{"cssClassNames":"page basicpage summit-page","templateName":"base-page-template54","allowedRenditionsWidth":["320","480","640","768","960","1200","1440","1920"],"description":"Découvrez le MLOps et la façon dont il relie données, modèles, gouvernance et surveillance en production. Explorez son cycle de vie, ses niveaux de maturité et ses bonnes pratiques essentielles.","language":"fr","title":"Qu’est-ce que le MLOps ? Cycle de vie, bonnes pratiques et avantages | Snowflake","analyticsPageType":"homepage","analyticsCategory":"general","analyticsSubCategory":"","excludeFromAnalytics":false,":mappedPath":"/fr/artificial-intelligence/machine-learning/mlops/",":type":"snowflake-site/components/structure/page",":items":{"root":{"columnCount":12,"gridClassNames":"aem-Grid aem-Grid--12 aem-Grid--default--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"},":items":{"experiencefragment-banner":{"id":"experiencefragment-9ded9387fa","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/mlops"},"experiencefragment-header":{"id":"experiencefragment-f265b8c9c4","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/mlops"},"responsivegrid":{"columnCount":12,"gridClassNames":"aem-Grid aem-Grid--12 aem-Grid--default--12","columnClassNames":{"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_251957817":"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"},":items":{"flexible_column_cont":{"id":"flexible-column-container-46ea67f605","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-da20881aef",":type":"snowflake-site/components/flexible-column-container/flexible-column-content-container",":items":{"breadcrumb":{"id":"breadcrumb-de15e4e691","items":[{"id":"breadcrumb-de15e4e691-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-de15e4e691-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-de15e4e691-item-8f55d6e367","link":{"valid":true,"url":"/fr/artificial-intelligence/machine-learning/mlops/"},"active":true,"current":true,"title":"MLOps",":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-832f90264b","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-fa0dccd132",":type":"snowflake-site/components/flexible-column-container/flexible-column-content-container",":items":{"title_v2":{"id":"title-v2-222d89f462","additionalClasses":"hub-hero__headline","type":"heading1","lines":["MLOps : comment données, modèles et gouvernance s’articulent en production"],":type":"snowflake-site/components/title-v2","appliedCssClassNames":"left-alignment"},"text":{"id":"text-18a058dfaf","additionalClasses":"hub-hero__subheadline","text":"\u003Cp\u003EUn modèle de ML en production dépend des données, des features, de l’infrastructure, des approbations et des boucles de feedback, et le MLOps est la discipline opérationnelle qui permet à toutes ces pièces de fonctionner ensemble.\u003C/p\u003E","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,"gridClassNames":"aem-Grid aem-Grid--12 aem-Grid--default--12","columnClassNames":{"content_chip_copy":"aem-GridColumn aem-GridColumn--default--12","content_chip":"aem-GridColumn aem-GridColumn--default--12"},"id":"container-f0719082ab",":type":"snowflake-site/components/container",":items":{"content_chip":{"id":"content-chip-28f49314ba","cta":{"id":"cta","showOutboundIcon":false,"linkTargetContentType":"GENERIC",":type":"snowflake-site/components/button","linkType":"SNOWFLAKE_INTERNAL","text":"Lire la biographie"},"image":{"id":"image","height":"800","alt":"Laurie MacPherson","src":"https://www.snowflake.com/adobe/dynamicmedia/deliver/dm-aid--a7e9fdff-6f08-4edc-9cd1-e213bb234aaa/laurie-macpherson.jpg?quality=85&preferwebp=true","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_copy":{"id":"content-chip-0a99cbfea5","cta":{"id":"cta","showOutboundIcon":false,"linkTargetContentType":"GENERIC",":type":"snowflake-site/components/button","linkType":"SNOWFLAKE_INTERNAL","text":"Lire la biographie"},"image":{"id":"image","height":"709","alt":"David Gaule","src":"https://www.snowflake.com/adobe/dynamicmedia/deliver/dm-aid--9ad7a3c0-e23e-4370-bc36-f59a5fe02eff/img-1817.jpg?quality=85&preferwebp=true","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"}},":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-b8bad24de4",":type":"snowflake-site/components/flexible-column-container/flexible-column-content-container",":items":{"youtube":{"id":"embed-0d87bf5f9e","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_251957817":{"id":"flexible-column-container-f4fdbe6f6a","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-f4372c783f",":type":"snowflake-site/components/flexible-column-container/flexible-column-content-container",":items":{"text":{"id":"text-2622b05e32","additionalClasses":"seo-hub-hero__related-topic-lable","text":"\u003Cp\u003EThèmes MLOps :\u003C/p\u003E\n","richText":true,":type":"snowflake-site/components/text","appliedCssClassNames":"text-size-regular text-color-text-05"},"text_205167574":{"id":"text-3778ace8c4","additionalClasses":"related-topics","text":"\u003Cul\u003E\n\u003Cli\u003E\u003Ca href=\"https://www.snowflake.com/en/artificial-intelligence/machine-learning/mlops/data-pipelines/\"\u003EPipelines de données IA\u003C/a\u003E\u003C/li\u003E\n\u003Cli\u003E\u003Ca href=\"https://www.snowflake.com/en/artificial-intelligence/machine-learning/mlops/model-deployment/\"\u003EDéploiement de modèles ML\u003C/a\u003E\u003C/li\u003E\n\u003Cli\u003E\u003Ca href=\"https://www.snowflake.com/en/artificial-intelligence/machine-learning/mlops/model-serving/\"\u003EMise en service de modèles ML\u003C/a\u003E\u003C/li\u003E\n\u003Cli\u003E\u003Ca href=\"https://www.snowflake.com/en/artificial-intelligence/machine-learning/mlops/pipelines/\"\u003EPipelines ML\u003C/a\u003E\u003C/li\u003E\n\u003C/ul\u003E\n","richText":true,":type":"snowflake-site/components/text","appliedCssClassNames":"text-size-small"}},":itemsOrder":["text","text_205167574"]},":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-e55f41efe2","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-3152a6f047","additionalClasses":"callout callout--general","text":"\u003Cp\u003E\u003Cstrong\u003EDÉFINITION DU MLOPS\u003C/strong\u003E\u003C/p\u003E\n\u003Cp\u003ELe MLOps est un ensemble de pratiques inspirées du DevOps, centrées sur le déploiement, la surveillance, la gouvernance et l’amélioration continue des modèles de machine learning en production.\u003C/p\u003E","richText":true,":type":"snowflake-site/components/text","appliedCssClassNames":"text-size-regular text-color-text-05"},"text__0":{"id":"text-a34897693a","text":"\u003Cp\u003EBeaucoup d’équipes abordent le MLOps en commençant par le modèle : comment il a été entraîné, où il sera déployé et à quelle vitesse il pourra être réentraîné. Mais en production, le modèle n’est qu’un objet dans un système bien plus vaste : la table qui l’a alimenté, la définition de feature qui l’a façonné, l’étiquette arrivée avec trois jours de retard, le schéma modifié en amont et la politique d’accès qui détermine qui peut utiliser la sortie.\u003C/p\u003E\n\u003Cp\u003EC’est pourquoi le MLOps ne se résume pas à « du DevOps pour les modèles ». Le MLOps reprend au DevOps l’automatisation, le CI/CD et la discipline de release, mais il doit aussi gérer des enjeux propres aux modèles auxquels les équipes de développement logiciel ne sont généralement pas confrontées : dérive des données (data drift), dérive conceptuelle, réutilisation des features, écart entre entraînement et serving, explicabilité des modèles, traçabilité des modèles et réentraînement à partir de nouveaux résultats en production. Le MLOps relie ces dépendances afin que les modèles puissent intégrer des applications qui restent fiables à mesure que l’activité, les données et l’environnement opérationnel évoluent.\u003C/p\u003E","richText":true,":type":"snowflake-site/components/text","appliedCssClassNames":"text-color-text-05"},"title_what-is-mlops":{"id":"title-v2-436cb1d617","additionalClasses":"anchor-title anchor-title--what-is-mlops","type":"heading2","lines":["Qu’est-ce que le MLOps ?"],":type":"snowflake-site/components/title-v2"},"text_what-is-mlops_0":{"id":"text-28263d127f","text":"\u003Cp\u003ELe MLOps est l’ensemble des pratiques qui automatisent et standardisent le déploiement, la surveillance et la maintenance des modèles de ML en production. Ces pratiques aident les équipes à gérer tout le cycle de vie du \u003Ca href=\"https://www.snowflake.com/fr/artificial-intelligence/machine-learning/\"\u003Emachine learning\u003C/a\u003E.\u003C/p\u003E\r\n\u003Cp\u003EComme son équivalent logiciel, un modèle dépend du code. Mais il dépend aussi des données d’entraînement, des features, des étiquettes, des paramètres, des métriques d’évaluation, des dépendances d’exécution, de l’infrastructure de serving et du feedback de l’environnement où les prédictions sont utilisées. Le MLOps permet aux équipes de versionner ces actifs, de les tester, de les faire passer par des points de validation, de les déployer de façon cohérente et de vérifier s’ils continuent de se comporter comme prévu.\u003C/p\u003E\r\n","richText":true,":type":"snowflake-site/components/text","appliedCssClassNames":"text-color-text-05"},"title_why-mlops-matters":{"id":"title-v2-cc68f38df7","additionalClasses":"anchor-title anchor-title--why-mlops-matters","type":"heading2","lines":["Pourquoi le MLOps est essentiel"],":type":"snowflake-site/components/title-v2"},"text_why-mlops-matters_0":{"id":"text-2ff332ab74","text":"\u003Cp\u003EUn modèle qui évalue des leads, prévoit la demande, oriente les tickets de support ou signale des transactions suspectes n’est pas seulement un actif de data science. Il fait désormais partie d’un workflow opérationnel : les équipes métier s’appuient sur ses sorties, tandis que les équipes techniques doivent le maintenir disponible, à jour et explicable.\u003C/p\u003E\n\u003Cp\u003EAvec des processus MLOps solides, les équipes peuvent mieux assumer cette responsabilité à grande échelle. « Le MLOps est souvent décrit comme un défi d’outillage, mais dans la pratique, le principal obstacle vient de workflows fragmentés », explique Trace Smith, Senior AI/ML Architect, Applied Field Engineering chez Snowflake. « La dynamique actuelle va vers un environnement data et ML plus unifié, où la gouvernance et les workflows de modèles sont réunis dans un même modèle opérationnel. C’est ce qui contribue à réduire les frictions opérationnelles et à accélérer le passage en production. »\u003C/p\u003E\n\u003Cp\u003EAu lieu de traiter chaque modèle comme un projet ponctuel, les équipes peuvent s’appuyer sur des pipelines reproductibles, la surveillance, la gestion des versions et des contrôles de gouvernance pour accélérer la mise en production, détecter les variations de performance et effectuer des mises à jour sans reconstruire le processus opérationnel de zéro.\u003C/p\u003E\n\u003Cp\u003ELe MLOps aide les équipes de trois façons concrètes :\u003C/p\u003E\n\u003Cul\u003E\n\u003Cli\u003E\u003Cstrong\u003EDélai de commercialisation plus court :\u003C/strong\u003E Les pipelines automatisés aident les équipes à passer de passages de relais manuels à des processus reproductibles d’entraînement, de test, de packaging et de déploiement.\u003C/li\u003E\n\u003Cli\u003E\u003Cstrong\u003EFiabilité améliorée :\u003C/strong\u003E La surveillance aide les équipes à détecter les changements de performance, les dérives, les problèmes de qualité des données et les échecs à l’exécution avant qu’ils n’affectent discrètement les décisions en aval.\u003C/li\u003E\n\u003Cli\u003E\u003Cstrong\u003EScalabilité et gouvernance renforcées :\u003C/strong\u003E La gestion des versions, la traçabilité des données, les workflows d’approbation et les contrôles d’accès aident les organisations à exploiter davantage de modèles dans plus d’équipes, sans dépendre d’une coordination informelle.\u003C/li\u003E\n\u003C/ul\u003E","richText":true,":type":"snowflake-site/components/text","appliedCssClassNames":"text-color-text-05"},"quote_why-mlops-matters_0":{"id":"quote-item-3a70848eea","alignment":"left","layout":"simple","quoteSourceName":"Trace Smith","quoteSourceTitle":"Snowflake Senior AI/ML Architect, Applied Field Engineering","showQuoteIcon":true,"quote":"Le MLOps est souvent décrit comme un défi d’outillage, mais dans la pratique, le principal obstacle vient de workflows fragmentés. La dynamique actuelle va vers un environnement data et ML plus unifié, où la gouvernance et les workflows de modèles sont réunis dans un même modèle opérationnel. C’est ce qui contribue à réduire les frictions opérationnelles et à accélérer le passage en production. ","showHangingPunctuation":false,":type":"snowflake-site/components/quote-item"},"title_mlops-vs-devops":{"id":"title-v2-f08b604e82","additionalClasses":"anchor-title anchor-title--mlops-vs-devops","type":"heading2","lines":["MLOps vs DevOps"],":type":"snowflake-site/components/title-v2"},"text_mlops-vs-devops_0":{"id":"text-d115876285","text":"\u003Cp\u003ELe DevOps se concentre sur la livraison logicielle. Le MLOps va plus loin : il couvre les données et le comportement statistique des systèmes de ML.\u003C/p\u003E\n\u003Ctable\u003E\u003Cthead\u003E\u003Ctr\u003E\u003Cth\u003E\u003C/th\u003E\u003Cth\u003EDevOps\u003C/th\u003E\u003Cth\u003EMLOps\u003C/th\u003E\u003C/tr\u003E\u003C/thead\u003E\n\u003Ctbody\u003E\n\u003Ctr\u003E\u003Ctd\u003E\u003Cstrong\u003EActif principal\u003C/strong\u003E\u003C/td\u003E\u003Ctd\u003ECode applicatif et infrastructure\u003C/td\u003E\u003Ctd\u003ECode, données, features, modèles, métriques et artefacts\u003C/td\u003E\u003C/tr\u003E\n\u003Ctr\u003E\u003Ctd\u003E\u003Cstrong\u003EGestion des versions\u003C/strong\u003E\u003C/td\u003E\u003Ctd\u003ECode, configuration et définitions d’infrastructure\u003C/td\u003E\u003Ctd\u003ECode, jeux de données, features, paramètres, modèles, résultats d’évaluation et métadonnées de déploiement\u003C/td\u003E\u003C/tr\u003E\n\u003Ctr\u003E\u003Ctd\u003E\u003Cstrong\u003ETests\u003C/strong\u003E\u003C/td\u003E\u003Ctd\u003ETests unitaires, d’intégration, de sécurité et de performance\u003C/td\u003E\u003Ctd\u003EValidation des données, vérification des features, évaluation des modèles, tests d’équité, tests de robustesse et tests opérationnels\u003C/td\u003E\u003C/tr\u003E\n\u003Ctr\u003E\u003Ctd\u003E\u003Cstrong\u003EDéploiement\u003C/strong\u003E\u003C/td\u003E\u003Ctd\u003EPublication applicative via CI/CD\u003C/td\u003E\u003Ctd\u003EPackaging du modèle, approbation dans le registre, serving par lots ou en temps réel, et restauration\u003C/td\u003E\u003C/tr\u003E\n\u003Ctr\u003E\u003Ctd\u003E\u003Cstrong\u003ERisque en production\u003C/strong\u003E\u003C/td\u003E\u003Ctd\u003EBugs, interruptions de service, latence et problèmes de sécurité\u003C/td\u003E\u003Ctd\u003EDérive des données, dérive conceptuelle, dégradation du modèle, biais, latence, coût et défaillances opérationnelles\u003C/td\u003E\u003C/tr\u003E\n\u003Ctr\u003E\u003Ctd\u003E\u003Cstrong\u003EBoucle d’amélioration\u003C/strong\u003E\u003C/td\u003E\u003Ctd\u003EModifications du code fondées sur les bugs, les incidents et les demandes de fonctionnalités\u003C/td\u003E\u003Ctd\u003ERéentraînement et redéploiement fondés sur de nouvelles données, des étiquettes, des retours et des signaux de monitoring\u003C/td\u003E\u003C/tr\u003E\n\u003C/tbody\u003E\u003C/table\u003E","richText":true,":type":"snowflake-site/components/text","appliedCssClassNames":"text-color-text-05"},"callout_mlops-vs-devops_0":{"id":"text-e561d277c8","additionalClasses":"callout callout--warning","text":"\u003Cp\u003E\u003Cstrong\u003EPIÈGE COURANT\u003C/strong\u003E\u003C/p\u003E\n\u003Cp\u003EÉvitez de réduire le MLOps au déploiement des modèles. Considérez-le plutôt comme un enjeu de gestion des systèmes. Les modèles peuvent se dégrader lorsque les données, les features ou les conditions métier évoluent. Le monitoring, la gouvernance et le réentraînement deviennent alors essentiels pour garantir leur fiabilité à long terme.\u003C/p\u003E","richText":true,":type":"snowflake-site/components/text","appliedCssClassNames":"text-size-regular text-color-text-05"},"title_the-mlops-lifecycle":{"id":"title-v2-4a95573f30","additionalClasses":"anchor-title anchor-title--the-mlops-lifecycle","type":"heading2","lines":["Le cycle de vie du MLOps"],":type":"snowflake-site/components/title-v2"},"text_the-mlops-lifecycle_0":{"id":"text-b22dae5e6d","text":"\u003Cp\u003ELe processus MLOps fonctionne comme une boucle, plutôt que comme une passation linéaire. Les équipes collectent et valident les données, préparent les features, entraînent et évaluent les modèles, enregistrent et déploient les versions approuvées, puis réinjectent les signaux de production dans le cycle suivant de monitoring et de réentraînement.\u003C/p\u003E\n\u003Ch3\u003ECollecte et ingestion des données\u003C/h3\u003E\n\u003Cp\u003ELe cycle de vie commence avec les données issues de systèmes sources tels que les bases de données, fichiers, flux, API, applications et jeux de données tiers. Pour le ML en production, l’ingestion ne consiste pas seulement à déplacer des données vers un environnement d’entraînement. Elle préserve suffisamment de contexte pour comprendre d’où viennent les données, leur niveau d’actualisation et si elles peuvent être utilisées pour l’objectif prévu.\u003C/p\u003E\n\u003Ch3\u003EValidation des données et contrôles qualité\u003C/h3\u003E\n\u003Cp\u003EAvant d’utiliser les données pour l’entraînement ou l’\u003Ca href=\"https://www.snowflake.com/en/artificial-intelligence/machine-learning/inference/\"\u003Einférence\u003C/a\u003E, il faut vérifier les valeurs manquantes, les changements de schéma, les valeurs aberrantes, les doublons, les biais, les problèmes de confidentialité et la fraîcheur des données. Ces vérifications permettent d’éviter que des saisies incorrectes ne deviennent un comportement de modèle. Par exemple, une colonne qui passe d’un entier à une chaîne, un flux qui cesse de se mettre à jour ou une étiquette disponible plus tard que prévu peuvent affecter la qualité du modèle bien avant qu’une défaillance visible en production ne soit détectée.\u003C/p\u003E\n\u003Ch3\u003EPréparation des données et feature engineering\u003C/h3\u003E\n\u003Cp\u003E\u003Ca href=\"https://www.snowflake.com/en/artificial-intelligence/machine-learning/feature-engineering/\"\u003ELe feature engineering\u003C/a\u003E (ou ingénierie des caractéristiques) transforme les données brutes en signaux prêts pour les modèles, en les nettoyant, transformant, joignant, étiquetant et enrichissant. Dans les environnements MLOps matures, les équipes définissent une seule fois les features couramment utilisées, puis les réutilisent de manière cohérente pour l’entraînement et l’inférence. Cela réduit le risque qu’une équipe calcule « client actif » ou « volume de transactions récentes » différemment d’une autre, ou qu’un modèle en production utilise une logique de feature qui ne correspond plus à la version utilisée pendant l’entraînement.\u003C/p\u003E\n\u003Ch3\u003EDéveloppement de modèles\u003C/h3\u003E\n\u003Cp\u003ELes data scientists et les ML engineers entraînent les modèles à l’aide de notebooks, de scripts, du machine learning automatisé (AutoML) ou de \u003Ca href=\"https://www.snowflake.com/en/fundamentals/machine-learning-frameworks/\"\u003Eframeworks de ML\u003C/a\u003E. Ils comparent les algorithmes, les paramètres, les fenêtres d’entraînement et les jeux de données afin d’identifier l’approche la mieux adaptée au problème de prédiction. La principale exigence MLOps pour le développement de modèles est que les expérimentations produisent suffisamment de métadonnées pour qu’une autre personne, un pipeline ou un workflow d’approbation puisse comprendre ce qui a été entraîné, quelles données ont été utilisées et quelles performances le modèle a obtenues.\u003C/p\u003E\n\u003Ch3\u003ESuivi des expériences\u003C/h3\u003E\n\u003Cp\u003ELe suivi des expériences consigne les versions des modèles, les jeux de données, le code, les paramètres, les métriques, les artefacts et les résultats. Sans lui, les équipes peuvent savoir qu’une exécution a obtenu de meilleurs résultats qu’une autre, mais pas pourquoi. Avec lui, elles peuvent comparer les modèles candidats, reproduire un résultat et expliquer quelle version du modèle a été promue en production.\u003C/p\u003E\n\u003Ch3\u003EValidation et évaluation des modèles\u003C/h3\u003E\n\u003Cp\u003EL’évaluation des modèles vérifie qu’un modèle entraîné est précis, fiable et adapté au processus métier qu’il doit prendre en charge. L’évaluation inclut le suivi de métriques techniques comme l’exactitude, la précision, le rappel, le score F1, l’AUC, le RMSE et la latence, ainsi que l’équité, la robustesse et les KPI métier. Le processus d’évaluation doit aussi vérifier que le modèle se comporte de manière acceptable pour les segments, régions, gammes de produits ou catégories de risque clés, et pas seulement qu’il affiche de bonnes performances en moyenne.\u003C/p\u003E\n\u003Ch3\u003EPackaging et enregistrement des modèles\u003C/h3\u003E\n\u003Cp\u003EUne fois le modèle évalué avec succès, les équipes le packagent avec ses dépendances et ses métadonnées, puis le stockent dans un registre de modèles. Ce registre offre un espace contrôlé pour gérer les versions, le statut d’approbation, la traçabilité, l’état de déploiement et les métadonnées opérationnelles.\u003C/p\u003E\n\u003Ch3\u003EDéploiement des modèles\u003C/h3\u003E\n\u003Cp\u003ELe déploiement des modèles met le modèle en production sous forme de tâches par lots, d’API en temps réel, de pipeline d’inférence en streaming, de fonctionnalité applicative intégrée ou de déploiement en périphérie. Le mode de mise à disposition dépend des exigences de latence, de coût, d’actualisation et des besoins métier. Par exemple, un modèle de détection de la fraude peut nécessiter une inférence en temps réel, tandis qu’un modèle mensuel de propension peut s’exécuter comme une tâche de scoring par lots qui réécrit les prédictions dans une table pour une utilisation en aval.\u003C/p\u003E\n\u003Ch3\u003EMise en service des modèles\u003C/h3\u003E\n\u003Cp\u003EAprès le déploiement, le modèle doit être mis à disposition d’une manière qui respecte les exigences de latence, d’échelle, de coût et d’actualisation de l’application. La mise en service des modèles est la couche d’exécution qui rend les prédictions disponibles via le scoring par lots, les API en temps réel, l’inférence en streaming, la logique applicative intégrée ou les environnements en périphérie. Cette couche doit gérer la préparation des entrées, la récupération des features, les dépendances d’exécution, la mise à l’échelle, les contrôles d’accès, la latence et la gestion des erreurs, afin que la version approuvée du modèle puisse être utilisée de façon fiable en production.\u003C/p\u003E\n\u003Ch3\u003ESupervision des modèles\u003C/h3\u003E\n\u003Cp\u003ELa supervision des modèles vérifie qu’un modèle continue de se comporter comme prévu après son déploiement. Les équipes surveillent généralement les performances en production, la latence, les erreurs, la dérive des données, la dérive conceptuelle, la qualité du modèle, les coûts et la santé opérationnelle.\u003C/p\u003E\n\u003Ch3\u003EFeedback et réentraînement\u003C/h3\u003E\n\u003Cp\u003ELes prédictions en production créent des informations : étiquettes, actions des utilisateurs, résultats métier, feedback humain et signaux de dérive. Les MLOps réinjectent ces informations dans le cycle de vie afin que les équipes puissent réentraîner, revalider et redéployer les modèles lorsque la version actuelle n’offre plus des performances suffisantes. Le déclencheur du réentraînement peut être planifié, piloté par des événements ou lié à des seuils de supervision, selon le risque et la volatilité du cas d’usage.\u003C/p\u003E\n\u003Ch3\u003EGouvernance et conformité\u003C/h3\u003E\n\u003Cp\u003E\u003Ca href=\"https://www.snowflake.com/fr/artificial-intelligence/ai-governance/\"\u003ELa gouvernance\u003C/a\u003E couvre tout le cycle de vie du ML. Les équipes doivent gérer les accès, les pistes d’audit, l’explicabilité, la traçabilité, la confidentialité, la sécurité, les approbations et les exigences réglementaires, des données brutes jusqu’à l’inférence en production. C’est particulièrement important lorsque les modèles influencent le crédit, la tarification, les soins de santé, l’emploi, la détection de la fraude, la sécurité ou d’autres décisions à fort impact. La gouvernance aide également les équipes à répondre à des questions opérationnelles essentielles : Quelle version du modèle est en cours d’exécution ? Quelles données ont servi à l’entraîner ? Quelles features utilise-t-il ? Qui l’a approuvé ? Qu’est-ce qui a changé depuis la dernière version ?\u003C/p\u003E\n","richText":true,":type":"snowflake-site/components/text","appliedCssClassNames":"text-color-text-05"},"card_v2_the-mlops-lifecycle_0":{"id":"card-v2-8eeb242ee4","additionalClasses":"seo-customer","configurationStatus":{"configured":true,"message":""},":type":"snowflake-site/components/card-v2","title":{"id":"title","type":"heading4","lines":["IGS Energy"],":type":"snowflake-site/components/title-v2"},"button":{"id":"button","showOutboundIcon":false,"buttonLink":{"valid":true,"url":"/fr/customers/all-customers/case-study/igs-energy/"},"linkTargetContentType":"GENERIC",":type":"snowflake-site/components/button","linkType":"SNOWFLAKE_INTERNAL","text":"Lire l’étude de cas complète"},"image":{"id":"image","height":"351","alt":"ISG Energy Logo","src":"https://www.snowflake.com/adobe/dynamicmedia/deliver/dm-aid--90de0532-42fa-442f-addd-8b8217bbad20/igs-energy%25403x.png?quality=85&preferwebp=true","lazyEnabled":true,"width":"624",":type":"snowflake-site/components/image"},"type":"content-card","text":{"id":"text","text":"\u003Cp\u003EIGS Energy utilise Snowflake comme socle de son infrastructure de données pour prendre en charge des cas d’usage d’IA et de machine learning comme la prévision de la demande, la détection d’anomalies et des itérations plus rapides avec les parties prenantes grâce à Streamlit. En passant de centaines de milliers de modèles de prévision individuels dans Databricks à un modèle unifié dans Snowflake, IGS a réduit ses coûts d’entraînement de 75 %, tout en conservant la précision et en générant en quelques minutes des prévisions pour des centaines de milliers de clients.\u003C/p\u003E\n","richText":true,":type":"snowflake-site/components/text"},"layoutStyle":"horizontal"},"title_core-components-of-mlops":{"id":"title-v2-207a898a71","additionalClasses":"anchor-title anchor-title--core-components-of-mlops","type":"heading2","lines":["Composants clés des MLOps"],":type":"snowflake-site/components/title-v2"},"text_core-components-of-mlops_0":{"id":"text-ac77c349f4","text":"\u003Cp\u003ELes MLOps reposent sur un ensemble de composants connectés. Certaines organisations assemblent ces composants dans plusieurs systèmes, tandis que d’autres privilégient une plateforme intégrée qui rapproche les données, la gestion des features, les opérations liées aux modèles et la gouvernance.\u003C/p\u003E\n\u003Ctable\u003E\u003Cthead\u003E\u003Ctr\u003E\u003Cth\u003EComposant\u003C/th\u003E\u003Cth\u003EFinalité\u003C/th\u003E\u003C/tr\u003E\u003C/thead\u003E\n\u003Ctbody\u003E\n\u003Ctr\u003E\u003Ctd\u003E\u003Cstrong\u003EPipelines de données\u003C/strong\u003E\u003C/td\u003E\u003Ctd\u003EDéplacer, nettoyer, valider et transformer les données pour l’entraînement et l’inférence\u003C/td\u003E\u003C/tr\u003E\n\u003Ctr\u003E\u003Ctd\u003E\u003Cstrong\u003EFeature Store\u003C/strong\u003E\u003C/td\u003E\u003Ctd\u003EDéfinir, réutiliser, servir et superviser les features de façon cohérente\u003C/td\u003E\u003C/tr\u003E\n\u003Ctr\u003E\u003Ctd\u003E\u003Cstrong\u003ESuivi des expériences\u003C/strong\u003E\u003C/td\u003E\u003Ctd\u003ECapturer les paramètres, les métriques, les jeux de données, les versions du code et les artefacts de modèles\u003C/td\u003E\u003C/tr\u003E\n\u003Ctr\u003E\u003Ctd\u003E\u003Cstrong\u003EPipeline d’entraînement des modèles\u003C/strong\u003E\u003C/td\u003E\u003Ctd\u003EAutomatiser l’entraînement, l’ajustement, l’évaluation et la reproductibilité\u003C/td\u003E\u003C/tr\u003E\n\u003Ctr\u003E\u003Ctd\u003E\u003Cstrong\u003ERegistre des modèles et gestion des versions\u003C/strong\u003E\u003C/td\u003E\u003Ctd\u003EStocker les versions approuvées des modèles, les métadonnées, la traçabilité et l’état de déploiement\u003C/td\u003E\u003C/tr\u003E\n\u003Ctr\u003E\u003Ctd\u003E\u003Cstrong\u003EPipelines d’intégration continue et de livraison continue/déploiement continu (CI/CD)\u003C/strong\u003E\u003C/td\u003E\u003Ctd\u003EAutomatiser les tests, la validation, le packaging, le déploiement et la restauration\u003C/td\u003E\u003C/tr\u003E\n\u003Ctr\u003E\u003Ctd\u003E\u003Cstrong\u003ECouche de service des modèles\u003C/strong\u003E\u003C/td\u003E\u003Ctd\u003EExposer les versions de modèles approuvées pour l’inférence via le scoring par lots, les API, le streaming, la logique applicative embarquée ou les environnements en périphérie, tout en gérant la latence, la mise à l’échelle, les dépendances, les contrôles d’accès et les erreurs\u003C/td\u003E\u003C/tr\u003E\n\u003Ctr\u003E\u003Ctd\u003E\u003Cstrong\u003ESurveillance et observabilité\u003C/strong\u003E\u003C/td\u003E\u003Ctd\u003ESuivre l’état du système, les performances des modèles, la dérive, la qualité et les coûts\u003C/td\u003E\u003C/tr\u003E\n\u003Ctr\u003E\u003Ctd\u003E\u003Cstrong\u003EOrchestration\u003C/strong\u003E\u003C/td\u003E\u003Ctd\u003EPlanifier et gérer les workflows couvrant les données, l’entraînement, le déploiement et la surveillance\u003C/td\u003E\u003C/tr\u003E\n\u003Ctr\u003E\u003Ctd\u003E\u003Cstrong\u003EGouvernance et sécurité\u003C/strong\u003E\u003C/td\u003E\u003Ctd\u003EMettre en application les pratiques de contrôle d’accès, d’auditabilité, de confidentialité, de conformité et d’\u003Ca href=\"https://www.snowflake.com/fr/artificial-intelligence/ai-governance/responsible-ai/\"\u003EIA responsable\u003C/a\u003E\u003C/td\u003E\u003C/tr\u003E\n\u003Ctr\u003E\u003Ctd\u003E\u003Cstrong\u003EEntraînement continu\u003C/strong\u003E\u003C/td\u003E\u003Ctd\u003EUtiliser les résultats de production pour l’évaluation, le réentraînement et l’amélioration des modèles\u003C/td\u003E\u003C/tr\u003E\n\u003C/tbody\u003E\u003C/table\u003E","richText":true,":type":"snowflake-site/components/text","appliedCssClassNames":"text-color-text-05"},"title_mlops-maturity-levels":{"id":"title-v2-178904526f","additionalClasses":"anchor-title anchor-title--mlops-maturity-levels","type":"heading2","lines":["Niveaux de maturité MLOps"],":type":"snowflake-site/components/title-v2"},"text_mlops-maturity-levels_0":{"id":"text-e373c7f47c","text":"\u003Cp\u003ELa maturité MLOps progresse généralement à mesure que les équipes automatisent davantage le cycle de vie et renforcent les contrôles liés à la reproductibilité, à la surveillance et à la gouvernance. \u003Ca href=\"https://docs.cloud.google.com/architecture/mlops-continuous-delivery-and-automation-pipelines-in-machine-learning\" target=\"_blank\"\u003ELe modèle de maturité MLOps de Google Cloud\u003C/a\u003E est une référence courante.\u003C/p\u003E\n\u003Ch3\u003ENiveau 0 : Processus manuel\u003C/h3\u003E\n\u003Cp\u003EAu niveau 0, le travail de ML repose sur des notebooks et reste très manuel. Les data scientists préparent les données, entraînent les modèles, évaluent les résultats et transmettent les artefacts via des processus informels. Cela peut suffire pour expérimenter, mais crée des risques lorsque les modèles doivent être reproduits, mis à jour ou surveillés en production.\u003C/p\u003E\n\u003Ch3\u003ENiveau 1 : Automatisation du pipeline ML\u003C/h3\u003E\n\u003Cp\u003EAu niveau 1, les équipes automatisent le pipeline ML afin que les modèles puissent être réentraînés sur de nouvelles données, avec des étapes de validation, d’entraînement et d’évaluation reproductibles. L’objectif est l’entraînement continu : une approche contrôlée pour mettre à jour les modèles à mesure que de nouvelles données deviennent disponibles. Ce niveau réduit les passages de relais manuels, mais le pipeline lui-même peut encore nécessiter une gestion spécifique pour les distributions.\u003C/p\u003E\n\u003Ch3\u003ENiveau 2 : Automatisation du pipeline CI/CD\u003C/h3\u003E\n\u003Cp\u003EAu niveau 2, les équipes automatisent la création, les tests et le déploiement des pipelines ML eux-mêmes. Les changements apportés au code, à la logique de validation des données, aux workflows d’entraînement et aux définitions de déploiement passent par des processus CI/CD. C’est à ce stade que les opérations ML ressemblent davantage à une discipline d’ingénierie de production, avec des pipelines versionnés, des tests automatisés et une promotion contrôlée entre les environnements.\u003C/p\u003E\n\u003Ch3\u003EMaturité avancée : Opérations autonomes et gouvernées\u003C/h3\u003E\n\u003Cp\u003ECertains modèles de maturité ajoutent un niveau supérieur pour les opérations avancées ou autonomes. À ce stade, les signaux de supervision peuvent déclencher des workflows de réentraînement, les contrôles de gouvernance sont intégrés aux processus de promotion et les équipes peuvent gérer un grand nombre de modèles selon des politiques homogènes. L’objectif n’est pas de supprimer le jugement humain, en particulier pour les modèles à fort impact, mais de rendre plus systématiques les processus courants de détection, de validation et d’escalade.\u003C/p\u003E\n\u003Cp\u003E\u003Cem\u003EDécouvrez comment utiliser Snowflake ML pour créer et opérationnaliser des modèles à grande échelle :\u003C/em\u003E\u003C/p\u003E","richText":true,":type":"snowflake-site/components/text","appliedCssClassNames":"text-color-text-05"},"yt_mlops-maturity-levels_0":{"id":"embed-441e8a89c2","youtubeVideoId":"kBYZVIXgh1o","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_mlops-for-generative-ai-and-llmops":{"id":"title-v2-c399d9d1fc","additionalClasses":"anchor-title anchor-title--mlops-for-generative-ai-and-llmops","type":"heading2","lines":["MLOps pour l’IA générative et le LLMOps"],":type":"snowflake-site/components/title-v2"},"text_mlops-for-generative-ai-and-llmops_0":{"id":"text-21ea20df8c","text":"\u003Cp\u003ELes opérations de grands modèles de langage (LLMOps) étendent les pratiques MLOps aux applications d’\u003Ca href=\"https://www.snowflake.com/en/fundamentals/generative-ai/\"\u003EIA générative\u003C/a\u003E. Le LLMOps complète le MLOps avec de nouveaux enjeux opérationnels liés aux prompts, à la recherche d’informations, au contexte, à l’utilisation des tokens, à la sécurité et à l’évaluation.\u003C/p\u003E\n\u003Cp\u003ELe LLMOps inclut généralement :\u003C/p\u003E\n\u003Cul\u003E\n\u003Cli\u003EGestion des versions des prompts et des instructions système\u003C/li\u003E\n\u003Cli\u003EFrameworks d’évaluation de l’exactitude factuelle, de la pertinence, du ton, de la sécurité et de l’accomplissement des tâches\u003C/li\u003E\n\u003Cli\u003ESurveillance des pipelines RAG, notamment l'actualisation des documents et la qualité de la recherche d’informations\u003C/li\u003E\n\u003Cli\u003ESuivi des coûts liés aux tokens et optimisation de la latence\u003C/li\u003E\n\u003Cli\u003ESurveillance des garde-fous pour la confidentialité, la toxicité, l’ancrage dans les sources et les violations de politiques\u003C/li\u003E\n\u003Cli\u003EBoucles de feedback pour la revue humaine et l’amélioration des modèles\u003C/li\u003E\n\u003C/ul\u003E\n\u003Cp\u003ELe même principe d’exploitation s’applique toutefois : une application n’est fiable que si les données, le contexte, l’évaluation et la gouvernance qui la sous-tendent le sont aussi.\u003C/p\u003E","richText":true,":type":"snowflake-site/components/text","appliedCssClassNames":"text-color-text-05"},"title_mlops-best-practices":{"id":"title-v2-fd720f3bdc","additionalClasses":"anchor-title anchor-title--mlops-best-practices","type":"heading2","lines":["Pratiques recommandées pour le MLOps"],":type":"snowflake-site/components/title-v2"},"text_mlops-best-practices_0":{"id":"text-d8142b6c43","text":"\u003Cp\u003EDe bonnes pratiques de MLOps aident les équipes à éviter que le ML en production ne se résume à une série de passages de relais ponctuels. À mesure que les modèles passent du développement aux workflows opérationnels, les équipes doivent disposer de méthodes cohérentes pour versionner les actifs qui influencent leur comportement, tester les changements avant leur mise en production, surveiller les performances en production et mettre à jour les modèles sans perdre \u003Ca href=\"https://www.snowflake.com/en/artificial-intelligence/ai-governance/ai-traceability/\"\u003Ela traçabilité\u003C/a\u003E.\u003C/p\u003E\n\u003Ch3\u003EVersionnez tout ce qui influence le comportement des modèles\u003C/h3\u003E\n\u003Cp\u003ELe MLOps doit versionner le code, les jeux de données, les définitions de features, les paramètres, les artefacts de modèle, les dépendances, les résultats d’évaluation et les métadonnées de déploiement. Lorsqu’un modèle évolue, les équipes doivent savoir si les performances ont changé en raison de nouvelles données d’entraînement, d’une nouvelle logique de features, d’un autre jeu de paramètres ou d’un nouvel environnement d’exécution.\u003C/p\u003E\n\u003Ch3\u003EAutomatisez les tests et le CI/CD là où cela réduit les risques\u003C/h3\u003E\n\u003Cp\u003EL’automatisation doit couvrir les contrôles que les équipes doivent répéter de manière fiable : validation des données, validation des features, évaluation des modèles, packaging, déploiement et restauration. Le CI/CD pour le ML doit également inclure des tests propres aux modèles, comme les contrôles de dérive, les tests de biais, les seuils de latence et les garde-fous liés aux KPI métier.\u003C/p\u003E\n\u003Ch3\u003ESurveillez en continu les modèles en production\u003C/h3\u003E\n\u003Cp\u003ELa surveillance en production doit suivre l’état du système et le comportement des modèles. La latence, les erreurs et les coûts comptent, mais les distributions d’entrée, les distributions de prédiction, les performances des modèles, la dérive et l’actualisation des données sont tout aussi essentielles.\u003C/p\u003E\n\u003Ch3\u003EConcevez pour la reproductibilité\u003C/h3\u003E\n\u003Cp\u003EUne équipe doit pouvoir expliquer comment un modèle a été produit, quel jeu de données et quelles features ont servi à l’entraîner, quels code et paramètres ont été utilisés, quelles métriques ont justifié sa promotion et quelle version fournit actuellement les prédictions. La reproductibilité facilite le débogage, l’auditabilité, la collaboration et la \u003Ca href=\"https://www.snowflake.com/fr/artificial-intelligence/ai-governance/ai-compliance/\"\u003Econformité\u003C/a\u003E.\u003C/p\u003E\n\u003Ch3\u003ECommencez au niveau de maturité que l’équipe peut maintenir\u003C/h3\u003E\n\u003Cp\u003ELa maturité MLOps doit être alignée sur les besoins, les compétences et le profil de risque de l’organisation. Une équipe qui gère un seul modèle batch à faible risque n’a pas forcément besoin d’un réentraînement autonome dès le premier jour. Une équipe qui gère de nombreux modèles orientés client, des cas d’usage réglementés ou des données qui évoluent rapidement aura plus rapidement besoin d’une automatisation, d’une surveillance et d’une gouvernance renforcées.\u003C/p\u003E","richText":true,":type":"snowflake-site/components/text","appliedCssClassNames":"text-color-text-05"},"title_why-run-mlops-on-snowflake":{"id":"title-v2-8664726e91","additionalClasses":"anchor-title anchor-title--why-run-mlops-on-snowflake","type":"heading2","lines":["Pourquoi exécuter le MLOps sur Snowflake"],":type":"snowflake-site/components/title-v2"},"text_why-run-mlops-on-snowflake_0":{"id":"text-38c514842f","text":"\u003Cp\u003EDe nombreuses architectures MLOps déplacent les données entre des systèmes distincts pour la préparation, l’entraînement, la gestion des features, le registre, le service et la surveillance. Cette séparation peut créer des copies supplémentaires, une traçabilité des données fragmentée et davantage d’endroits où les politiques d’accès ou les définitions de features peuvent dériver. L’approche de Snowflake consiste à rapprocher une plus grande partie du cycle de vie ML des données gouvernées dans le Snowflake AI Data Cloud.\u003C/p\u003E\n\u003Cp\u003EAvec \u003Ca href=\"https://www.snowflake.com/fr/product/features/end-to-end-ml-workflows/\"\u003ESnowflake ML\u003C/a\u003E, les équipes peuvent créer, entraîner, déployer et surveiller les modèles au plus près des données qu’ils utilisent. Snowflake ML inclut des fonctionnalités comme les API Snowpark ML pour le développement, Snowflake Notebooks pour l’exploration et la collaboration, Snowflake Feature Store pour la gestion des features, ainsi que Snowflake Model Registry pour la gestion des versions et la gouvernance. \u003Ca href=\"https://docs.snowflake.com/fr/developer-guide/snowflake-ml/model-registry/model-observability\"\u003EML Observability\u003C/a\u003E permet de surveiller les modèles de production enregistrés, notamment les métriques de performance, de dérive et de volume, avec une prise en charge actuelle des modèles de régression et de classification binaire.\u003C/p\u003E\n\u003Cp\u003ELes features peuvent être définies une seule fois, gouvernées par des contrôles d’accès et suivies via la traçabilité des données lorsqu’elles passent de l’entraînement à l’inférence. Les modèles, eux, conservent leurs métadonnées, leur historique de versions et leur statut de déploiement dans un registre. Les data scientists peuvent toujours expérimenter dans des notebooks, mais leur travail reste plus proche des données gouvernées, avec une surveillance en place pour détecter le moment où les entrées de production commencent à s’écarter des hypothèses utilisées lors de l’évaluation.\u003C/p\u003E\n","richText":true,":type":"snowflake-site/components/text","appliedCssClassNames":"text-color-text-05"},"title_mlops-turns-model-work-into-an-operating-discipline":{"id":"title-v2-3b9a718934","additionalClasses":"anchor-title anchor-title--mlops-turns-model-work-into-an-operating-discipline","type":"heading2","lines":["Le MLOps transforme le travail sur les modèles en discipline opérationnelle"],":type":"snowflake-site/components/title-v2"},"text_mlops-turns-model-work-into-an-operating-discipline_0":{"id":"text-37db0f8de7","text":"\u003Cp\u003EOn décrit souvent le MLOps par ses mécanismes de déploiement : pipelines, registres, CI/CD, surveillance et réentraînement. Ces mécanismes sont utiles, mais ils ne résolvent le problème de fond que s’ils restent connectés au contexte de données et de gouvernance qui entoure le modèle. Une version d’un modèle inspire davantage confiance lorsque les équipes peuvent retracer les données qui l’ont entraînée, comprendre les features qu’elle utilise, voir ses performances lors de l’évaluation et détecter les premiers changements de comportement en production.\u003C/p\u003E\n\u003Cp\u003EÀ mesure que le ML s’intègre à davantage d’applications et de workflows métier, ce contexte opérationnel ne peut plus être considéré comme facultatif. Les équipes ont besoin de moyens pour aller vite sans perdre la traçabilité des données, réutiliser les features sans dupliquer la logique, surveiller les modèles sans les séparer des données dont ils dépendent et mettre à jour les systèmes de production sans s’appuyer sur des passages de relais manuels. Le MLOps fournit cette structure.\u003C/p\u003E","richText":true,":type":"snowflake-site/components/text","appliedCssClassNames":"text-color-text-05"},"callout_mlops-turns-model-work-into-an-operating-discipline_0":{"id":"text-fcacd7a776","additionalClasses":"callout callout--general","text":"\u003Cp\u003E\u003Cstrong\u003EÀ RETENIR\u003C/strong\u003E\u003C/p\u003E\n\u003Cp\u003EEn connectant les données, les features, les modèles, la gouvernance et la surveillance dans un cycle de vie reproductible, le MLOps aide les organisations à déployer le ML plus rapidement, à maintenir la confiance dans les résultats des modèles et à améliorer continuellement les performances à mesure que les données et les conditions métier évoluent.\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-mlops","text_what-is-mlops_0","title_why-mlops-matters","text_why-mlops-matters_0","quote_why-mlops-matters_0","title_mlops-vs-devops","text_mlops-vs-devops_0","callout_mlops-vs-devops_0","title_the-mlops-lifecycle","text_the-mlops-lifecycle_0","card_v2_the-mlops-lifecycle_0","title_core-components-of-mlops","text_core-components-of-mlops_0","title_mlops-maturity-levels","text_mlops-maturity-levels_0","yt_mlops-maturity-levels_0","title_mlops-for-generative-ai-and-llmops","text_mlops-for-generative-ai-and-llmops_0","title_mlops-best-practices","text_mlops-best-practices_0","title_why-run-mlops-on-snowflake","text_why-run-mlops-on-snowflake_0","title_mlops-turns-model-work-into-an-operating-discipline","text_mlops-turns-model-work-into-an-operating-discipline_0","callout_mlops-turns-model-work-into-an-operating-discipline_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,"gridClassNames":"aem-Grid aem-Grid--12 aem-Grid--default--12","columnClassNames":{"text_943981956_copy_":"aem-GridColumn aem-GridColumn--default--12","text_copy":"aem-GridColumn aem-GridColumn--default--12"},"id":"container-5cd934c7c4",":type":"snowflake-site/components/container",":items":{"text_943981956_copy_":{"id":"text-a341aa0388","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-5fc622e08d","additionalClasses":"page-toc","text":"\u003Cul\u003E\u003Cli data-anchor=\"what-is-mlops\"\u003EQu’est-ce que le MLOps ?\u003C/li\u003E\u003Cli data-anchor=\"why-mlops-matters\"\u003EPourquoi le MLOps est essentiel\u003C/li\u003E\u003Cli data-anchor=\"mlops-vs-devops\"\u003EMLOps vs DevOps\u003C/li\u003E\u003Cli data-anchor=\"the-mlops-lifecycle\"\u003ELe cycle de vie du MLOps\u003C/li\u003E\u003Cli data-anchor=\"core-components-of-mlops\"\u003EComposants clés des MLOps\u003C/li\u003E\u003Cli data-anchor=\"mlops-maturity-levels\"\u003ENiveaux de maturité MLOps\u003C/li\u003E\u003Cli data-anchor=\"mlops-for-generative-ai-and-llmops\"\u003EMLOps pour l’IA générative et le LLMOps\u003C/li\u003E\u003Cli data-anchor=\"mlops-best-practices\"\u003EPratiques recommandées pour le MLOps\u003C/li\u003E\u003Cli data-anchor=\"why-run-mlops-on-snowflake\"\u003EPourquoi exécuter le MLOps sur Snowflake\u003C/li\u003E\u003Cli data-anchor=\"mlops-turns-model-work-into-an-operating-discipline\"\u003ELe MLOps transforme le travail sur les modèles en discipline opérationnelle\u003C/li\u003E\u003C/ul\u003E","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-1bd7360e1b","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-v2-29e4af51eb","additionalClasses":"hub-faq__headline","type":"heading2","lines":["Foire aux questions"],":type":"snowflake-site/components/title-v2","appliedCssClassNames":"left-alignment"},"text_copy":{"id":"text-7f79200dc7","additionalClasses":"hub-faq__subheadline","text":"\u003Cp\u003ELes réponses des experts Snowflake à vos questions fréquentes sur les MLOps.\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-b41c867945","additionalClasses":"seo-hub__faqs","showDivider":false,"accordionItemsList":[{"title":"Quelle est la différence entre les MLOps et les DevOps ?","richText":"\u003Cp\u003ELes pratiques DevOps visent à automatiser et à améliorer la livraison logicielle. Les MLOps appliquent bon nombre de ces mêmes principes aux systèmes de ML, mais y ajoutent des pratiques propres aux modèles : validation des données, gestion des features, suivi des expérimentations, gestion des versions des modèles, surveillance de la dérive, réentraînement et gouvernance. Un modèle peut échouer parce que le code a changé, mais aussi parce que les données ont changé.\u003C/p\u003E"},{"title":"Quels sont les niveaux de maturité des MLOps ?","richText":"\u003Cp\u003EUn modèle courant comprend trois niveaux : le niveau 0 pour les processus de ML manuels, le niveau 1 pour les pipelines de ML automatisés et le niveau 2 pour l’automatisation CI/CD des pipelines de ML. Certaines organisations vont plus loin avec un niveau plus avancé, où les signaux de surveillance peuvent déclencher des workflows de réentraînement et de gouvernance.\u003C/p\u003E"},{"title":"Quelle est la différence entre les MLOps et les LLMOps ?","richText":"\u003Cp\u003ELes MLOps gèrent l’ensemble du cycle de vie des modèles de ML, y compris l’entraînement, le déploiement, la surveillance et le réentraînement. Les LLMOps étendent ces pratiques aux applications fondées sur de grands modèles de langage, où les équipes doivent aussi gérer la gestion des versions des prompts, la surveillance des pipelines RAG, les frameworks d’évaluation, les contrôles de sécurité, la gestion des coûts des tokens et les boucles de feedback.\u003C/p\u003E"},{"title":"Quels sont les composants clés d’un pipeline MLOps ?","richText":"\u003Cp\u003EUn pipeline MLOps type comprend des pipelines de données, la validation des données, le feature engineering, le suivi des expérimentations, l’entraînement et l’évaluation des modèles, un registre des modèles, l’automatisation du déploiement, le model serving, la surveillance, l’orchestration, les boucles de feedback et les contrôles de gouvernance.\u003C/p\u003E"},{"title":"De quels outils ou de quelle plateforme avez-vous besoin pour les MLOps ?","richText":"\u003Cp\u003ELes MLOps nécessitent généralement des outils pour les pipelines de données, la gestion des features, le suivi des expérimentations, l’entraînement des modèles, l’enregistrement des modèles, le CI/CD, le serving, la surveillance, l’orchestration et la gouvernance. Certaines équipes assemblent ces capacités à partir d’outils distincts, tandis que d’autres utilisent une plateforme comme Snowflake ML pour rapprocher davantage le cycle de vie des données d’entreprise gouvernées.\u003C/p\u003E"}],":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-e15e1b9de4","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-d7b451fd19",":type":"snowflake-site/components/flexible-column-container/flexible-column-content-container",":items":{"title_v2":{"id":"title-v2-b78a6b5d3d","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-166900040d","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-f5afe2c554","tagText":"WEBINAIRE","tagColor":"#29B5E8","cta":{"id":"cta","showOutboundIcon":false,"buttonLink":{"valid":true,"url":"https://www.snowflake.com/en/abm/resource-library/webinars/advantages-of-running-machine-learning-operations-mlops-in-the-cloud-3/"},"linkTargetContentType":"GENERIC",":type":"snowflake-site/components/button","linkType":"SNOWFLAKE_EXTERNAL","text":"Lire la suite"},"headline":{"id":"title-v2-048e9c7a02","type":"heading5","lines":["Les avantages des MLOps dans le cloud"],":type":"snowflake-site/components/title-v2"},":type":"snowflake-site/components/content-chip","appliedCssClassNames":"snowflake-content-chip-white-bg"},"resource_chip_1":{"id":"content-chip-6a784f22c0","tagText":"BLOG","tagColor":"#71D3DC","cta":{"id":"cta","showOutboundIcon":false,"buttonLink":{"valid":true,"url":"https://www.snowflake.com/en/blog/ml-enhances-mlops-streaming-feature-model-management/"},"linkTargetContentType":"GENERIC",":type":"snowflake-site/components/button","linkType":"SNOWFLAKE_EXTERNAL","text":"Lire la suite"},"headline":{"id":"title-v2-29140995ce","type":"heading5","lines":["Snowflake ML renforce les MLOps pour la gestion des features et des modèles"],":type":"snowflake-site/components/title-v2"},":type":"snowflake-site/components/content-chip","appliedCssClassNames":"snowflake-content-chip-white-bg"},"resource_chip_2":{"id":"content-chip-770908e9b1","tagText":"BLOG","tagColor":"#71D3DC","cta":{"id":"cta","showOutboundIcon":false,"buttonLink":{"valid":true,"url":"https://www.snowflake.com/en/blog/engineering/scalable-model-serving-architecture/"},"linkTargetContentType":"GENERIC",":type":"snowflake-site/components/button","linkType":"SNOWFLAKE_EXTERNAL","text":"Lire la suite"},"headline":{"id":"title-v2-c2c036ce8d","type":"heading5","lines":["Service de modèles à grande échelle : vue d’ensemble de l’architecture"],":type":"snowflake-site/components/title-v2"},":type":"snowflake-site/components/content-chip","appliedCssClassNames":"snowflake-content-chip-white-bg"},"resource_chip_3":{"id":"content-chip-ba1bb1ca88","tagText":"BLOG","tagColor":"#71D3DC","cta":{"id":"cta","showOutboundIcon":false,"buttonLink":{"valid":true,"url":"https://www.snowflake.com/en/blog/engineering/snowflake-ml-runtime-vs-databricks-tpcx-ai/"},"linkTargetContentType":"GENERIC",":type":"snowflake-site/components/button","linkType":"SNOWFLAKE_EXTERNAL","text":"Lire la suite"},"headline":{"id":"title-v2-b82f2d3644","type":"heading5","lines":["Accélérer l’entraînement distribué avec Snowflake ML"],":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"}},":itemsOrder":["flexible_column_cont","flexible_column_cont_939100716","flexible_column_cont_251957817","flexible_column_cont_663228916","flexible_column_cont_1786318617","flexible_column_cont_1467213961","flexible_column_cont_912630531"],":type":"wcm/foundation/components/responsivegrid"},"modal_container":{"layout":"SIMPLE","id":"container-986168c73c",":type":"snowflake-site/components/modal/modal-container",":items":{},":itemsOrder":[]},"markup_editor_928258845":{"id":"markup-editor-c477f72b46","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-08b314cc8e","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-e3b86b866f","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-bf2b346dc0","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/mlops"},"experiencefragment":{"id":"experiencefragment-f743de9d8a","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/mlops"}},":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/mlops","analyticsDebugMode":false,"analyticsData":{"excludeFromAnalytics":false,"subCategory":"","pageType":"homepage","templateName":"base-page-template54","siteName":"snowflake","pageUrl":"/content/snowflake-site/global/fr/artificial-intelligence/machine-learning/mlops","language":"fr","category":"general","pageName":"MLOps : comment données, modèles et gouvernance s’articulent en production","contentTags":[]},"analyticsContentTags":[],"analyticsEnabled":true,"coveoConfig":{"organizationId":"snowflakecomputingproduction8neljofn","searchHub":"snowflake.com","pipeline":"snowflake.com","apiKey":"xx335921a6-2a0a-40f2-a167-e390b4766c3d"},"isPasswordProtected":false,"locale":"fr"}