{"templateName":"base-page-template54","cssClassNames":"page basicpage summit-page","allowedRenditionsWidth":["320","480","640","768","960","1200","1440","1920"],"language":"fr","description":"Découvrez ce qu’est le deep learning, comment fonctionnent les réseaux de neurones, les types de modèles courants, les cas d’usage d’entreprise et ce qu’il faut pour déployer le deep learning en production à grande échelle.","title":"Deep learning Cas d'usage en entreprise, modèles et fonctionnement | Snowflake","analyticsPageType":"homepage","analyticsCategory":"general","analyticsSubCategory":"","excludeFromAnalytics":false,":type":"snowflake-site/components/structure/page",":mappedPath":"/fr/artificial-intelligence/machine-learning/deep-learning/",":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",":items":{"experiencefragment-banner":{"id":"experiencefragment-5e255643fb","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/deep-learning"},"experiencefragment-header":{"id":"experiencefragment-4c15190649","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/deep-learning"},"responsivegrid":{"columnCount":12,"columnClassNames":{"flexible_column_cont_561227620":"aem-GridColumn aem-GridColumn--default--12","flexible_column_cont_939100716":"aem-GridColumn aem-GridColumn--default--12","flexible_column_cont":"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_1786318617":"aem-GridColumn aem-GridColumn--default--12","flexible_column_cont_1237443307":"aem-GridColumn aem-GridColumn--default--12","flexible_column_cont_1467213961":"aem-GridColumn aem-GridColumn--default--12"},"gridClassNames":"aem-Grid aem-Grid--12 aem-Grid--default--12",":items":{"flexible_column_cont":{"id":"flexible-column-container-6f96e3f82c","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-43c3dea00c",":type":"snowflake-site/components/flexible-column-container/flexible-column-content-container",":items":{"breadcrumb":{"id":"breadcrumb-77d4ae8a9c","items":[{"id":"breadcrumb-77d4ae8a9c-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-77d4ae8a9c-item-93eeea960a","link":{"valid":true,"url":"/fr/artificial-intelligence/machine-learning/"},"active":false,"current":false,"title":"Machine learning",":type":"snowflake-site/components/structure/page","appliedCssClassNames":"summit-page"},{"id":"breadcrumb-77d4ae8a9c-item-2a94c9260a","link":{"valid":true,"url":"/fr/artificial-intelligence/machine-learning/deep-learning/"},"active":true,"current":true,"title":"Deep learning",":type":"snowflake-site/components/structure/page","appliedCssClassNames":"summit-page"}],":type":"snowflake-site/components/breadcrumb"}},":itemsOrder":["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-1be3b1795c","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-0aa3baa9ff",":type":"snowflake-site/components/flexible-column-container/flexible-column-content-container",":items":{"title_v2":{"id":"title-v2-1ebffa3fa4","additionalClasses":"hub-hero__headline","type":"heading1","lines":["Deep learning : comment les réseaux de neurones transforment des données complexes en IA d’entreprise"],":type":"snowflake-site/components/title-v2","appliedCssClassNames":"left-alignment"},"text":{"id":"text-786656fd3d","additionalClasses":"hub-hero__subheadline","text":"\u003Cp\u003ELe deep learning aide les entreprises à trouver du signal dans des données complexes en utilisant des réseaux de neurones qui apprennent des régularités. Mais transformer ces modèles en valeur métier ne se limite pas à l'entraînement. Cela nécessite des données gouvernées, une infrastructure évolutive, une évaluation minutieuse et des opérations ML prêtes à la production.\u003C/p\u003E\r\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-86a83a44fc",":type":"snowflake-site/components/container",":items":{"content_chip":{"id":"content-chip-2334883205","cta":{"id":"cta","showOutboundIcon":false,"linkTargetContentType":"GENERIC",":type":"snowflake-site/components/button","linkType":"SNOWFLAKE_INTERNAL","text":"Lire la biographie"},"image":{"id":"image","height":"800","lazyEnabled":true,"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","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_copy":{"id":"content-chip-a59f525940","cta":{"id":"cta","showOutboundIcon":false,"linkTargetContentType":"GENERIC",":type":"snowflake-site/components/button","linkType":"SNOWFLAKE_INTERNAL","text":"Lire la biographie"},"image":{"id":"image","height":"709","lazyEnabled":true,"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","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"}},":itemsOrder":["content_chip","content_chip_copy"],"appliedCssClassNames":"snowflake-responsive-container-inner-padding-small"}},":itemsOrder":["title_v2","text","container"],"appliedCssClassNames":"snowflake-responsive-container-inner-padding-extra-small"},"flexible_column_content_container_2":{"additionalClasses":"hub-hero__video-column","layout":"SIMPLE","id":"container-51db005eb6",":type":"snowflake-site/components/flexible-column-container/flexible-column-content-container",":items":{"youtube":{"id":"embed-1613d301be","youtubeVideoId":"-HWNc-Hd90U","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"}},":itemsOrder":["youtube"]},":type":"snowflake-site/components/flexible-column-container","isBlogPage":false,"isActiveTOC":false,"appliedCssClassNames":"snowflake-flexible-column-container-gray-10-bg"},"flexible_column_cont_1237443307":{"id":"flexible-column-container-e8e785a3ef","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-5e422721f3",":type":"snowflake-site/components/flexible-column-container/flexible-column-content-container",":items":{"text":{"id":"text-7e24769e09","additionalClasses":"seo-hub-hero__related-topic-lable","text":"\u003Cp\u003ESujets liés au deep learning :\u003C/p\u003E\n","richText":true,":type":"snowflake-site/components/text","appliedCssClassNames":"text-size-regular text-color-text-05"},"text_489983153":{"id":"text-e81f98ef26","additionalClasses":"related-topics","text":"\u003Cul\u003E\r\n\u003Cli\u003E\u003Ca href=\"https://www.snowflake.com/en/artificial-intelligence/machine-learning/deep-learning/computer-vision/\"\u003EVision par ordinateur\u003C/a\u003E\u003C/li\u003E\r\n\u003Ca\u003E\u003Cli\u003E\u003Ca href=\"https://www.snowflake.com/en/artificial-intelligence/machine-learning/deep-learning/neural-network/\" style=\"background-color: rgb(255, 255, 255); font-family: adobe-clean, "Source Sans Pro", -apple-system, BlinkMacSystemFont, "Segoe UI", Roboto, Ubuntu, "Trebuchet MS", "Lucida Grande", sans-serif;\"\u003ERéseaux neuronaux\u003C/a\u003E\u003C/li\u003E\r\n\u003C/a\u003E\u003C/ul\u003E\r\n","richText":true,":type":"snowflake-site/components/text","appliedCssClassNames":"text-size-small"}},":itemsOrder":["text","text_489983153"]},":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-55b66c6ac8","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",":items":{"callout__0":{"id":"text-dcbd1d1ae9","additionalClasses":"callout callout--general","text":"\u003Cp\u003E\u003Cstrong\u003EDÉFINITION DU DEEP LEARNING\u003C/strong\u003E\u003C/p\u003E\n\u003Cp\u003ELe deep learning est un type de machine learning qui utilise des réseaux de neurones artificiels avec de nombreuses couches pour apprendre des régularités à partir de données. Chaque couche transforme légèrement l'entrée, permettant au système d'apprendre des caractéristiques de plus en plus complexes.\u003C/p\u003E","richText":true,":type":"snowflake-site/components/text","appliedCssClassNames":"text-size-regular text-color-text-05"},"text__0":{"id":"text-3ffa7e1f9a","text":"\u003Cp\u003ELe deep learning élargit les capacités de la reconnaissance de régularités. Les systèmes fondés sur des règles et l'analyse traditionnelle dépendent d'entrées structurées et d'une logique explicite, tandis que les modèles de deep learning utilisent des couches de neurones artificiels pour apprendre des représentations à partir de données, ce qui les rend particulièrement utiles pour les images, le langage, la parole, la vidéo et d'autres entrées complexes.\u003C/p\u003E\n\u003Cp\u003ELa mise en œuvre du deep learning dans un contexte d'entreprise est une discipline différente de la construction d'un modèle en vase clos. Les modèles de deep learning requièrent généralement de grands ensembles de données, un calcul GPU, une évaluation minutieuse et une gouvernance solide concernant la façon dont les modèles sont entraînés, versionnés, déployés et supervisés. Les équipes ont besoin d’une infrastructure pour développer, entraîner, déployer et gouverner des modèles à grande échelle, et cette infrastructure doit être proche des données et des flux de travail pour lesquels ces modèles sont conçus.\u003C/p\u003E","richText":true,":type":"snowflake-site/components/text","appliedCssClassNames":"text-color-text-05"},"title_what-is-deep-learning":{"id":"title-v2-8d7449868d","additionalClasses":"anchor-title anchor-title--what-is-deep-learning","type":"heading2","lines":["Qu'est-ce que le deep learning ?"],":type":"snowflake-site/components/title-v2"},"text_what-is-deep-learning_0":{"id":"text-702fcfabd8","text":"\u003Cp\u003ELe deep learning est un sous-ensemble du machine learning qui utilise des réseaux de neurones multicouches pour apprendre des régularités à partir de données. Un réseau de neurones est composé de nœuds connectés, ou neurones artificiels, disposés en couches. Chaque couche transforme les données qu'elle reçoit et transmet une représentation à la couche suivante, ce qui permet au modèle d'apprendre des régularités de plus en plus abstraites au fur et à mesure que les informations circulent dans le réseau.\u003C/p\u003E\n\u003Cp\u003EDans un modèle d’image, les premières couches peuvent apprendre les bords et les textures, tandis que les couches suivantes apprennent les formes ou les objets. Dans un modèle de langage, les couches peuvent apprendre les relations entre les tokens, la structure des phrases et le contexte. Dans un modèle entraîné sur des données comportementales ou transactionnelles, les couches peuvent apprendre des combinaisons de signaux difficiles à définir manuellement, comme la temporalité, le comportement des appareils et l'activité historique.\u003C/p\u003E\n\u003Cp\u003ELe terme « profond » fait référence au nombre de couches du réseau, et non à un raisonnement humain. Un modèle de deep learning ne comprend pas une image médicale, une commande vocale ou un message client comme une personne le ferait. Il apprend des relations statistiques à partir de données d’entraînement, puis les utilise pour faire des prédictions, des classifications ou générer des sorties.\u003C/p\u003E\n\u003Cp\u003EPour plus de contexte fondamental, consultez notre guide sur le \u003Ca href=\"https://www.snowflake.com/fr/artificial-intelligence/machine-learning/\"\u003Emachine learning\u003C/a\u003E et les ressources connexes sur l’\u003Ca href=\"https://www.snowflake.com/en/fundamentals/generative-ai/\"\u003EIA générative\u003C/a\u003E et \u003Ca href=\"https://www.snowflake.com/fr/artificial-intelligence/machine-learning/mlops/\"\u003Ele MLOps\u003C/a\u003E.\u003C/p\u003E\n\u003Cp\u003E\u003Cem\u003EDécouvrez comment la start-up de cybersécurité DeepTempo exploite le deep learning pour lutter contre les menaces de sécurité liées à l’IA :\u003C/em\u003E\u003C/p\u003E","richText":true,":type":"snowflake-site/components/text","appliedCssClassNames":"text-color-text-05"},"yt_what-is-deep-learning_0":{"id":"embed-eab6de0fe7","youtubeVideoId":"r3TL5aMUNHs","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_deep-learning-examples-and-use-cases":{"id":"title-v2-39398036d6","additionalClasses":"anchor-title anchor-title--deep-learning-examples-and-use-cases","type":"heading2","lines":["Exemples et cas d’usage du deep learning"],":type":"snowflake-site/components/title-v2"},"text_deep-learning-examples-and-use-cases_0":{"id":"text-ec9692b852","text":"\u003Cp\u003ELe deep learning est particulièrement utile lorsque le signal se trouve à l’intérieur de données complexes, en particulier de données difficiles à modéliser avec des caractéristiques définies manuellement.\u003C/p\u003E\r\n\u003Cul\u003E\r\n\u003Cli\u003E\u003Cb\u003EDétection des fraudes :\u003C/b\u003E Les équipes des services financiers peuvent utiliser le deep learning pour identifier les régularités de transaction suspectes au fil du temps, du comportement du compte, des données des appareils et de l'activité des commerçants. Un modèle peut apprendre des combinaisons subtiles de signaux difficiles à saisir avec des règles statiques, même si les équipes ont encore besoin d’explicabilité, de revoir les flux de travail et les contrôles pour les décisions à haut risque.\u003C/li\u003E\r\n\u003Cli\u003E\u003Cb\u003EMaintenance prédictive : \u003C/b\u003ELes fabricants, les services publics et les entreprises de transport peuvent entraîner des modèles sur des relevés de capteurs, des modèles de vibrations, des changements de température et des historiques de maintenance. Un modèle de deep learning peut apprendre des signaux d’alerte précoce qui aident les équipes à prédire une défaillance de l’équipement avant une panne visible ou une perturbation opérationnelle.\u003C/li\u003E\r\n\u003Cli\u003E\u003Cb\u003ESystèmes de recommandations :\u003C/b\u003E Les détaillants, les entreprises de médias et les plateformes numériques utilisent le deep learning pour modéliser les relations entre les utilisateurs, les produits, le contenu et le comportement. Ces systèmes peuvent améliorer la personnalisation en tirant des enseignements des clics, des achats, de l’historique de visualisation, des attributs des produits et des signaux contextuels.\u003C/li\u003E\r\n\u003Cli\u003E\u003Cb style=\"font-style: inherit;\"\u003EImagerie médicale :\u003C/b\u003E\u003Cb\u003E \u003C/b\u003E\u003Cspan style=\"font-style: inherit;\"\u003ELes organisations de la santé et des sciences de la vie utilisent le deep learning pour réaliser des tâches fondées sur des images, comme l'identification de régularités dans les scans radiologiques, les lames de pathologie ou les images d'ophtalmologie. Ces modèles peuvent prendre en charge les flux de travail cliniques, mais ils nécessitent une validation minutieuse, une supervision humaine et une gouvernance, car les sorties des modèles peuvent influencer les soins aux patients.\u003C/span\u003E\u003C/li\u003E\r\n\u003Cli\u003E\u003Cb\u003ETraitement du langage naturel et chatbots :\u003C/b\u003E Les modèles de deep learning peuvent classer du texte, extraire des entités, résumer des documents, traduire du langage et alimenter des assistants conversationnels. Les modèles transformers sont particulièrement importants ici, car ils utilisent des mécanismes d’attention pour apprendre les relations entre les séquences, ce qui aide les modèles à capturer le contexte dans le langage, le code, l’audio et les entrées multimodales.\u003C/li\u003E\r\n\u003Cli\u003E\u003Cb\u003EVéhicules autonomes et robotique\u003C/b\u003E : Les modèles de deep learning aident les systèmes à interpréter les données des capteurs, à détecter les objets, à estimer les mouvements et à planifier les actions. Ces cas d’usage combinent généralement la vision par ordinateur, l’apprentissage par renforcement, la simulation et les contrôles de sécurité.\u003C/li\u003E\r\n\u003Cli\u003E\u003Cb style=\"font-style: inherit;\"\u003EReconnaissance vocale :\u003C/b\u003E\u003Cb\u003E \u003C/b\u003E\u003Cspan style=\"font-style: inherit;\"\u003ELe deep learning permet de convertir un langage parlé en texte, d’identifier des locuteurs, de détecter des commandes ou d’analyser des modèles audio. Ces systèmes combinent souvent la modélisation acoustique, la modélisation du langage et le traitement des séquences.\u003C/span\u003E\u003C/li\u003E\r\n\u003C/ul\u003E\r\n","richText":true,":type":"snowflake-site/components/text","appliedCssClassNames":"text-color-text-05"},"callout_deep-learning-examples-and-use-cases_0":{"id":"text-93d1e629ff","additionalClasses":"callout callout--general","text":"\u003Cp\u003E\u003Cstrong\u003EÀ RETENIR\u003C/strong\u003E\u003C/p\u003E\n\u003Cp\u003ELe deep learning est plus utile lorsque le problème dépend de l’identification de régularités dans des données complexes, comme des images, du langage, de l’audio, de la vidéo, des lectures de capteurs ou des entités connectées.\u003C/p\u003E","richText":true,":type":"snowflake-site/components/text","appliedCssClassNames":"text-size-regular text-color-text-05"},"title_how-does-deep-learning-work":{"id":"title-v2-120b62d81d","additionalClasses":"anchor-title anchor-title--how-does-deep-learning-work","type":"heading2","lines":["Fonctionnement du deep learning"],":type":"snowflake-site/components/title-v2"},"text_how-does-deep-learning-work_0":{"id":"text-6eda71d226","text":"\u003Cp\u003EUn modèle de deep learning apprend en comparant à plusieurs reprises ses sorties avec le résultat attendu, en mesurant la différence et en ajustant les paramètres internes pour réduire les erreurs futures.\u003C/p\u003E\n\u003Cp\u003ELe processus commence avec les données d’entrée. Pour un modèle d'image, l'entrée peut être constituée de valeurs de pixels.  Pour un modèle de langage, l'entrée peut être constituée de tokens. Pour un modèle de séries temporelles, l’entrée peut être une séquence de mesures de capteurs ou d’événements transactionnels. Le modèle fait passer cette entrée à travers des couches, où chaque couche applique des transformations mathématiques à l'aide de paramètres appris appelés poids.\u003C/p\u003E\n\u003Cp\u003ELa couche de sortie produit une prédiction, une classification ou un résultat généré. Une fonction de perte mesure ensuite l'écart entre la sortie et la réponse souhaitée. Dans un modèle de classification, la perte peut refléter la confiance avec laquelle le modèle a prédit la mauvaise catégorie. Dans un modèle de prévision, elle peut mesurer la différence entre la valeur prédite et la valeur réelle.\u003C/p\u003E\n\u003Cp\u003ELa rétropropagation est la méthode d'entraînement qui envoie le signal d'erreur à rebours dans le réseau. Le modèle utilise ce signal pour ajuster les poids dans les couches précédentes, généralement grâce à une optimisation fondée sur le gradient. Au fil de nombreuses itérations d'entraînement, le modèle met à jour ses paramètres afin de réduire les pertes sur les exemples d'entraînement et, idéalement, d'être performant sur les nouvelles données.\u003C/p\u003E\n\u003Cp\u003ELe point important pour l’entreprise est que l’entraînement n’est pas seulement une tâche de modélisation. Les équipes ont besoin de données préparées, d'expériences reproductibles, de métriques d'évaluation, de ressources de calcul, de gestion des versions, de chemins de déploiement et de supervision. Un modèle de deep learning peut être performant dans un notebook, mais échouer en production si les données d'entrée changent, si les coûts d'inférence sont trop élevés ou si le modèle ne peut pas être gouverné selon les exigences de risque de l'entreprise.\u003C/p\u003E","richText":true,":type":"snowflake-site/components/text","appliedCssClassNames":"text-color-text-05"},"title_types-of-deep-learning-models":{"id":"title-v2-580b463bb8","additionalClasses":"anchor-title anchor-title--types-of-deep-learning-models","type":"heading2","lines":["Types de modèles de deep learning"],":type":"snowflake-site/components/title-v2"},"text_types-of-deep-learning-models_0":{"id":"text-fd6946b676","text":"\u003Cp\u003ELe deep learning n’est pas un modèle unique. Différentes architectures sont conçues pour gérer différents types de structure dans les données : pixels dans une image, tokens dans une phrase, événements dans une séquence, nœuds dans un graphe ou signaux selon plusieurs modalités. Le choix du bon modèle commence généralement par la nature du problème, le type de données disponibles et le type de sortie que le système doit produire.\u003C/p\u003E\r\n\u003Ctable\u003E\r\n\u003Cthead\u003E\u003Ctr\u003E\u003Cth\u003EType\u003C/th\u003E\r\n\u003Cth\u003EIdéal pour :\u003C/th\u003E\r\n\u003Cth\u003EExemples\u003C/th\u003E\r\n\u003C/tr\u003E\u003C/thead\u003E\u003Ctbody\u003E\u003Ctr\u003E\u003Ctd\u003ERéseaux neuronaux à propagation avant (Feedforward Neural Networks, FNN)\u003C/td\u003E\r\n\u003Ctd\u003EPrédictions et classification de base sur des données structurées\u003C/td\u003E\r\n\u003Ctd\u003EPerceptrons multicouches (MLP)\u003C/td\u003E\r\n\u003C/tr\u003E\u003Ctr\u003E\u003Ctd\u003E\u003Cb\u003ERéseaux neuronaux convolutifs (Convolutional Neural Networks, CNN)\u003C/b\u003E\u003C/td\u003E\r\n\u003Ctd\u003EImages, vidéos et régularités spatiales\u003C/td\u003E\r\n\u003Ctd\u003EResNet, VGG, EfficientNet\u003C/td\u003E\r\n\u003C/tr\u003E\u003Ctr\u003E\u003Ctd\u003E\u003Cb\u003ERéseaux neuronaux récurrents (Recurrent Neural Networks, RNN)\u003C/b\u003E\u003C/td\u003E\r\n\u003Ctd\u003ESéquences et données de séries temporelles\u003C/td\u003E\r\n\u003Ctd\u003ERNN, LSTM, GRU\u003C/td\u003E\r\n\u003C/tr\u003E\u003Ctr\u003E\u003Ctd\u003E\u003Cb\u003ETransformers\u003C/b\u003E\u003C/td\u003E\r\n\u003Ctd\u003ETâches de langage, de vision, audio et multimodales\u003C/td\u003E\r\n\u003Ctd\u003EGPT, BERT, T5, Vision Transformer\u003C/td\u003E\r\n\u003C/tr\u003E\u003Ctr\u003E\u003Ctd\u003E\u003Cb\u003EAuto‑encodeurs\u003C/b\u003E\u003C/td\u003E\r\n\u003Ctd\u003ECompression, débruitage et détection d’anomalies\u003C/td\u003E\r\n\u003Ctd\u003EAuto-encodeurs variationnels, auto-encodeurs de débruitage\u003C/td\u003E\r\n\u003C/tr\u003E\u003Ctr\u003E\u003Ctd\u003ERéseaux antagonistes génératifs (GAN)\u003Cb\u003E\u003C/b\u003E\u003C/td\u003E\r\n\u003Ctd\u003E\u003Cb\u003EGénération d'images, de fichiers audio et de données réalistes\u003C/b\u003E\u003C/td\u003E\r\n\u003Ctd\u003E\u003Cb\u003EGAN, StyleGAN, CycleGAN\u003C/b\u003E\u003C/td\u003E\r\n\u003C/tr\u003E\u003Ctr\u003E\u003Ctd\u003E\u003Cb\u003E\u003Cb\u003EModèles de diffusion\u003C/b\u003E\u003C/b\u003E\u003C/td\u003E\r\n\u003Ctd\u003E\u003Cb\u003EGénération d'images, de fichiers audio et de vidéos de haute qualité\u003C/b\u003E\u003C/td\u003E\r\n\u003Ctd\u003E\u003Cb\u003EDDPM, modèles de type Stable Diffusion\u003C/b\u003E\u003C/td\u003E\r\n\u003C/tr\u003E\u003Ctr\u003E\u003Ctd\u003E\u003Cb\u003ERéseaux de neurones de graphes\u003C/b\u003E\u003C/td\u003E\r\n\u003Ctd\u003E\u003Cb\u003EDonnées représentées sous forme de nœuds et d'arêtes\u003C/b\u003E\u003C/td\u003E\r\n\u003Ctd\u003E\u003Cb\u003ERéseaux sociaux, molécules, graphes de recommandation\u003C/b\u003E\u003C/td\u003E\r\n\u003C/tr\u003E\u003Ctr\u003E\u003Ctd\u003E\u003Cb\u003E\u003Cb\u003EModèles d’apprentissage par renforcement profond\u003C/b\u003E\u003C/b\u003E\u003C/td\u003E\r\n\u003Ctd\u003E\u003Cb\u003EApprentissage d'actions par récompenses\u003C/b\u003E\u003C/td\u003E\r\n\u003Ctd\u003E\u003Cb\u003EDQN, systèmes de type AlphaGo\u003C/b\u003E\u003C/td\u003E\r\n\u003C/tr\u003E\u003Ctr\u003E\u003Ctd\u003E\u003Cb\u003E\u003Cb\u003EModèles multimodaux\u003C/b\u003E\u003C/b\u003E\u003C/td\u003E\r\n\u003Ctd\u003E\u003Cb\u003ECombinaison de texte, d'images, de fichiers audio et de vidéos\u003C/b\u003E\u003C/td\u003E\r\n\u003Ctd\u003E\u003Cb\u003EModèles vision-langage, systèmes de légende d'images\u003C/b\u003E\u003C/td\u003E\r\n\u003C/tr\u003E\u003C/tbody\u003E\u003C/table\u003E\r\n\u003Cp\u003E\u003Cb\u003E\u003Ch3\u003ERéseaux neuronaux à propagation avant (Feedforward Neural Networks, FNN)\u003C/h3\u003E\r\n\u003Cp\u003ELes réseaux de neurones à propagation avant déplacent les données dans une seule direction, de la couche d'entrée aux couches cachées jusqu'à la couche de sortie. Ils sont souvent utilisés pour des tâches structurées de prédiction et de classification dont les caractéristiques d'entrée sont déjà bien définies, comme la prédiction de l'attrition, la classification des risques ou la notation des leads.\u003C/p\u003E\r\n\u003Ch3\u003ERéseaux neuronaux convolutifs (Convolutional Neural Networks, CNN)\u003C/h3\u003E\r\n\u003Cp\u003ELes réseaux de neurones convolutifs, souvent appelés CNN, sont conçus pour détecter des régularités spatiales. Ils sont couramment utilisés pour les images et la vidéo, car ils peuvent apprendre des régularités locales telles que les contours, les textures et les formes, puis combiner ces signaux en représentations de niveau supérieur.\u003C/p\u003E\r\n\u003Ch3\u003ERéseaux neuronaux récurrents (Recurrent Neural Networks, RNN)\u003C/h3\u003E\r\n\u003Cp\u003ELes réseaux de neurones récurrents traitent les séquences en transférant les informations des étapes précédentes aux étapes suivantes. Les réseaux de mémoire à court et long terme (LSTM) et les unités récurrentes à portes (GRU) ont été largement utilisés pour les tâches de langage et de séries temporelles parce qu'ils peuvent modéliser l'ordre et la dépendance temporelle, bien que les transformers les aient remplacés dans de nombreux systèmes de langage et multimodaux.\u003C/p\u003E\r\n\u003Ch3\u003ETransformers\u003C/h3\u003E\r\n\u003Cp\u003ELes transformers utilisent des mécanismes d'attention pour modéliser les relations au sein d'une séquence. Plutôt que de traiter les tokens strictement un par un, ils apprennent quelles parties de l'entrée doivent s'influencer mutuellement. Cette architecture est à la base de nombreux modèles de langage modernes, modèles vision-langage et autres modèles de fondation.\u003C/p\u003E\r\n\u003Ch3\u003EAuto‑encodeurs\u003C/h3\u003E\r\n\u003Cp\u003ELes auto-encodeurs apprennent des représentations compressées des données d'entrée, puis reconstituent l'entrée d'origine à partir de cette représentation compressée. Ils peuvent être utiles pour la réduction des dimensions, le débruitage et la détection des anomalies, car les erreurs de reconstruction peuvent révéler des points de données différents des régularités normales.\u003C/p\u003E\r\n\u003Ch3\u003ERéseaux antagonistes génératifs (GAN)\u003C/h3\u003E\r\n\u003Cp\u003ELes réseaux antagonistes génératifs, ou GAN, utilisent deux réseaux : un générateur qui crée des sorties synthétiques et un discriminateur qui évalue si ces sorties ressemblent à des données réelles. Les GAN ont été utilisés pour la génération d’images, le transfert de styles et la génération de données synthétiques, même s’ils peuvent être difficiles à entraîner de manière fiable.\u003C/p\u003E\r\n\u003Ch3\u003EModèles de diffusion\u003C/h3\u003E\r\n\u003Cp\u003ELes modèles de diffusion génèrent des sorties en apprenant à inverser un processus d'ajout de bruit. Ils sont largement associés à la génération d'images de haute qualité et sont également utilisés pour l'audio, la vidéo et d'autres tâches génératives. En entreprise, leur valeur dépend du cas d'usage, des droits sur les données, des exigences en matière de latence et des dispositifs de contrôle de la gouvernance du contenu.\u003C/p\u003E\r\n\u003Ch3\u003ERéseaux de neurones de graphes\u003C/h3\u003E\r\n\u003Cp\u003ELes réseaux de neurones de graphes modélisent les données sous forme de nœuds et d'arêtes. Ils sont utiles lorsque les relations entre les entités comptent autant que les entités elles-mêmes, comme les clients et les produits dans un graphe de recommandations, les comptes et les transactions dans un réseau de fraude, ou les molécules et les liaisons dans la recherche sur la découverte de médicaments.\u003C/p\u003E\r\n\u003Ch3\u003EModèles d’apprentissage par renforcement profond\u003C/h3\u003E\r\n\u003Cp\u003EL'apprentissage par renforcement profond combine les réseaux de neurones avec un apprentissage fondé sur les récompenses. Plutôt que d'apprendre uniquement à partir d'exemples étiquetés, un agent apprend en prenant des actions, en recevant des récompenses ou des pénalités et en ajustant son comportement au fil du temps. Ces modèles sont utilisés en robotique, dans les jeux, pour l'optimisation et dans certains systèmes de prise de décision autonomes.\u003C/p\u003E\r\n\u003Ch3\u003EModèles multimodaux\u003C/h3\u003E\r\n\u003Cp\u003ELes modèles multimodaux traitent plusieurs types de données, comme le texte et les images, l'audio et la vidéo, ou les enregistrements structurés et les documents non structurés. Un modèle multimodal de support client, par exemple, peut analyser conjointement une image de produit, un ticket de support, un historique d'achats et un texte de dépannage, plutôt que de traiter chaque entrée comme un système distinct.\u003C/p\u003E\r\n\u003C/b\u003E\u003C/p\u003E\r\n","richText":true,":type":"snowflake-site/components/text","appliedCssClassNames":"text-color-text-05"},"title_ml-vs-deep-learning-vs-generative-ai":{"id":"title-v2-8fafec1767","additionalClasses":"anchor-title anchor-title--ml-vs-deep-learning-vs-generative-ai","type":"heading2","lines":["ML, deep learning et IA générative : quelles différences ?"],":type":"snowflake-site/components/title-v2"},"text_ml-vs-deep-learning-vs-generative-ai_0":{"id":"text-5e146104b1","text":"\u003Cp\u003ELe machine learning, le deep learning et l’IA générative sont liés, mais ils décrivent des périmètres différents. Le ML est la discipline générale. Le deep learning est un sous-ensemble du ML et l’IA générative un sous-ensemble du deep learning.\u003C/p\u003E\n\u003Cp\u003ELe ML couvre tout système qui apprend des régularités à partir de données au lieu de suivre des règles explicitement programmées. Le deep learning utilise des réseaux de neurones multicouches, utiles lorsque les entrées sont suffisamment complexes ou non structurées pour que les modèles plus simples peinent à trouver le signal. La reconnaissance d’images, le traitement de la parole et la compréhension de documents sont des applications courantes, même si le deep learning peut fonctionner avec des données structurées lorsque le problème le justifie.\u003C/p\u003E\n\u003Cp\u003EL’IA générative fait référence aux systèmes qui produisent de nouveaux contenus (texte, images, code, audio) plutôt que de les classer ou de les prédire. La plupart des systèmes d'IA générative sont construits sur des architectures transformers ou de diffusion, mais la catégorie ne couvre pas tout le deep learning.\u003C/p\u003E\n\u003Cp\u003ELa plupart des \u003Ca href=\"https://www.snowflake.com/fr/artificial-intelligence/\"\u003Esystèmes d’IA\u003C/a\u003E d’entreprise combinent des approches au lieu de s’intégrer parfaitement dans un seul paradigme. Par exemple, un modèle de base entraîné sur des exemples étiquetés peut être adapté par apprentissage par transfert pour une tâche connexe, puis affiné grâce à des retours humains. Lorsque les données étiquetées sont rares, des méthodes non supervisées peuvent faire apparaître une structure qui manquerait au modèle.\u003C/p\u003E","richText":true,":type":"snowflake-site/components/text","appliedCssClassNames":"text-color-text-05"},"callout_ml-vs-deep-learning-vs-generative-ai_0":{"id":"text-2c5a49ec27","additionalClasses":"callout callout--warning","text":"\u003Cp\u003E\u003Cstrong\u003EPIÈGE COURANT\u003C/strong\u003E\u003C/p\u003E\n\u003Cp\u003ELe deep learning ne doit pas être considéré comme le choix par défaut pour les problèmes d’IA. Si un modèle ML plus simple peut produire des résultats fiables avec des coûts inférieurs, des explications plus claires et une complexité opérationnelle moindre, le deep learning peut ajouter plus de charge que de valeur.\u003C/p\u003E","richText":true,":type":"snowflake-site/components/text","appliedCssClassNames":"text-size-regular text-color-text-05"},"title_advantages-and-disadvantages-of-deep-learning":{"id":"title-v2-bfcded49f9","additionalClasses":"anchor-title anchor-title--advantages-and-disadvantages-of-deep-learning","type":"heading2","lines":["Avantages et inconvénients du deep learning"],":type":"snowflake-site/components/title-v2"},"text_advantages-and-disadvantages-of-deep-learning_0":{"id":"text-89fca6fe55","text":"\u003Cp\u003ELe deep learning est utilisé dans les entreprises, car il permet d’apprendre des modèles complexes à partir de grandes quantités de données. Il est précieux pour les tâches impliquant des images, la parole, le langage, la vidéo, les recommandations, les flux de capteurs et d'autres types de données pour lesquelles le signal pertinent peut ne pas être évident pour une personne écrivant des règles ou sélectionnant des caractéristiques.\u003C/p\u003E\r\n\u003Cp\u003ECela peut également réduire le besoin en ingénierie de caractéristiques manuelle. Dans de nombreux processus ML traditionnels, les data scientists passent beaucoup de temps à décider quelles caractéristiques doivent représenter le problème. Les modèles de deep learning peuvent apprendre des représentations utiles directement à partir des données, même si les équipes ont encore besoin de solides pratiques de préparation, d'étiquetage, d'évaluation et de supervision des données.\u003C/p\u003E\r\n\u003Cp\u003ELe deep learning peut s'améliorer à mesure que davantage de données et de calculs sont disponibles, en particulier lorsque le problème bénéficie d'une mise à l'échelle. Il prend également en charge l'apprentissage par transfert, ce qui permet aux équipes d'adapter un modèle entraîné sur un grand ensemble de données à une tâche connexe. Cela peut réduire la quantité de données spécifiques à une tâche et raccourcir le chemin entre l'expérimentation et les performances utiles.\u003C/p\u003E\r\n\u003Cp\u003ELes compromis sont toutefois importants. Les modèles de deep learning nécessitent souvent de grands volumes de données de haute qualité, et l'entraînement peut être coûteux car il peut nécessiter des GPU ou d'autres ressources de calcul spécialisées. Ces modèles peuvent également être difficiles à interpréter, en particulier lorsqu'ils contiennent de nombreuses couches et de nombreux paramètres. Cela crée des défis dans les domaines où les équipes doivent expliquer, auditer ou justifier le comportement du modèle.\u003C/p\u003E\r\n\u003Cp\u003ELes modèles de deep learning peuvent aussi présenter du surapprentissage. Un modèle peut être performant sur les données d'entraînement, mais échouer sur de nouveaux exemples s'il a appris du bruit, des raccourcis ou des régularités qui ne se généralisent pas. Les biais dans les données d’entraînement peuvent également affecter le comportement du modèle, en particulier lorsque le modèle est utilisé dans des contextes à fort impact tels que les prêts, le recrutement, la santé ou les services publics.\u003C/p\u003E\r\n\u003Cp\u003ELe deep learning est puissant lorsque le problème implique des régularités complexes, que l’entreprise dispose de suffisamment de données pertinentes et que les équipes peuvent prendre en charge les exigences de calcul, d’évaluation et de gouvernance. Mais il peut s’agir d’un mauvais ajustement lorsque le jeu de données est petit, le problème métier est simple, le budget limité ou des explications claires comptent plus que des gains de précision marginaux.\u003C/p\u003E\r\n","richText":true,":type":"snowflake-site/components/text","appliedCssClassNames":"text-color-text-05"},"title_deep-learning-on-snowflake":{"id":"title-v2-adb8f6bbe5","additionalClasses":"anchor-title anchor-title--deep-learning-on-snowflake","type":"heading2","lines":["Deep learning sur Snowflake"],":type":"snowflake-site/components/title-v2"},"text_deep-learning-on-snowflake_0":{"id":"text-b3e334f5f0","text":"\u003Cp\u003ELes équipes utilisant le deep learning doivent accéder aux données gouvernées, préparer des caractéristiques, exécuter des expériences, entraîner des modèles, suivre les versions, déployer des modèles à des fins d'inférence et superviser les performances au fil du temps. Snowflake prend en charge ces flux de travail via \u003Ca href=\"https://www.snowflake.com/fr/product/features/end-to-end-ml-workflows/\"\u003ESnowflake ML\u003C/a\u003E.\u003C/p\u003E\r\n\u003Cp\u003ESnowflake ML propose des fonctionnalités pour la préparation des données, la création et l'utilisation de caractéristiques, l'entraînement de modèles sur CPU ou GPU, l'évaluation des modèles, l''opérationnalisation des pipelines, le déploiement des modèles et la supervision des modèles en production.\u003C/p\u003E\r\n\u003Cp\u003EContainer Runtime for ML offre aux équipes des environnements préconfigurés et personnalisables pour le ML sur Snowpark Container Services. Les notebooks Snowflake fournissent un environnement de développement interactif dans lequel les équipes peuvent travailler avec des données, du code et des processus ML. Associés à Container Runtime, les notebooks peuvent prendre en charge des charges de travail avancées en science des données et en ML, avec des options logicielles et matérielles conçues pour des besoins d'entraînement et d'expérimentation plus exigeants.\u003C/p\u003E\r\n\u003Cp\u003ELe registre de modèles Snowflake aide les équipes à gérer les modèles et leurs métadonnées dans Snowflake, indépendamment de leur origine et de leur type. Après l'entraînement, les équipes peuvent enregistrer un modèle dans le registre, gérer les versions et exécuter l'inférence dans Snowflake. La documentation Snowflake décrit le registre comme un moyen de gérer les modèles et leurs métadonnées de manière sécurisée et de simplifier le passage du développement à la production.\u003C/p\u003E\r\n","richText":true,":type":"snowflake-site/components/text","appliedCssClassNames":"text-color-text-05"},"title_deep-learning-in-enterprise-environments":{"id":"title-v2-21080e47c4","additionalClasses":"anchor-title anchor-title--deep-learning-in-enterprise-environments","type":"heading2","lines":["Deep learning dans les environnements d’entreprise"],":type":"snowflake-site/components/title-v2"},"text_deep-learning-in-enterprise-environments_0":{"id":"text-d2799b6ac9","text":"\u003Cp\u003ELe deep learning peut aider les entreprises à exploiter des données auparavant trop complexes pour être bien modélisées, mais sa valeur dépend des dispositifs de contrôle qui rendent ces modèles utilisables, traçables et fiables en production. Les équipes doivent savoir quelles données ont façonné le modèle, comment il a été évalué, où il est déployé, ce qui a changé depuis l'entraînement et qui est responsable lorsque la sortie influe sur un processus.\u003C/p\u003E","richText":true,":type":"snowflake-site/components/text","appliedCssClassNames":"text-color-text-05"},"callout_deep-learning-in-enterprise-environments_0":{"id":"text-0e66c33cd3","additionalClasses":"callout callout--general","text":"\u003Cp\u003E\u003Cstrong\u003EÀ RETENIR\u003C/strong\u003E\u003C/p\u003E\n\u003Cp\u003ELe deep learning aide les organisations à identifier des régularités dans des données complexes que les approches traditionnelles ne détectent souvent pas. Toutefois, créer de la valeur métier nécessite plus que l'entraînement d'un modèle : cela dépend des données, de l'infrastructure, de la gouvernance et des processus opérationnels nécessaires pour déployer et gérer l'IA à grande échelle.\u003C/p\u003E","richText":true,":type":"snowflake-site/components/text","appliedCssClassNames":"text-size-regular text-color-text-05"}},":itemsOrder":["callout__0","text__0","title_what-is-deep-learning","text_what-is-deep-learning_0","yt_what-is-deep-learning_0","title_deep-learning-examples-and-use-cases","text_deep-learning-examples-and-use-cases_0","callout_deep-learning-examples-and-use-cases_0","title_how-does-deep-learning-work","text_how-does-deep-learning-work_0","title_types-of-deep-learning-models","text_types-of-deep-learning-models_0","title_ml-vs-deep-learning-vs-generative-ai","text_ml-vs-deep-learning-vs-generative-ai_0","callout_ml-vs-deep-learning-vs-generative-ai_0","title_advantages-and-disadvantages-of-deep-learning","text_advantages-and-disadvantages-of-deep-learning_0","title_deep-learning-on-snowflake","text_deep-learning-on-snowflake_0","title_deep-learning-in-enterprise-environments","text_deep-learning-in-enterprise-environments_0","callout_deep-learning-in-enterprise-environments_0"],"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",":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-b2b7052841",":type":"snowflake-site/components/container",":items":{"text_943981956_copy_":{"id":"text-463e38119d","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-f933fb694f","additionalClasses":"page-toc","text":"\u003Cul\u003E\r\n\u003Cli data-anchor=\"what-is-deep-learning\"\u003EQu'est-ce que le deep learning ?\u003C/li\u003E\r\n\u003Cli data-anchor=\"deep-learning-examples-and-use-cases\"\u003EExemples et cas d’usage du deep learning\u003C/li\u003E\r\n\u003Cli data-anchor=\"how-does-deep-learning-work\"\u003EFonctionnement du deep learning\u003C/li\u003E\r\n\u003Cli data-anchor=\"types-of-deep-learning-models\"\u003ETypes de modèles de deep learning\u003C/li\u003E\r\n\u003Cli data-anchor=\"ml-vs-deep-learning-vs-generative-ai\"\u003EML, deep learning et IA générative : quelles différences ?\u003C/li\u003E\r\n\u003Cli data-anchor=\"advantages-and-disadvantages-of-deep-learning\"\u003EAvantages et inconvénients du deep learning\u003C/li\u003E\r\n\u003Cli data-anchor=\"deep-learning-on-snowflake\"\u003EDeep learning sur Snowflake\u003C/li\u003E\r\n\u003Cli data-anchor=\"deep-learning-in-enterprise-environments\"\u003EDeep learning dans les environnements d’entreprise\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"}},":itemsOrder":["text_943981956_copy_","text_copy"],"appliedCssClassNames":"snowflake-responsive-container-inner-padding-medium"}},":itemsOrder":["container"],"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-b2c2575c03","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",":items":{"title_v2_copy":{"id":"title-v2-3aeefe52de","additionalClasses":"hub-faq__headline","type":"heading2","lines":["Foire aux questions"],":type":"snowflake-site/components/title-v2","appliedCssClassNames":"left-alignment"},"text_copy":{"id":"text-d011099e7d","additionalClasses":"hub-faq__subheadline","text":"\u003Cp\u003ELes réponses des experts Snowflake à vos questions fréquentes sur le deep learning.\u003C/p\u003E\n","richText":true,":type":"snowflake-site/components/text","appliedCssClassNames":"text-color-text-05"}},":itemsOrder":["title_v2_copy","text_copy"],"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",":items":{"simple_snowflake_acc":{"id":"simple-snowflake-accordion-08ee029448","additionalClasses":"seo-hub__faqs","showDivider":false,"accordionItemsList":[{"title":"Le deep learning est-il identique au machine learning ?","richText":"\u003Cp\u003ENon. Le deep learning est une sous-catégorie du machine learning. Le ML inclut de nombreuses techniques, notamment des modèles linéaires, des arbres de décision, l’amplification de gradient, le clustering et les réseaux de neurones. Le deep learning utilise spécifiquement les réseaux de neurones multicouches pour apprendre des régularités à partir des données.\u003C/p\u003E\r\n"},{"title":"Le deep learning est-il identique à l’IA générative ?","richText":"\u003Cp\u003ENon. L’IA générative utilise souvent le deep learning, mais les termes ne sont pas les mêmes. Le deep learning permet de classer des images, de prévoir la demande, de détecter des fraudes ou d’identifier des anomalies sans générer de nouveau contenu. L'IA générative utilise des modèles pour créer de nouveaux textes, images, codes, fichiers audio, vidéos ou d'autres sorties.\u003C/p\u003E\r\n"},{"title":"Pourquoi le deep learning a-t-il besoin de tant de données ?","richText":"\u003Cp\u003ELes modèles de deep learning ont souvent de nombreux paramètres, ce qui signifie qu’ils ont besoin de suffisamment d’exemples pour apprendre des modèles utiles plutôt que de mémoriser les données d’entraînement. Des jeux de données plus petits peuvent encore fonctionner dans certains cas, en particulier avec l’apprentissage par transfert, mais les performances des modèles dépendent fortement de la qualité des données, de la complexité des tâches et de la conception de l’évaluation.\u003C/p\u003E\r\n"},{"title":"Quels types de données sont les plus adaptés au deep learning ?","richText":"\u003Cp\u003ELe deep learning est particulièrement utile pour les données non structurées et de haute dimension, telles que les images, le texte, l’audio, la vidéo et les données de capteurs. Il peut également être utilisé avec des données structurées, même si les techniques ML traditionnelles peuvent être plus simples, plus explicables et moins coûteuses pour de nombreux problèmes de prédiction tabulaire.\u003C/p\u003E\r\n"},{"title":"Qu'est-ce qu'une couche de réseau de neurones ?","richText":"\u003Cp\u003EUne couche de réseau de neurones est un ensemble de neurones artificiels qui transforme les données d’entrée avant de les passer à la couche suivante. Les premières couches apprennent souvent des modèles plus simples, tandis que les suivantes apprennent des représentations plus abstraites qui soutiennent la prédiction ou le résultat final.\u003C/p\u003E\r\n"},{"title":"Qu’est-ce que la rétropropagation ?","richText":"\u003Cp\u003ELa rétropropagation est la méthode d’entraînement qui aide un réseau de neurones à mettre à jour ses poids internes. Elle part à rebours de l'erreur du modèle, calcule dans quelle mesure les différents poids ont contribué à cette erreur et ajuste ces poids pour réduire la perte future.\u003C/p\u003E\r\n"},{"title":"Quand une entreprise doit-elle utiliser le deep learning ?","richText":"\u003Cp\u003EUne entreprise doit envisager le deep learning lorsque le problème implique des données complexes, de grands volumes d’exemples et des régularités difficiles à définir manuellement. Ce n’est peut-être pas le meilleur choix lorsqu’un modèle plus simple peut résoudre le problème avec des coûts inférieurs, une meilleure explicabilité et moins de frais opérationnels.\u003C/p\u003E\r\n"}],":type":"snowflake-site/components/simple-snowflake-accordion"}},":itemsOrder":["simple_snowflake_acc"]},":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-8dbaddeb28","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-a3d8a2350b",":type":"snowflake-site/components/flexible-column-container/flexible-column-content-container",":items":{"title_v2":{"id":"title-v2-fb292cd96c","additionalClasses":"hub-explore-resources-header__headline","type":"heading2","lines":["Explorez les ressources sur l’IA"],":type":"snowflake-site/components/title-v2","appliedCssClassNames":"left-alignment"}},":itemsOrder":["title_v2"]},":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-b6fd498aef","propertiesId":"hub-explore-resources-grid","type":"1-column","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":"hub-explore-resources-grid-inner",":type":"snowflake-site/components/flexible-column-container/flexible-column-content-container",":items":{"resource_chip_0":{"id":"content-chip-62b4e441a3","tagText":"BLOG","tagColor":"#71D3DC","cta":{"id":"cta","showOutboundIcon":false,"buttonLink":{"valid":true,"url":"https://www.snowflake.com/en/blog/startup-spotlight-deeptempo-cybersecurity-ai/"},"linkTargetContentType":"GENERIC",":type":"snowflake-site/components/button","linkType":"SNOWFLAKE_EXTERNAL","text":"Lire la suite"},"headline":{"id":"title-v2-cf1f3e4687","type":"heading5","lines":["Snowflake Startup Spotlight : DeepTempo"],":type":"snowflake-site/components/title-v2"},":type":"snowflake-site/components/content-chip","appliedCssClassNames":"snowflake-content-chip-white-bg"},"resource_chip_1":{"id":"content-chip-991330cd2f","tagText":"GUIDE","tagColor":"#71D3DC","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-v2-9785c4abf0","type":"heading5","lines":["Développez et gérez des modèles ML avec Feature Store et Model Registry"],":type":"snowflake-site/components/title-v2"},":type":"snowflake-site/components/content-chip","appliedCssClassNames":"snowflake-content-chip-white-bg"},"resource_chip_2":{"id":"content-chip-8bd29597cb","tagText":"BLOG","tagColor":"#71D3DC","cta":{"id":"cta","showOutboundIcon":false,"buttonLink":{"valid":true,"url":"https://www.snowflake.com/en/engineering-blog/machine-learning-container-runtime/"},"linkTargetContentType":"GENERIC",":type":"snowflake-site/components/button","linkType":"SNOWFLAKE_EXTERNAL","text":"Lire la suite"},"headline":{"id":"title-v2-f9d87f4912","type":"heading5","lines":["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_3":{"id":"content-chip-c171484a71","tagText":"GUIDE","tagColor":"#71D3DC","cta":{"id":"cta","showOutboundIcon":false,"buttonLink":{"valid":true,"url":"https://www.snowflake.com/en/developers/guides/agentic-machine-learning-best-practices-cortex-code/"},"linkTargetContentType":"GENERIC",":type":"snowflake-site/components/button","linkType":"SNOWFLAKE_EXTERNAL","text":"Lire la suite"},"headline":{"id":"title-v2-6dd80b69e8","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"}},":itemsOrder":["resource_chip_0","resource_chip_1","resource_chip_2","resource_chip_3"]},":type":"snowflake-site/components/flexible-column-container","isBlogPage":false,"isActiveTOC":false,"appliedCssClassNames":"snowflake-flexible-column-container-gray-10-bg"},"flexible_column_cont_561227620":{"id":"flexible-column-container-d7114ab4b4","type":"1-column","alignColumns":"top","containerMaxWidth":"extra-large","topPadding":"extra-large","bottomPadding":"extra-large","spaceBetween":"small","reverseOnMobile":false,"carouselOnMobile":false,"backgroundImageOption":"none","flexible_column_content_container_1":{"layout":"SIMPLE","id":"container-260169df5b",":type":"snowflake-site/components/flexible-column-container/flexible-column-content-container",":items":{"flexible_column_cont":{"id":"flexible-column-container-6555578100","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-7ce820ac82",":type":"snowflake-site/components/flexible-column-container/flexible-column-content-container",":items":{"title_v2":{"id":"title-v2-62b369f817","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":{"id":"text-ea9f793211","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"}},":itemsOrder":["title_v2","text"],"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_850139482":{"id":"flexible-column-container-2dc0522d3f","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-19b72f56aa",":type":"snowflake-site/components/flexible-column-container/flexible-column-content-container",":items":{"card_v2":{"id":"card-v2-0494ca97df","configurationStatus":{"configured":true,"message":""},":type":"snowflake-site/components/card-v2","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"},"type":"content-card","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"}},":itemsOrder":["card_v2"]},"flexible_column_content_container_2":{"layout":"SIMPLE","id":"container-cedbfbb33f",":type":"snowflake-site/components/flexible-column-container/flexible-column-content-container",":items":{"card_v2":{"id":"card-v2-85727b0835","configurationStatus":{"configured":true,"message":""},":type":"snowflake-site/components/card-v2","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"},"type":"content-card","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"}},":itemsOrder":["card_v2"]},"flexible_column_content_container_3":{"layout":"SIMPLE","id":"container-6109ae7204",":type":"snowflake-site/components/flexible-column-container/flexible-column-content-container",":items":{"card_v2":{"id":"card-v2-ce219478fb","configurationStatus":{"configured":true,"message":""},":type":"snowflake-site/components/card-v2","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"},"type":"content-card","text":{"id":"text","text":"\u003Cp\u003EPrincipes et pratiques de gouvernance pour construire des systèmes d’IA transparents, équitables, responsables et sûrs.\u003C/p\u003E\n","richText":true,":type":"snowflake-site/components/text"},"layoutStyle":"vertical"}},":itemsOrder":["card_v2"]},":type":"snowflake-site/components/flexible-column-container","isBlogPage":false,"isActiveTOC":false,"appliedCssClassNames":"snowflake-flexible-column-container-white-bg"}},":itemsOrder":["flexible_column_cont","flexible_column_cont_850139482"]},":type":"snowflake-site/components/flexible-column-container","isBlogPage":false,"isActiveTOC":false}},":itemsOrder":["flexible_column_cont","flexible_column_cont_939100716","flexible_column_cont_1237443307","flexible_column_cont_663228916","flexible_column_cont_1786318617","flexible_column_cont_1467213961","flexible_column_cont_912630531","flexible_column_cont_561227620"],":type":"wcm/foundation/components/responsivegrid"},"modal_container":{"layout":"SIMPLE","id":"container-b650768795",":type":"snowflake-site/components/modal/modal-container",":items":{},":itemsOrder":[]},"markup_editor_928258845":{"id":"markup-editor-0bbf020d00","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-d1fc8bc6d8","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-adbe580d16","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-898a851cb9","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/deep-learning"},"experiencefragment":{"id":"experiencefragment-3259216304","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/deep-learning"}},":itemsOrder":["experiencefragment-banner","experiencefragment-header","responsivegrid","modal_container","markup_editor_928258845","markup_editor_597730182","markup_editor","experiencefragment-footer","experiencefragment"],":type":"wcm/foundation/components/responsivegrid"}},":itemsOrder":["root"],":hierarchyType":"page",":path":"/content/snowflake-site/global/fr/artificial-intelligence/machine-learning/deep-learning","isPasswordProtected":false,"analyticsContentTags":[],"analyticsEnabled":true,"coveoConfig":{"searchHub":"snowflake.com","pipeline":"snowflake.com","apiKey":"xx335921a6-2a0a-40f2-a167-e390b4766c3d","organizationId":"snowflakecomputingproduction8neljofn"},"analyticsDebugMode":false,"analyticsData":{"excludeFromAnalytics":false,"subCategory":"","pageType":"homepage","templateName":"base-page-template54","siteName":"snowflake","pageUrl":"/content/snowflake-site/global/fr/artificial-intelligence/machine-learning/deep-learning","language":"fr","category":"general","pageName":"Deep learning Comment les réseaux de neurones transforment des données complexes en IA d’entreprise","contentTags":[]},"locale":"fr"}