr/artificial-intelligence/ai-governance/"},"linkTargetContentType":"GENERIC",":type":"snowflake-site/components/button","linkType":"SNOWFLAKE_EXTERNAL","text":"En savoir plus"},"text":{"id":"text","text":"\u003Cp\u003EFrameworks, politiques et modèles de supervision pour la gestion des risques liés à l’IA, la responsabilisation, la conformité et le contrôle opérationnel.\u003C/p\u003E\n","richText":true,":type":"snowflake-site/components/text"},"layoutStyle":"vertical"}}},"flexible_column_content_container_3":{"layout":"SIMPLE","id":"container-15f7065262",":type":"snowflake-site/components/flexible-column-container/flexible-column-content-container",":itemsOrder":["topic_card_2"],":items":{"topic_card_2":{"id":"card-v2-b5f83cfd61","configurationStatus":{"configured":true,"message":""},":type":"snowflake-site/components/card-v2","type":"content-card","title":{"id":"title","type":"heading4","lines":["Éthique de l’IA"],":type":"snowflake-site/components/title-v2"},"button":{"id":"button","showOutboundIcon":false,"buttonLink":{"valid":true,"url":"https://www.snowflake.com/fr/artificial-intelligence/ai-governance/ai-ethics/"},"linkTargetContentType":"GENERIC",":type":"snowflake-site/components/button","linkType":"SNOWFLAKE_EXTERNAL","text":"En savoir plus"},"text":{"id":"text","text":"\u003Cp\u003EPrincipes fondamentaux (équité, responsabilité, contrôle humain) pour guider une utilisation responsable de l’IA.\u003C/p\u003E\n","richText":true,":type":"snowflake-site/components/text"},"layoutStyle":"vertical"}}},":type":"snowflake-site/components/flexible-column-container","isBlogPage":false,"isActiveTOC":false,"appliedCssClassNames":"snowflake-flexible-column-container-white-bg"}},":type":"wcm/foundation/components/responsivegrid"},"modal_container":{"layout":"SIMPLE","id":"container-babcadd074",":type":"snowflake-site/components/modal/modal-container",":itemsOrder":[],":items":{}},"markup_editor_928258845":{"id":"markup-editor-2a55bd38e5","title":" ","cssContent":".snowflake-flexible-column-container-gray-10-bg\u003E.snowflake-flexible-column-container{background-color:var(--ui-background-05) !important}.text-size-regular:has(.seo-hub-hero__related-topic-label){display:flex;align-items:center}.hub-hero__headline span{text-transform:none !important}.hub-hero__subheadline p{max-width:70ch;margin-top:8px}.hub-hero__authors \u003E .container \u003E .cmp-container \u003E .aem-container{display:flex;flex-direction:row}.hub-hero__authors \u003E .container \u003E .cmp-container \u003E .aem-container \u003E div{width:auto !important;margin:24px 48px 0 0 !important}.hub-hero__authors .heading-5-v2{gap:var(--spacing-00)}.hub-hero__authors .snowflake-content-chip-button{display:none !important}.hub-hero__authors .snowflake-person-chip-content .body-2,.hub-hero__authors .snowflake-content-chip-content .snowflake-title-v2-line{font-size:16px !important;line-height:20px !important;font-family:\"Lato\",sans-serif !important;color:#000 !important;font-weight:600 !important}.hub-hero__authors .snowflake-person-chip-content .body-3,.hub-hero__authors .snowflake-content-chip-content .snowflake-title-v2-line:not(:first-child){font-weight:400 !important;color:var(--text-05) !important;font-size:16px !important}.hub-hero__authors .snowflake-image-container img{aspect-ratio:1 !important;border-radius:100%;overflow:hidden}.hub-hero__authors .snowflake-person-chip-avatar{width:56px;height:56px}.hub-hero__authors .snowflake-content-chip{align-items:center;display:inline-flex}.hub-hero__authors .snowflake-content-chip-image{max-width:56px;line-height:0;margin-right:var(--spacing-03)}.hub-hero__authors .snowflake-person-chip-inner-horizontal{gap:var(--spacing-03)}@media screen and (min-width:1367px){.hub-hero__headline .heading-1-v2{font-size:48px;line-height:44px}}#hub-explore-resources-grid-inner\u003E.container\u003E.cmp-container\u003E.aem-container{display:flex;flex-direction:row;flex-wrap:wrap;gap:24px}#hub-explore-resources-grid-inner\u003E.container\u003E.cmp-container\u003E.aem-container::before,#hub-explore-resources-grid-inner\u003E.container\u003E.cmp-container\u003E.aem-container::after{display:none}#hub-explore-resources-grid-inner\u003E.container\u003E.cmp-container\u003E.aem-container\u003Ediv{width:calc(25% - 18px)}.text-color-text-05 .snowflake-text h2,.text-color-text-05.cq-Editable-dom h2,.text-color-text-05 .snowflake-text h3,.text-color-text-05.cq-Editable-dom h3,.text-color-text-05 .snowflake-text h4,.text-color-text-05.cq-Editable-dom h4,.text-color-text-05 .snowflake-text h5,.text-color-text-05.cq-Editable-dom h5,.text-color-text-05 .snowflake-text h6,.text-color-text-05.cq-Editable-dom h6{color:#000 !important}",":type":"snowflake-site/components/markup-editor","isGSAPEnabled":false},"markup_editor_597730182":{"id":"markup-editor-c2a051b1ed","title":" ","cssContent":".sf-copy-markdown [data-copy-md]{display:inline-flex;align-items:center;gap:6px;padding:8px 16px;font-family:'Texta',sans-serif;text-transform:uppercase;font-weight:800 !important;font-size:14px;font-weight:500;color:#11567f;background:#f0faff;border:1px solid #b8e6f9;border-radius:24px;cursor:pointer;transition:background .2s ease,border-color .2s ease,color .2s ease}.sf-copy-markdown [data-copy-md]:hover{background:#ddf3fc;border-color:#29b5e8}.sf-copy-markdown [data-copy-md][data-copied=\"1\"]{color:#0f7b3e;background:#ecfdf5;border-color:#6ee7a0;pointer-events:none}.sf-copy-markdown [data-copy-md] svg{flex-shrink:0}.longform-conten .snowflake-content-chip-white-bg .snowflake-content-chip{box-shadow:0 0 24px 4px rgba(0,0,0,.02),0 4px 8px 0 rgba(0,0,0,.04);flex-direction:row-reverse;align-items:center}.longform-conten .snowflake-content-chip-button{display:none}.longform-conten .snowflake-content-chip-image__inner{aspect-ratio:5 / 3;display:flex;justify-content:center;align-items:center;background-color:var(--ui-01);border-radius:4px}.longform-conten .snowflake-content-chip-image{margin-right:0;margin-left:48px}.longform-conten .snowflake-content-chip-image img{width:50%;border-radius:0 !important;object-fit:contain}.longform-content .black-blue-text-color .snowflake-title-v2-line:not(:first-child){font-size:14px !important;font-weight:400 !important;color:rgba(0,0,0,.6) !important;margin-top:8px !important}.page-toc ul li:first-child{padding-top:0 !important}.page-toc ul li:last-child{padding-bottom:0 !important}.seo-hub__top-bar \u003E .container \u003E .cmp-container \u003E .aem-container \u003E div:first-child{flex-grow:1}.sf-copy-markdown{margin-top:40px !important}.page-toc ul{margin-top:16px !important}.seo-hub__top-bar \u003E .container \u003E .cmp-container \u003E .aem-container{display:flex;justify-content:space-between}.sf-copy-markdown{}.callout.snowflake-text p:not(:first-child){margin-top:var(--spacing-01)}.callout \u003E span \u003E p:first-child \u003E strong,.callout \u003E span \u003E p:first-child \u003E b{text-transform:uppercase;font-family:'Texta',sans-serif;font-size:16px !important;color:var(--ui-01) !important}.seo-hub-hero__subheadline p{max-width:50ch}.tag-group ul{list-style-type:none;padding:0;margin:0;display:flex;flex-direction:row;row-gap:12px;column-gap:8px;align-items:center;flex-wrap:wrap}.tag-group ul li:first-child{flex-shrink:0}.tag-group ul li a{display:inline-block;padding:2px 12px;border-radius:48px;background-color:#ededed;color:#666;font-size:14px !important}@media screen and (min-width:1367px){.seo-hub-hero__headline span.snowflake-title-v2-line{font-size:56px !important}}.callout.snowflake-text p:not(:first-child){margin-top:var(--spacing-01)}.callout \u003E span \u003E p:first-child \u003E b{text-transform:uppercase;font-family:'Texta',sans-serif;font-size:16px !important;color:var(--ui-01) !important}.seo-hub-hero__subheadline p{max-width:80ch}#hero:has(.snowflake-youtube-lite) .seo-hub-hero__subheadline p{max-width:50ch}.tag-group ul{list-style-type:none;padding:0;margin:0;display:flex;flex-direction:row;row-gap:12px;column-gap:8px;align-items:center;flex-wrap:wrap}.tag-group ul li:first-child{width:100%;flex-shrink:0}.tag-group ul li a{display:inline-block;padding:2px 12px;border-radius:48px;background-color:#ededed;color:#666;font-size:14px !important}@media screen and (min-width:1367px){.seo-hub-hero__headline span.snowflake-title-v2-line{font-size:56px !important}}",":type":"snowflake-site/components/markup-editor","isGSAPEnabled":false},"markup_editor":{"id":"markup-editor-b85d54d354","title":" ","cssContent":"div.snowflake-breadcrumb a.snowflake-breadcrumb-item,.snowflake-breadcrumb div.snowflake-breadcrumb-item{text-transform:none;font-weight:500}.snowflake-breadcrumb svg{display:none !important}.snowflake-breadcrumb a:has(svg)::after{content:'/';margin:0 12px;color:#666}.hub-sidebar{padding:0 40px}.sticky-sidebar{max-width:340px;margin-left:auto}.page-toc ul{list-style-type:none;padding:0}.page-toc li{padding:8px 16px;border-left:4px solid var(--ui-01);cursor:pointer;transition:300ms ease all}.page-toc li:hover{color:var(--ui-01);border-color:#7fd3f1;transition:300ms ease all}.callout,.customer-card{background-color:#eef9fd;border-left:4px solid var(--ui-01);padding:24px 24px 24px 32px;border-radius:4px}.logo-container{max-width:180px}.longform-content li{margin-top:1rem !important}div.longform-content p{max-width:80ch}.bolder .snowflake-title-v2-line{font-weight:900 !important}.border-top\u003Ediv{border-top:1px solid #ccc;padding-top:48px}.related-topics ul{list-style-type:none;padding:0;margin:0;display:flex;gap:8px;flex-wrap:wrap}.related-topics li{display:inline-block;border:1px solid #ccc;padding:4px 12px;border-radius:24px}div.longform-content .snowflake-text h2,div.longform-content .snowflake-text .heading-2-v2,div.longform-content .snowflake-text h3,div.longform-content .snowflake-text .heading-3-v2,div.longform-content .snowflake-title-v2 .heading-3-v2,div.longform-content .snowflake-text h4,div.longform-content .snowflake-text .heading-4-v2,div.longform-content .snowflake-title-v2 .heading-4-v2,div.longform-content .snowflake-text h5,div.longform-content .snowflake-text .heading-5-v2,div.longform-content .snowflake-title-v2 .heading-5-v2,div.longform-content .snowflake-text h6,div.longform-content .snowflake-title-v2 .heading-6-v2,div.longform-content .snowflake-text .heading-6-v2{text-transform:none !important}div.longform-content .snowflake-text h2,div.longform-content .snowflake-text .heading-2-v2,div.longform-content .snowflake-text h3,div.longform-content .snowflake-text .heading-3-v2,div.longform-content .snowflake-text h4,div.longform-content .snowflake-text .heading-4-v2,div.longform-content .snowflake-text h5,div.longform-content .snowflake-text .heading-5-v2,div.longform-content .snowflake-text h6,div.longform-content .snowflake-text .heading-6-v2{margin-top:1.5rem !important;line-height:1.1 !important}div.longform-content .snowflake-text h3,div.longform-content .snowflake-text .heading-3-v2,div.longform-content .snowflake-title-v2 .heading-3-v2,div.longform-content .snowflake-text h4,div.longform-content .snowflake-text .heading-4-v2,div.longform-content .snowflake-title-v2 .heading-4-v2,div.longform-content .snowflake-text h5,div.longform-content .snowflake-text .heading-5-v2,div.longform-content .snowflake-title-v2 .heading-5-v2,div.longform-content .snowflake-text h6,div.longform-content .snowflake-text .heading-6-v2,div.longform-content .snowflake-title-v2 .heading-6-v2{font-family:Lato,sans-serif !important;font-weight:800 !important}div.longform-content .snowflake-text h2,div.longform-content .snowflake-text .heading-2-v2,div.longform-content .snowflake-title-v2 .heading-2-v2{text-transform:none !important;font-size:28px !important}div.longform-content .snowflake-text h3,div.longform-content .snowflake-text .heading-3-v2,div.longform-content .snowflake-title-v2 .heading-3-v2{font-size:22px !important}div.longform-content .snowflake-text h4,div.longform-content .snowflake-text .heading-4-v2,div.longform-content .snowflake-title-v2 .heading-4-v2{font-size:18px !important}div.longform-content .snowflake-text h5,div.longform-content .snowflake-text .heading-5-v2,div.longform-content .snowflake-title-v2 .heading-5-v2{font-size:16px !important}div.longform-content .snowflake-text h6,div.longform-content .snowflake-text .heading-6-v2,div.longform-content .snowflake-title-v2 .heading-6-v2{font-size:14px !important}@media screen and (min-width:992px){div.longform-content .snowflake-text h2,div.longform-content .snowflake-text .heading-2-v2,div.longform-content .snowflake-title-v2 .heading-2-v2{font-size:38px !important}div.longform-content .snowflake-text h3,div.longform-content .snowflake-text .heading-3-v2,div.longform-content .snowflake-title-v2 .heading-3-v2{font-size:26px !important}div.longform-content .snowflake-text h4,div.longform-content .snowflake-text .heading-4-v2,div.longform-content .snowflake-title-v2 .heading-4-v2{font-size:22px !important}div.longform-content .snowflake-text h5,div.longform-content .snowflake-text .heading-5-v2,div.longform-content .snowflake-title-v2 .heading-5-v2{font-size:18px !important}div.longform-content .snowflake-text h6,div.longform-content .snowflake-text .heading-6-v2,div.longform-content .snowflake-title-v2 .heading-6-v2{font-size:16px !important}}.sticky-sidebar .page-toc li.is-active{font-weight:600;color:var(--snow-blue,#29b5e8)}.sticky-sidebar .page-toc li[data-anchor]{cursor:pointer}.longform-content table{margin-top:24px;margin-bottom:24px;width:100%;background-color:var(--ui-background-01);border-collapse:collapse;border:2px solid var(--ui-background-09);font-family:'Lato',sans-serif;color:var(--ui-background-09)}.longform-content table thead{background-color:var(--ui-01)}.longform-content th,.longform-content td{min-width:120px;border:2px solid var(--ui-background-09);padding:var(--spacing-01)}.longform-content ol{margin-top:0 !important}.longform-content ol li{margin-bottom:1rem !important}.longform-content ul li{margin:0;padding:0 0 0 32px;position:relative}.longform-content ul{list-style-type:none}.longform-content ul li::before{content:\"\";display:block;border-radius:100%;background:#29b5e8;width:18px;height:18px;position:absolute;top:4px;left:0;border:5px solid #e5f2f7;box-sizing:border-box}.seo-customer.snowflake-card-v2-advanced-horizontal .snowflake-card-v2-advanced-image-container{max-width:200px}.seo-customer.snowflake-card-v2-advanced-horizontal .snowflake-card-v2-advanced-image-container img{object-fit:contain}.related-topics-outer-container \u003E .container \u003E .cmp-container \u003E .aem-container{display:flex;flex-direction:row}.related-topics-outer-container \u003E .container \u003E .cmp-container \u003E .aem-container \u003E div{width:auto !important;margin:0 !important}.related-topics-outer-container \u003E .container \u003E .cmp-container \u003E .aem-container \u003E div:first-child{margin-right:16px !important;flex-shrink:0}","jsContent":"(function(){var OFFSET=100;if(window.gsap&&window.ScrollTrigger){gsap.registerPlugin(ScrollTrigger);var sidebar=document.querySelector('.sticky-sidebar');var body=document.querySelector('.longform-content');if(sidebar&&body){ScrollTrigger.create({trigger:sidebar,start:'top 100px',endTrigger:body,end:'bottom bottom',pin:sidebar,pinSpacing:false});}}document.addEventListener('click',function(e){var li=e.target.closest('li[data-anchor]');if(!li)return;var slug=li.getAttribute('data-anchor');var heading=document.querySelector('.anchor-title--'+CSS.escape(slug));if(!heading)return;e.preventDefault();var top=heading.getBoundingClientRect().top+window.pageYOffset-OFFSET;window.scrollTo({top:top,behavior:'smooth'});history.replaceState(null,'','#'+slug);},false);var headings=document.querySelectorAll('[class*=\"anchor-title--\"]');if(headings.length&&'IntersectionObserver'in window){var io=new IntersectionObserver(function(entries){entries.forEach(function(entry){if(!entry.isIntersecting)return;var cls=Array.from(entry.target.classList).find(function(c){return c.indexOf('anchor-title--')===0;});if(!cls)return;var slug=cls.replace('anchor-title--','');document.querySelectorAll('li[data-anchor]').forEach(function(li){li.classList.toggle('is-active',li.getAttribute('data-anchor')===slug);});});},{rootMargin:'-20% 0px -70% 0px',threshold:0});headings.forEach(function(h){io.observe(h);});}})();",":type":"snowflake-site/components/markup-editor","isGSAPEnabled":true},"experiencefragment-footer":{"id":"experiencefragment-129d5ceddd","localizedFragmentVariationPath":"/content/experience-fragments/snowflake-site/language-masters/fr/site/footer/master/jcr:content","configured":true,":type":"snowflake-site/components/experiencefragment","xfModelPath":"/content/experience-fragments/snowflake-site/language-masters/fr/site/footer/master.xfmodel.json?callerPage=/content/snowflake-site/global/fr/artificial-intelligence/machine-learning"},"experiencefragment":{"id":"experiencefragment-a5ef845403","localizedFragmentVariationPath":"/content/experience-fragments/snowflake-site/language-masters/fr/site/footer-legal-disclaimers/master/jcr:content","configured":true,":type":"snowflake-site/components/experiencefragment","xfModelPath":"/content/experience-fragments/snowflake-site/language-masters/fr/site/footer-legal-disclaimers/master.xfmodel.json?callerPage=/content/snowflake-site/global/fr/artificial-intelligence/machine-learning"}},":type":"wcm/foundation/components/responsivegrid"}},":hierarchyType":"page",":path":"/content/snowflake-site/global/fr/artificial-intelligence/machine-learning","analyticsContentTags":["snowflake-site:taxonomy/content-type/fundamentals"],"analyticsEnabled":true,"isPasswordProtected":false,"coveoConfig":{"apiKey":"xx335921a6-2a0a-40f2-a167-e390b4766c3d","organizationId":"snowflakecomputingproduction8neljofn","searchHub":"snowflake.com","pipeline":"snowflake.com"},"analyticsDebugMode":false,"analyticsData":{"excludeFromAnalytics":false,"subCategory":"","pageType":"homepage","templateName":"base-page-template54","siteName":"snowflake","pageUrl":"/content/snowflake-site/global/fr/artificial-intelligence/machine-learning","language":"fr","category":"general","pageName":"Le machine learning en entreprise : cycle de vie ML et bonnes pratiques","contentTags":["snowflake-site:taxonomy/content-type/fundamentals"]},"locale":"fr"}