{"templateName":"base-page-template54","cssClassNames":"page basicpage summit-page","canonicalLink":"https://www.snowflake.com/fr/artificial-intelligence/machine-learning/models/","robotsTags":[],"allowedRenditionsWidth":["320","480","640","768","960","1200","1440","1920"],"description":"Explorez les principaux types de modèles de machine learning, selon l’approche d’apprentissage, la tâche et la famille, et découvrez comment choisir le modèle adapté à vos données et à vos objectifs.","language":"fr","title":"Modèles de machine learning : types et comment choisir | Snowflake","analyticsPageType":"content","analyticsCategory":"artificial-intelligence","analyticsSubCategory":"machine-learning","excludeFromAnalytics":false,":mappedPath":"/fr/artificial-intelligence/machine-learning/models/",":type":"snowflake-site/components/structure/page",":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-7c45d1ea01","localizedFragmentVariationPath":"/content/experience-fragments/snowflake-site/language-masters/fr/site/pushdown-banner/master/jcr:content","configured":true,":type":"snowflake-site/components/experiencefragment",":items":{"root":{"layout":"RESPONSIVE_GRID","columnCount":12,"columnClassNames":{"pushdown_banner_copy":"aem-GridColumn aem-GridColumn--default--12"},"gridClassNames":"aem-Grid aem-Grid--12 aem-Grid--default--12","id":"container-783efb363b",":type":"snowflake-site/components/container",":items":{"pushdown_banner_copy":{"id":"pushdown-banner-c1750b5c9a","contentHeadline":"Le World Tour de Snowflake dans votre ville","contentDescription":"Découvrez comment les équipes dirigeantes déploient les agents à grande échelle. Trouvez un arrêt près de chez vous.","contentJustifyContent":"center","linkStyle":"text-white","linkCTA":{"id":"link-cta","heapButtonClasses":["pushdown_banner"],"showOutboundIcon":false,"buttonLink":{"valid":true,"attributes":{"target":"_blank"},"url":"/en/world-tour/"},"linkTargetContentType":"GENERIC",":type":"snowflake-site/components/button","linkType":"SNOWFLAKE_INTERNAL","text":"Inscrivez-vous gratuitement"},":type":"snowflake-site/components/pushdown-banner","appliedCssClassNames":"snowflake-pushdown-banner-text-white snowflake-pushdown-banner-background-black"}},":itemsOrder":["pushdown_banner_copy"]},"image":{":type":"nt:unstructured"},"cq:metadata":{":type":"nt:unstructured"}},":itemsOrder":["root","image","cq:metadata"],"classNames":"aem-xf"},"experiencefragment-header":{"id":"experiencefragment-e9ccb84dcf","localizedFragmentVariationPath":"/content/experience-fragments/snowflake-site/language-masters/fr/site/mega-nav-header/master/jcr:content","configured":true,":type":"snowflake-site/components/experiencefragment",":items":{"root":{"layout":"RESPONSIVE_GRID","columnCount":12,"columnClassNames":{"mega_header":"aem-GridColumn aem-GridColumn--default--12","markup_editor":"aem-GridColumn aem-GridColumn--default--12"},"gridClassNames":"aem-Grid aem-Grid--12 aem-Grid--default--12","id":"container-4096645f42",":type":"snowflake-site/components/container",":items":{"markup_editor":{"id":"markup-editor-e145da8cac","title":" ","cssContent":".footer-nav__link-group .snowflake-button-container,.subnav__item--button,.snowflake-card-v2-advanced-button .snowflake-button-container{justify-content:flex-start}.mega-nav__sign-in.snowflake-button-container{display:none}@media screen and (min-width:768px){.mega-nav__sign-in.snowflake-button-container{display:inline-block;font-family:'Texta',sans-serif;font-weight:800 !important}}@media screen and (min-width:1024px) and (max-width:1199px){.snowflake-mega-nav-header-buttons-container .snowflake-button-blue .snowflake-button-container{font-size:13px !important}.snowflake-language-navigation .language-icon{width:18px !important;height:18px !important;margin-right:4px !important}}.mega-nav__sign-in svg{display:none}.nav-item__platform-parent-why-sf.snowflake-mega-nav-nav-item\u003Ea:hover,.nav-item__platform-parent.snowflake-mega-nav-nav-item\u003Ea:hover{background-color:transparent !important}.nav-platform-sidebar .snowflake-mega-nav-nav-item:hover.blue-icon .snowflake-mega-nav-nav-item-icon__inner{background-color:var(--ui-01) !important}@media screen and (min-width:1024px){.snowflake-mega-nav-navigation-dropdown{overflow:hidden}.meganav-platform-features{padding-left:64px}.meganav-platform-features::before{content:'';transform:translateX(-64px);display:block;z-index:0;width:100%;height:100%;position:absolute;top:0;background:#f7f9fa}.nav-item--si.snowflake-mega-nav-nav-item\u003Ea:hover{background-color:transparent}.nav-item--si{border-bottom:1px solid #ccc;padding-bottom:16px;margin-bottom:8px}.nav-item__platform-parent{border-bottom:1px solid #ccc;margin-bottom:8px;padding-bottom:16px}.nav-item__platform-parent-why-sf .snowflake-mega-nav-nav-item-description::after{content:'Ce que Snowflake peut faire pour vous \u003E';display:block;color:var(--ui-01);margin-top:16px}.nav-item__platform-parent .snowflake-mega-nav-nav-item-description::after{content:'Voir la plateforme \u003E';display:block;color:var(--ui-01);margin-top:16px}}@media screen and (min-width:1367px){.snowflake-mega-nav-nav-item-description{font-size:13px !important;line-height:20px !important}.snowflake-mega-nav-nav-item-title-wrapper\u003E.snowflake-mega-nav-nav-item-title{font-size:17px !important}.nav-item__platform-parent-why-sf .snowflake-mega-nav-nav-item-title,.nav-item__platform-parent .snowflake-mega-nav-nav-item-title{font-size:24px !important;line-height:32px !important;margin-bottom:8px !important}.nav-item__platform-parent-why-sf .snowflake-mega-nav-nav-item-description,.nav-item__platform-parent .snowflake-mega-nav-nav-item-description{font-size:14px !important;line-height:20px !important}}html.wf-texta-n9-loading .display-1-v2{font-size:48px!important;line-height:50px!important;letter-spacing:-.5px!important;font-family:sans-serif!important}html.wf-texta-n9-loading .heading-4-v2{font-size:18px!important;line-height:24px!important;font-family:sans-serif!important}@media screen and (min-width:768px){html.wf-texta-n9-loading .display-2-v2{font-size:48px!important;line-height:50px!important;font-family:sans-serif!important}html.wf-texta-n9-loading .display-1-v2{font-size:55.5px!important;line-height:54px!important;letter-spacing:-.5px!important;font-family:sans-serif!important}html.wf-lato-n4-loading .body-2,html.wf-lato-n4-loading .heading-5-v2,html.wf-lato-n4-loading .snowflake-card-v2-advanced-text .snowflake-text p{font-size:15.5px!important;font-family:sans-serif!important}html.wf-texta-n9-loading .heading-2,html.wf-texta-n9-loading .heading-2-v2{font-size:34px!important;line-height:38px!important;letter-spacing:-.75px!important;font-family:sans-serif!important}html.wf-texta-n8-loading .heading-6-v2.snowflake-mega-nav-navigation-title{font-size:13.5px!important;font-family:sans-serif!important}html.wf-texta-n8-loading .heading-4,html.wf-texta-n8-loading .snowflake-button-container,html.wf-texta-n8-loading .snowflake-button-regular .snowflake-button-container{font-size:13px!important;line-height:20px!important;letter-spacing:.25px!important;font-family:sans-serif!important}}@media screen and (min-width:1024px){html.wf-lato-n4-loading .snowflake-mega-nav-nav-item-description{font-size:11.5px!important;font-family:sans-serif!important}html.wf-lato-n4-loading .body-2,html.wf-lato-n4-loading .text-size-regular .snowflake-text li,html.wf-lato-n4-loading .text-size-regular .snowflake-text p,html.wf-lato-n4-loading .text-size-regular .snowflake-text span[data-testid=text-content],html.wf-lato-n4-loading .text-size-regular.cq-Editable-dom li,html.wf-lato-n4-loading .text-size-regular.cq-Editable-dom p,html.wf-lato-n4-loading .text-size-regular.cq-Editable-dom span[data-testid=text-content]{font-size:13.5px!important;font-family:sans-serif!important}html.wf-texta-n8-loading .snowflake-button-compact .snowflake-button-container{font-size:12px!important;letter-spacing:0!important;line-height:18px!important}}@media screen and (min-width:1367px){html.wf-lato-n4-loading .hp-hero__eyebrow a\u003Eb:first-child{font-size:11px!important;font-family:sans-serif!important}html.wf-texta-n8-loading .hp-hero__eyebrow a{font-size:13px!important;font-family:sans-serif!important}html.wf-texta-n9-loading .display-2-v2{font-size:61px!important;line-height:60px!important;font-family:sans-serif!important}html.wf-texta-n9-loading .display-1-v2{font-size:74.5px!important;line-height:74px!important;letter-spacing:-.75px!important;font-family:sans-serif!important}html.wf-texta-n9-loading .heading-2,html.wf-texta-n9-loading .heading-2-v2{font-size:41px!important;letter-spacing:-.75px!important;font-family:sans-serif!important}html.wf-texta-n9-loading .heading-3-v2{font-family:sans-serif!important;letter-spacing:-.75px!important;font-size:33.75px!important}html.wf-texta-n9-loading .heading-4-v2{font-size:19.5px!important;line-height:26px!important;font-family:sans-serif!important}html.wf-texta-n8-loading .heading-6-v2{font-size:12px!important;font-family:sans-serif!important}html.wf-texta-n8-loading .heading-6-v2.snowflake-mega-nav-navigation-title{font-size:14px!important;font-family:sans-serif!important}html.wf-lato-n4-loading .body-1,html.wf-lato-n4-loading .cq-Editable-dom[data-cq-data-path*=text] ol\u003Eli,html.wf-lato-n4-loading .snowflake-text li,html.wf-lato-n4-loading .snowflake-text p,html.wf-lato-n4-loading .text-size-large .snowflake-text li,html.wf-lato-n4-loading .text-size-large .snowflake-text p,html.wf-lato-n4-loading .text-size-large .snowflake-text span[data-testid=text-content],html.wf-lato-n4-loading .text-size-large.cq-Editable-dom li,html.wf-lato-n4-loading .text-size-large.cq-Editable-dom p,html.wf-lato-n4-loading .text-size-large.cq-Editable-dom span[data-testid=text-content],html.wf-lato-n4-loading.cq-Editable-dom[data-cq-data-path*=text]\u003Ep,html.wf-lato-n4-loading.cq-Editable-dom[data-cq-data-path*=text]\u003Eul\u003Eli{font-size:17.5px!important;font-family:sans-serif!important}html.wf-lato-n4-loading .body-2,html.wf-lato-n4-loading .text-size-regular .snowflake-text li,html.wf-lato-n4-loading .text-size-regular .snowflake-text p,html.wf-lato-n4-loading .text-size-regular .snowflake-text span[data-testid=text-content],html.wf-lato-n4-loading .text-size-regular.cq-Editable-dom li,html.wf-lato-n4-loading .text-size-regular.cq-Editable-dom p,html.wf-lato-n4-loading .text-size-regular.cq-Editable-dom span[data-testid=text-content],html.wf-texta-n8-loading .snowflake-button-link .snowflake-button-container,html.wf-texta-n8-loading .snowflake-button-link-back .snowflake-button-container{font-size:15.5px!important;font-family:sans-serif!important}html.wf-lato-n4-loading .body-3,html.wf-lato-n4-loading .text-size-small .snowflake-text li,html.wf-lato-n4-loading .text-size-small .snowflake-text p,html.wf-lato-n4-loading .text-size-small .snowflake-text span[data-testid=text-content],html.wf-lato-n4-loading .text-size-small.cq-Editable-dom li,html.wf-lato-n4-loading .text-size-small.cq-Editable-dom p,html.wf-lato-n4-loading .text-size-small.cq-Editable-dom span[data-testid=text-content]{font-size:13.5px!important;font-family:sans-serif!important}}#industryPlatformSection,.sc-hero{background-position:top left;background-size:20% auto}.bwalignc,.bwalignr{list-style-position:inside}.snowflake-text p sup{font-size:10px}#industryPlatformSection .industry-platform__row .snowflake-flexible-column-container-items,.button-group-pair\u003E.container\u003E.cmp-container\u003E.aem-container,.snowflake-hero-system-content-container{gap:16px}.agenda-item p,.button-group-pair\u003E.container\u003E.cmp-container\u003E.aem-container\u003Ediv,.partner-details p{margin:0!important}.button-group-pair\u003E.container\u003E.cmp-container\u003E.aem-container::after,.button-group-pair\u003E.container\u003E.cmp-container\u003E.aem-container::before,.hide-logo .snowflake-case-study-card-logo,.partner-page__powered-by-logo,.sc-hero div.code-toolbar\u003E.toolbar,.snowflake-card-v2-advanced.no-link .snowflake-card-v2-advanced-button,.snowflake-partner-hero-card-badge-container{display:none!important}.section--card-mobile-carousel .snowflake-flexible-column-container-items-with-carousel{max-width:100%!important}@media screen and (min-width:768px){.button-group-pair .snowflake-button-container.inline-button--desktop,.button-group-pair\u003E.container\u003E.cmp-container\u003E.aem-container\u003Ediv{width:auto!important;display:inline-block!important}.button-group-pair\u003E.container\u003E.cmp-container\u003E.aem-container{align-items:center;justify-content:flex-start!important}.button-group-pair.center\u003E.container\u003E.cmp-container\u003E.aem-container{justify-content:center!important}.section--card-mobile-carousel{margin-left:var(--tablet-portrait-margin,48px)!important;margin-right:var(--tablet-portrait-margin,48px);width:calc(100% - 96px)!important;width:calc(100% - var(--tablet-portrait-margin) * 2)!important}}@media screen and (min-width:1024px){.section--card-mobile-carousel{margin-left:var(--tablet-horizontal-margin,48px)!important;margin-right:var(--tablet-horizontal-margin,48px);width:calc(100% - 96px)!important;width:calc(100% - var(--tablet-horizontal-margin) * 2)!important}.snowflake-mega-nav-header-mobile-icon{display:none!important}}@media screen and (min-width:1367px){.section--card-mobile-carousel{margin-left:var(--desktop-margin,6.5%)!important;margin-right:var(--desktop-margin,6.5%);width:87%!important;width:calc(100% - var(--desktop-margin) * 2)!important}.logo-container{min-width:143px}.sc-hero__headline .heading-1-v2{font-size:60px}.snowflake-mega-nav-navigation-title{font-size:17px}.snowflake-mega-nav-dropdown-footer-wrapper .snowflake-title-v2 .snowflake-title-v2-line:first-child{font-size:16px!important;line-height:24px!important}}.hero--home{overflow:hidden;background-color:var(--ui-01);z-index:2}.hp-hero__subheadline{width:90%}.hero--home .snowflake-button-container{transition:.3s}.hero--home .snowflake-button-primary a:hover,.hero--home .snowflake-button-secondary a:hover,.hero--home .snowflake-button-white a:hover{transition:.3s;background-color:var(--ui-02)!important;color:var(--ui-05)!important}.hero--home .snowflake-button-secondary a:hover{border-color:var(--ui-05)!important}.hero--home .snowflake-button-primary a:hover,.hero--home .snowflake-button-white a:hover{border-color:var(--ui-02)!important}.bwalignc,.hp-hero__eyebrow{text-align:center}.hp-hero__eyebrow a{display:inline-flex;flex-direction:column;justify-content:center;cursor:pointer;padding:8px;border-radius:var(--spacing-01);gap:8px;align-items:center;background-color:#45aee3;color:var(--ui-03);font-family:Texta,sans-serif;font-weight:800;font-size:16px;line-height:22px;transition:background-color .3s}.hp-hero__eyebrow a:hover{background-color:#7fc6ea;text-decoration:none;transition:background-color .3s}.hp-hero__eyebrow a\u003Eb:first-child{text-transform:uppercase;white-space:nowrap;display:inline-block;background-color:var(--ui-02);color:var(--ui-05);font-size:12px!important;line-height:16px!important;font-family:Lato,sans-serif;font-weight:500!important;padding:3px 6px;border-radius:2px;letter-spacing:1px}@media screen and (min-width:767px){.hp-hero__eyebrow{text-align:left}.hp-hero__eyebrow a{flex-direction:row;text-align:left}}.hero--home__inner .offset-video,.hero--home__inner .snowflake-experience-fragment,.offset-video__bg-image{max-height:200px;overflow:hidden}.hero--home__inner .offset-video .wistia-responsive-padding{padding-top:100%}.hero--home__inner .snowflake-experience-fragment,.offset-video__bg-image{position:absolute!important;top:0;left:0;width:100%}.offset-video__bg-image{z-index:-1}@media screen and (min-width:768px){.hero--home__inner .snowflake-experience-fragment,.offset-video,.offset-video__bg-image{position:absolute!important;max-height:none;top:0;left:0;width:250%;padding-bottom:250%;transform:translate(0,-50%);height:0}.workloads_7.unistore{max-width:317px}}.promo-banner--homepage{z-index:2}.homepage-banner-offset-container::after{content:\"\";display:block;position:absolute;bottom:0;z-index:1;left:0;width:100%;height:80%;background:#fff}.section--quicklinks .snowflake-button-full-width a{padding-left:24px!important;padding-right:24px!important;transition:box-shadow .25s cubic-bezier(.4,0,.2,1);text-align:left;display:flex;justify-content:center;align-items:center}.section--quicklinks .snowflake-button-full-width a:hover{box-shadow:0 16px 16px 0 rgb(0 0 0 / .16);transition:box-shadow .25s cubic-bezier(.4,0,.2,1)}.section--quicklinks .snowflake-button-container:focus-visible a::before,.section--quicklinks .snowflake-button-full-width a::before{content:\"\";width:23px;height:23px;flex-shrink:0;margin-right:12px;display:inline-block;background-size:cover;background-repeat:no-repeat;background-position:center}#industryPartnerSlider .snowflake-navigation-icon.swiper-button-disabled,#partnerResources .section--resource-hub a svg,.button-tabs span.snowflake-tabs-navigation-item:after,.customer-card--hide-cta .snowflake-case-study-card-button,.dot-tabs span.snowflake-tabs-navigation-item::after,.partner-sidebar__mobile-expand,html:not(.aem-AuthorLayer-initial):not(.aem-AuthorLayer-Edit) .tab-content:not(.is-active){display:none}.section--quicklinks .snowflake-button-full-width a.pricing::before{background-image:url(https://www.snowflake.com/content/dam/snowflake-site/general/icons/decorative-icons/pricing-icon.svg)}.section--quicklinks .snowflake-button-full-width a.snowflake_on_snowflake::before{background-image:url(https://www.snowflake.com/content/dam/snowflake-site/general/icons/navigation/nav-icon_snowflake-bug.svg)}.section--quicklinks .snowflake-button-full-width a.virtual_hands_on_labs::before{background-image:url(https://www.snowflake.com/content/dam/snowflake-site/general/icons/navigation/nav-icon__training.svg)}.section--quicklinks .snowflake-button-full-width a.weekly_demo::before{background-image:url(https://www.snowflake.com/content/dam/snowflake-site/general/icons/navigation/nav-icon__webinars.svg)}@media screen and (min-width:1024px){.hero--home__inner .snowflake-experience-fragment,.offset-video,.offset-video__bg-image{left:-50%}.section--quicklinks .snowflake-flexible-column-container-items{gap:24px}.snowflake-quote-item-inner{padding:32px 24px 24px!important}}#communitiesOuter_overflowBottomGray::after{max-height:100px}#caseStudyOuter_overflowBottomMidBlue::after{max-height:180px}#caseStudyInner .snowflake-case-study-card .snowflake-wistia-video{border-radius:0!important}#caseStudyInner .snowflake-case-study-card{box-shadow:none!important;border-radius:0}#caseStudyInner{max-width:1200px;margin:0 auto;box-shadow:rgb(152 162 179 / .1) 0 10px 20px 0,rgb(152 162 179 / .25) 0 2px 6px 0;border-radius:8px;overflow:hidden;position:relative;z-index:1}.case-study__logo-bar\u003E.snowflake-flexible-column-container-items{background:#f7f9fa;padding:32px 16px 40px}.case-study__logo-bar .cmp-image__image{width:90%;margin:0 auto;max-width:240px}.hp-platform__text-group\u003E.container\u003E.cmp-container\u003E.aem-container\u003Ediv:not(:first-child),.sc-sidebar__group .snowflake-button-link{margin-top:8px}.workloads_7.unistore{margin-left:auto;margin-right:auto}#homepageFootnotesInner .snowflake-simple-stat-disclaimer .snowflake-text p{color:#fff!important}.snowflake-simple-stat-disclaimer .snowflake-text p\u003Ea{border-bottom:1px solid var(--ui-03);color:var(--text-03)}.snowflake-card-v2-advanced{color:inherit}#workloadCardGridOuter .snowflake-card-v2-base-front{gap:0}.video-modal.snowflake-modal-window-open-inner{background-color:#fff0;padding:8px;border:none}.snowflake-container-arrow-dotted-faded .snowflake-container-arrow-dotted-faded-image{width:40%!important;max-width:420px;top:4%!important}.list--blue-bullets ul{margin:0!important;padding:0!important;list-style-type:none}.list--blue-bullets li{margin:0;padding:0 0 0 32px;position:relative}.list--blue-bullets 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}.list--blue-bullets li:not(:last-child){margin-bottom:1rem}.logo-tabs .snowflake-navigation-container,.snowflake-simple-stat-content:empty,.summit-speaker-card .snowflake-card-v2-advanced-text{margin-bottom:0}#techResourceInner,#techResourceOuter,div.overflow-bottom--blue,div.overflow-bottom--gray,div.overflow-bottom--mid-blue,div.overflow-bottom--white,div.overflow-top--blue,div.overflow-top--gray,div.overflow-top--mid-blue,div.overflow-top--white,div[id$=overflowBottomGray],div[id$=overflowBottomMidBlue],div[id$=overflowTopBlue],div[id$=overflowTopGray]{position:relative}div.overflow-bottom--blue::after,div.overflow-bottom--gray::after,div.overflow-bottom--mid-blue::after,div.overflow-bottom--white::after,div.overflow-top--blue::after,div.overflow-top--gray::after,div.overflow-top--mid-blue::after,div.overflow-top--white::after,div[id$=overflowBottomGray]::after,div[id$=overflowBottomMidBlue]::after,div[id$=overflowBottomWhite]::after,div[id$=overflowTopBlue]::after,div[id$=overflowTopGray]::after,div[id$=overflowTopWhite]::after{content:\"\";display:block;position:absolute;left:0;width:100%;height:40%}div.overflow-top--blue::after,div.overflow-top--gray::after,div.overflow-top--mid-blue::after,div.overflow-top--white::after,div[id$=overflowTopBlue]::after,div[id$=overflowTopGray]::after,div[id$=overflowTopWhite]::after{top:0}div.overflow-bottom--blue::after,div.overflow-bottom--gray::after,div.overflow-bottom--mid-blue::after,div.overflow-bottom--white::after,div[id$=overflowBottomGray]::after,div[id$=overflowBottomMidBlue]::after,div[id$=overflowBottomWhite]::after{bottom:0}div.overflow-bottom--white::after,div.overflow-top--white::after,div[id$=overflowBottomWhite]::after,div[id$=overflowTopWhite]::after{background:#fff!important}div.overflow-bottom--gray::after,div.overflow-top--gray::after,div[id$=overflowBottomGray]::after,div[id$=overflowTopGray]::after{background:#f6f9fa!important}div.overflow-bottom--mid-blue::after,div.overflow-top--mid-blue::after,div[id$=overflowBottomMidBlue]::after,div[id$=overflowTopMidBlue]::after{background:#11567f!important}div.overflow-bottom--blue::after,div.overflow-top--blue::after,div[id$=overflowBottomBlue]::after,div[id$=overflowTopBlue]::after{background:#259edc!important}.snowflake-premium-content-banner.promo-banner--no-shadow{box-shadow:none!important}#industryPartnerSlider .cmp-image__image,#industryPartnerSlider .section--partner-tabs .snowflake-image-container .cmp-image__image,#partnerSidebar,.has-shadow .cmp-image__image{box-shadow:0 10px 20px 0 rgb(152 162 179 / .1),0 2px 6px 0 rgb(152 162 179 / .25)}.content-chip--has-desc{align-items:flex-start;padding:20px!important}.content-chip--has-desc .snowflake-content-chip-image{max-width:100px}.content-chip--has-desc .snowflake-content-chip-image__image{aspect-ratio:1}.content-chip--has-desc .snowflake-title-v2-line:first-child{font-size:18px!important}.content-chip--has-desc .snowflake-title-v2-line:nth-child(2){color:#000!important;font-weight:500!important;font-size:16px!important;line-height:22px!important;margin-top:2px!important}.content-chip--has-desc .snowflake-content-chip-button{margin-top:6px!important;font-size:18px!important;display:none}.square-image .snowflake-content-chip-image{aspect-ratio:1;max-width:120px}.section--logo-bar.smaller-logos .snowflake-image-container .cmp-image__image{max-width:200px;margin:0 auto}.snowflake-card-v2-advanced-tag,.snowflake-content-chip-tag{padding:3px 6px!important}.sc-overview__webinar-promo-banner .snowflake-content-chip-button,.snowflake-card-v2-advanced-title:first-child,.summit-pricing-block__aside ul{margin-top:0}.dot-tabs .snowflake-navigation-container .snowflake-tabs-navigation-item{width:40px;height:40px;display:flex;justify-content:center;align-items:center;margin:0!important}.dot-tabs .snowflake-navigation-container .snowflake-tabs-navigation-item p{width:12px;height:12px;background:var(--ui-12);border-radius:100%}.dot-tabs .snowflake-navigation-container .snowflake-tabs-navigation-item p,.logo-tabs .snowflake-navigation-container .snowflake-tabs-navigation-item p{font-size:0!important}.dot-tabs .snowflake-navigation-container .snowflake-tabs-navigation-item.active p{background:var(--ui-01)}.button-tabs .snowflake-navigation-container .swiper-wrapper{padding:8px 0}.button-tabs .snowflake-navigation-container .swiper-slide{margin:0 6px}.button-tabs .snowflake-navigation-container .snowflake-tabs-navigation-item{padding:8px 24px;background-color:#f6f9fa;border-radius:48px;margin:0}.button-tabs .snowflake-navigation-container .snowflake-tabs-navigation-item p{text-transform:uppercase;font-family:Texta,sans-serif;font-weight:700}.button-tabs .border-top{border-top:1px solid #ccc}.button-tabs .snowflake-navigation-container .snowflake-tabs-navigation-item.active{background-color:var(--ui-01);box-shadow:0 2px 6px 0 rgb(152 162 179 / .25),0 10px 20px 0 rgb(152 162 179 / .1)}.button-tabs .snowflake-navigation-container .snowflake-tabs-navigation-item.active p{color:#fff}.button-tabs.has-icons .snowflake-navigation-container .snowflake-tabs-navigation-item p::before{content:\"\";display:inline-block;width:20px;height:20px;background-size:contain;background-repeat:no-repeat;background-position:center center;margin-right:12px;vertical-align:middle;margin-top:-3px}.logo-tabs .snowflake-navigation-container .snowflake-tabs-navigation-item{width:220px;padding-bottom:50%;height:0;margin:0 8px!important;background-size:cover;background-repeat:no-repeat;opacity:.5;transition:opacity .3s}.logo-tabs .snowflake-navigation-container .snowflake-tabs-navigation-item:hover{opacity:.75;transition:opacity .3s}.logo-tabs .snowflake-navigation-container .snowflake-tabs-navigation-item.active{opacity:1;transition:opacity .3s}.dot-tabs .aem-container.cmp-tabs,.logo-tabs .aem-container.cmp-tabs{display:flex;flex-direction:column-reverse}.snowflake-icon.is-center{margin:0 auto;display:block}#industryPartnerSlider .snowflake-flexible-column-container-items,#partnerLogoSquare .snowflake-flexible-column-container-items{gap:24px}#techResourceOuter::after{content:\"\";display:block;position:absolute;top:0;left:0;width:100%;height:40%;background:#f6f9fa}#techResourceInner{z-index:1}.partner-tier-tag h6{display:inline-block!important;padding:2px 6px;border-radius:2px;color:#666}.partner-tier-tag.registered h6{background-color:#f6f9fa}.partner-tier-tag.elite h6{background-color:#11567f;color:#fff}.partner-tier-tag.premier h6{background-color:#b14c77;color:#fff}.partner-tier-tag.select h6{background-color:#5094a0;color:#fff}.partner-details\u003Espan{display:flex;gap:24px}.partner-details a{color:inherit!important;font-weight:400!important}.partner-details p::before{content:\"\";display:inline-block;vertical-align:middle;width:16px;height:16px;background-repeat:no-repeat;background-position:center;transform:translateY(-1px);background-size:auto 90%;margin-right:6px}.partner-details__location::before{background-image:url(\"data:image/svg+xml,%3Csvg width='13' height='18' viewBox='0 0 13 18' fill='none' xmlns='http://www.w3.org/2000/svg'%3E%3Cpath fill-rule='evenodd' clip-rule='evenodd' d='M6.25 17.7531C6.4375 17.7531 6.6 17.6844 6.7375 17.5531C6.875 17.4219 6.95 17.2531 6.95 17.0531C6.95 16.8531 7.075 16.4281 7.3 15.7969C7.5875 15.0281 7.925 14.3156 8.30625 13.6406C8.8 12.7781 9.3125 12.1031 9.85 11.6094C10.75 10.7969 11.4125 9.96563 11.85 9.12188C12.2875 8.27813 12.5063 7.40313 12.5063 6.49063C12.5063 5.36563 12.2187 4.31563 11.6437 3.33438C11.0937 2.40313 10.3438 1.65938 9.4 1.10938C8.43125 .534376 7.375 .246876 6.24375 .246876C5.1125 .246876 4.06875 .534376 3.0875 1.10938C2.15625 1.65938 1.4125 2.40313 .862498 3.33438C.287498 4.31563 0 5.36563 0 6.49063C0 7.47188 .262499 8.42813 .787499 9.35938C1.14375 10.0031 1.65625 10.6656 2.3125 11.3344C2.75625 11.8031 3.24375 12.4781 3.78125 13.3656C4.225 14.0969 4.63125 14.8594 5 15.6656C5.35 16.3844 5.53125 16.8531 5.55625 17.0656C5.55625 17.2594 5.625 17.4156 5.7625 17.5531C5.9 17.6844 6.0625 17.7531 6.25 17.7531ZM6.16875 14.9156C5.775 14.0656 5.325 13.2469 4.825 12.4594C4.275 11.5594 3.7625 10.8719 3.28125 10.3969C2.625 9.71563 2.1375 9.05938 1.825 8.43438C1.5125 7.80313 1.35625 7.16563 1.35625 6.50313C1.35625 5.61563 1.575 4.80313 2.0125 4.05313C2.45 3.30313 3.04375 2.71563 3.7875 2.27813C4.5375 1.84063 5.35 1.62188 6.2375 1.62188C7.125 1.62188 7.9375 1.84063 8.6875 2.27813C9.4375 2.71563 10.0312 3.30313 10.475 4.04688C10.9187 4.80313 11.1375 5.62188 11.1375 6.50313C11.1375 7.90313 10.3937 9.26563 8.9125 10.5969C8.35 11.1094 7.8125 11.7906 7.3 12.6406C6.88125 13.3344 6.50625 14.0969 6.16875 14.9219V14.9156ZM6.26875 8.36563C6.65625 8.36563 7.01875 8.26563 7.35625 8.07188C7.69375 7.87813 7.95625 7.60938 8.14375 7.28438C8.3375 6.95313 8.43125 6.59063 8.43125 6.19688C8.43125 5.80313 8.33125 5.43438 8.1375 5.10313C7.9375 4.76563 7.675 4.50313 7.3375 4.31563C7 4.12813 6.6375 4.02813 6.24375 4.02813C5.85 4.02813 5.4875 4.12813 5.15625 4.32188C4.825 4.52188 4.56875 4.78438 4.375 5.12188C4.18125 5.45938 4.0875 5.82188 4.0875 6.20938C4.0875 6.59688 4.1875 6.95938 4.38125 7.29688C4.58125 7.63438 4.84375 7.89688 5.18125 8.08438C5.51875 8.27813 5.88125 8.37188 6.26875 8.37188V8.36563ZM6.24375 7.50313C5.8875 7.50313 5.575 7.37188 5.31875 7.11563C5.0625 6.85938 4.93125 6.55313 4.93125 6.19063C4.93125 5.82813 5.0625 5.52188 5.31875 5.26563C5.575 5.00938 5.88125 4.87813 6.24375 4.87813C6.60625 4.87813 6.9125 5.00938 7.16875 5.26563C7.425 5.52188 7.55625 5.82813 7.55625 6.19063C7.55625 6.55313 7.425 6.85938 7.16875 7.11563C6.9125 7.37188 6.60625 7.50313 6.24375 7.50313Z' fill='%2329B5E8'/%3E%3C/svg%3E%0A\")}.partner-details__website::before{background-image:url(\"data:image/svg+xml,%3Csvg width='18' height='16' viewBox='0 0 18 16' fill='none' xmlns='http://www.w3.org/2000/svg'%3E%3Cpath d='M2.61587 2.96889C2.61587 2.75109 2.79633 2.57062 3.01413 2.57062C3.23192 2.57062 3.41238 2.75109 3.41238 2.96889C3.41238 3.18669 3.23192 3.36716 3.01413 3.36716C2.79633 3.36716 2.61587 3.18669 2.61587 2.96889ZM4.21512 2.96889C4.21512 2.75109 4.39558 2.57062 4.61338 2.57062C4.83117 2.57062 5.01163 2.75109 5.01163 2.96889C5.01163 3.18669 4.83117 3.36716 4.61338 3.36716C4.39558 3.36716 4.21512 3.18669 4.21512 2.96889ZM5.81438 2.96889C5.81438 2.75109 5.99484 2.57062 6.21264 2.57062C6.43043 2.57062 6.61089 2.75109 6.61089 2.96889C6.61089 3.18669 6.43043 3.36716 6.21264 3.36716C5.99484 3.36716 5.81438 3.18669 5.81438 2.96889ZM17.2518 .697559H1.19085C.811258 .697559 .506348 1.0025 .506348 1.38209V14.6179C.506348 14.9975 .811258 15.3024 1.19085 15.3024H17.2518C17.6314 15.3024 17.9363 14.9975 17.9363 14.6179V1.38209C17.9363 1.0025 17.6314 .697559 17.2518 .697559ZM16.5673 2.06035V3.90853H1.86914V2.06035H16.5673ZM1.86914 13.9334V4.78593H16.5673V13.9334H1.86914Z' fill='%2329B5E8'/%3E%3C/svg%3E%0A\")}#partnerSidebar{border-radius:4px;background-color:#fff;padding:24px 24px 32px;border-bottom:6px solid #29b5e8}#partnerSidebar h5,.newsletter-disclaimer p{font-size:14px!important}#partnerSidebar ul{margin-top:0;list-style-type:none;padding:0;display:flex;flex-wrap:wrap;gap:8px}#partnerSidebar li{border:1px solid;border-radius:2px;padding:0 4px!important;font-size:11px!important;letter-spacing:.25px;text-transform:uppercase}div.snowflake-partner-hero-card{width:100%;margin:0}.partner-details__logo{max-width:380px;margin:0 auto}@media screen and (max-width:767px){.left-alignment .hp-hero__subheadline{margin-left:auto;margin-right:auto}.left-alignment .hp-hero__headline .snowflake-title-v2-line,.left-alignment .hp-hero__subheadline .snowflake-title-v2-line{text-align:center}.hero--home__inner .snowflake-flexible-column-container-items-top-padding-large{padding-top:var(--spacing-02)}.section--logo-bar\u003E.snowflake-flexible-column-container-items{display:flex;flex-wrap:wrap;flex-direction:row;justify-content:center;gap:8px}.section--logo-bar\u003E.snowflake-flexible-column-container-items\u003Ediv{width:calc(33.33% - 8px)}.partner-sidebar__mobile-expand{display:inline-block;color:#249edc;border-color:#249edc!important}#partnerSidebar li:nth-child(n+6),.summit-nav__links .snowflake-button-tertiary{display:none}.sc-body__sidebar{background-color:#f6f9fa;padding:24px}.sc-body__content{padding:0 24px 24px}.summit-speaker-card .snowflake-card-v2-advanced-content{padding:24px}}#partnerResources h6,.snowflake-tabs-navigation-item p.body-1{font-size:16px!important}#partnerResources .section--resource-hub{padding:0 16px}#partnerResources .section--resource-hub a,.bwalignl{text-align:left}@media screen and (max-width:1023px){.hero--workload .snowflake-hero-system-media-container{width:100%}}.section--timely-content .snowflake-content-chip,.snowflake-mega-nav-dropdown-footer-wrapper{align-items:center}.section--timely-content .snowflake-content-chip-image{max-width:94px}.section--timely-content .snowflake-content-chip-image__inner{line-height:0}.section--timely-content .snowflake-content-chip-image__image{aspect-ratio:1;height:auto}.section--workload-overview .workload-overview__headline{max-width:280px;margin:0 auto}#industryPartnerSlider .swiper-slide{margin-top:0!important;padding:0 12px}#industryPartnerSlider .snowflake-tabs-navigation-item{margin-left:0!important;margin-right:0!important}#industryPartnerSlider .snowflake-premium-content-banner-background-grad-white .snowflake-premium-content-banner{box-shadow:none}#industryPartnerSlider .logo-slider__slide .aem-container{display:flex;padding:0 8px!important;flex-wrap:wrap;gap:16px!important;justify-content:center}#industryPartnerSlider .logo-slider__slide .aem-container\u003Ediv{width:48%;max-width:200px}#useCaseTabs{padding-top:24px;padding-bottom:24px;padding-right:24px}#useCaseTabs .tab-content.is-active{display:block}#useCaseTabs .vert-tab{border-bottom:1px solid #a0bbcc;padding-bottom:16px}#useCaseTabs .vert-tab p{display:inline-block}#useCaseTabs .vert-tab p:hover{cursor:pointer}#useCaseTabs .vert-tab p,#useCaseTabs .vert-tab.is-active p.not-active{color:#249edc}#useCaseTabs .vert-tab p.is-active,#useCaseTabs .vert-tab.is-active p{color:#000}#industryPlatformSection{background-image:url(/adobe/dynamicmedia/deliver/dm-aid--db074ad5-7122-4c51-87a3-76c3aa466182/double-arrow-bg%403x.png);background-repeat:no-repeat}.snowflake-text p.featured-quote__source{font-weight:900!important;text-transform:uppercase;font-size:16px!important;margin-top:2rem!important}.snowflake-text p.featured-quote__title{margin-top:0!important;font-size:16px!important}.snowflake-case-study-card-logo img{width:auto!important;height:100px!important;transform:translateX(-15%)}.snowflake-quote-item-quote-text{font-weight:600!important}#customerStoryStatsInner\u003E.container\u003E.cmp-container\u003E.aem-container{display:flex;flex-direction:row}#customerStoryStat1,#customerStoryStat2{max-width:240px}#storyHighlights{border-radius:4px;padding:1rem}.sc-overview__webinar-promo-banner .snowflake-content-chip-content .snowflake-title-v2-line,.summit-pricing-block__tile .black-blue-text-color .snowflake-title-v2-line{color:#000!important}.snowflake-youtube-embedded-wrapper{border-radius:var(--small-border-radius)}#arcticNavItem::before,#offset::before,#open-source::before{color:var(--text-05);font-family:Texta,sans-serif!important}#offset,.sc-architecture-caption{margin-top:16px}.hero--press .snowflake-title-v2-line{text-transform:none!important}@media screen and (min-width:768px){.subpage-timely-content__inner\u003E.snowflake-flexible-column-container-items{box-shadow:0 10px 20px 0 rgb(152 162 179 / .1),0 2px 6px 0 rgb(152 162 179 / .25);padding:var(--spacing-04);border-radius:4px;overflow:hidden}#partnerLogoSquare{padding:0 0 0 48px}.hero--workload .snowflake-container{max-width:1440px;margin:0 auto!important;align-items:center}#industryPartnerSlider.snowflake-flexible-column-container-2-column-40-60\u003E.snowflake-flexible-column-container-items{grid-template-columns:minmax(40%,4fr) minmax(0,6fr)}#industryPartnerSlider .swiper-slide{padding:0 24px}.sc-body{padding:48px}.sc-body\u003E.snowflake-flexible-column-container-items{grid-template-columns:7fr 3fr;gap:124px}}.snowflake-button-container.has-icon{display:inline-flex;justify-content:center;align-items:center;text-align:left}.snowflake-button-container.has-icon::before{content:\"\";display:inline-block;width:20px;height:20px;margin-right:12px;background-size:contain;background-repeat:no-repeat;background-position:center}.snowflake-button-container.is-video::before{background-image:url(\"data:image/svg+xml,%3Csvg width='18' height='18' viewBox='0 0 18 18' fill='none' xmlns='http://www.w3.org/2000/svg'%3E%3Cpath d='M9 1.28663C13.2523 1.28663 16.7134 4.74768 16.7134 9C16.7134 13.2523 13.2523 16.7134 9 16.7134C4.74768 16.7198 1.28663 13.2588 1.28663 9C1.28663 4.74124 4.74768 1.28663 9 1.28663ZM9 0C4.0336 0 0 4.0336 0 9C0 13.9664 4.0336 18 9 18C13.9728 18 18 13.9664 18 9C18 4.0336 13.9728 0 9 0Z' fill='white'/%3E%3Cpath d='M7.75106 6.18211C7.42941 6.16925 7.16565 6.42658 7.16565 6.74823V11.2772C7.16565 11.7082 7.65457 11.9848 8.02126 11.7597L11.7975 9.4952C12.1578 9.27647 12.1578 8.74252 11.7975 8.52379L8.02126 6.25931C7.93763 6.21428 7.84756 6.18211 7.75106 6.18211Z' fill='white'/%3E%3C/svg%3E%0A\")}.snowflake-button-container.is-github::before{background-image:url(\"data:image/svg+xml,%3Csvg width='20' height='21' viewBox='0 0 20 21' fill='none' xmlns='http://www.w3.org/2000/svg'%3E%3Cpath fill-rule='evenodd' clip-rule='evenodd' d='M10 .651794C4.475 .651794 0 5.12679 0 10.6518C0 15.0768 2.8625 18.8143 6.8375 20.1393C7.3375 20.2268 7.525 19.9268 7.525 19.6643C7.525 19.4268 7.5125 18.6393 7.5125 17.8018C5 18.2643 4.35 17.1893 4.15 16.6268C4.0375 16.3393 3.55 15.4518 3.125 15.2143C2.775 15.0268 2.275 14.5643 3.1125 14.5518C3.9 14.5393 4.4625 15.2768 4.65 15.5768C5.55 17.0893 6.9875 16.6643 7.5625 16.4018C7.65 15.7518 7.9125 15.3143 8.2 15.0643C5.975 14.8143 3.65 13.9518 3.65 10.1268C3.65 9.03929 4.0375 8.13929 4.675 7.43929C4.575 7.18929 4.225 6.16429 4.775 4.78929C4.775 4.78929 5.6125 4.52679 7.525 5.81429C8.325 5.58929 9.175 5.47679 10.025 5.47679C10.875 5.47679 11.725 5.58929 12.525 5.81429C14.4375 4.51429 15.275 4.78929 15.275 4.78929C15.825 6.16429 15.475 7.18929 15.375 7.43929C16.0125 8.13929 16.4 9.02679 16.4 10.1268C16.4 13.9643 14.0625 14.8143 11.8375 15.0643C12.2 15.3768 12.5125 15.9768 12.5125 16.9143C12.5125 18.2518 12.5 19.3268 12.5 19.6643C12.5 19.9268 12.6875 20.2393 13.1875 20.1393C17.1375 18.8143 20 15.0643 20 10.6518C20 5.12679 15.525 .651794 10 .651794Z' fill='%23249EDC'/%3E%3C/svg%3E%0A\")}.snowflake-button-container.is-quickstart::before{background-image:url(\"data:image/svg+xml,%3Csvg width='15' height='21' viewBox='0 0 15 21' fill='none' xmlns='http://www.w3.org/2000/svg'%3E%3Cpath d='M13.8489 2.79368H11.6439V2.38493C11.6439 1.71368 11.1451 .967427 10.4251 .967427H8.94762C8.80887 .359927 8.37387 .299927 7.89762 .299927H7.23012C6.85512 .299927 6.26637 .299927 6.08637 .967427H4.68387C3.94887 .967427 3.35637 1.74368 3.35637 2.38493V2.79368H1.15137C.738867 2.79368 .401367 3.13118 .401367 3.54368V20.2537C.401367 20.6662 .738867 21.0037 1.15137 21.0037H13.8489C14.2614 21.0037 14.5989 20.6662 14.5989 20.2537V3.54368C14.5989 3.13118 14.2614 2.79368 13.8489 2.79368ZM4.29387 2.38493C4.29387 2.18243 4.54137 1.90493 4.68387 1.90493H6.50262C6.76137 1.90493 6.97137 1.69493 6.97137 1.43618C6.97137 1.33868 6.97887 1.27868 6.98637 1.24118C7.05012 1.23368 7.15512 1.23368 7.23387 1.23368H7.90137C7.95012 1.23368 8.00637 1.23368 8.05137 1.23368C8.05512 1.27868 8.05887 1.34243 8.05887 1.43243C8.05887 1.69118 8.26887 1.90118 8.52762 1.90118H10.4289C10.5301 1.90118 10.7101 2.14493 10.7101 2.38118V2.78993H4.29762V2.38118L4.29387 2.38493ZM13.0989 19.4999H1.90137V4.29368H13.0989V19.5037V19.4999Z' fill='%23249EDC'/%3E%3Cpath d='M3.82512 16.0424H11.1751C11.4339 16.0424 11.6439 15.8324 11.6439 15.5736V6.88486C11.6439 6.62611 11.4339 6.41611 11.1751 6.41611H3.82512C3.56637 6.41611 3.35637 6.62611 3.35637 6.88486V15.5736C3.35637 15.8324 3.56637 16.0424 3.82512 16.0424ZM4.29387 15.1049V13.3686H10.7064V15.1049H4.29387ZM10.7101 7.35361V12.4311H4.29762V7.35361H10.7101Z' fill='%23249EDC'/%3E%3Cpath d='M6.16512 9.35989H8.83887C9.09762 9.35989 9.30762 9.14989 9.30762 8.89114C9.30762 8.63239 9.09762 8.42239 8.83887 8.42239H6.16512C5.90637 8.42239 5.69637 8.63239 5.69637 8.89114C5.69637 9.14989 5.90637 9.35989 6.16512 9.35989Z' fill='%23249EDC'/%3E%3Cpath d='M6.16512 11.3624H8.83887C9.09762 11.3624 9.30762 11.1524 9.30762 10.8937C9.30762 10.6349 9.09762 10.4249 8.83887 10.4249H6.16512C5.90637 10.4249 5.69637 10.6349 5.69637 10.8937C5.69637 11.1524 5.90637 11.3624 6.16512 11.3624Z' fill='%23249EDC'/%3E%3C/svg%3E%0A\")}.snowflake-button-container.is-download::before{background-image:url(\"data:image/svg+xml,%3Csvg width='16' height='18' viewBox='0 0 16 18' fill='none' xmlns='http://www.w3.org/2000/svg'%3E%3Cpath d='M15.2017 17.1637H.798265C.364425 17.1637 0 16.7993 0 16.3655V12.3568C0 11.923 .364425 11.5585 .798265 11.5585C1.2321 11.5585 1.59653 11.923 1.59653 12.3568V15.5498H14.4035V12.3568C14.4035 11.923 14.7679 11.5585 15.2017 11.5585C15.6356 11.5585 16 11.923 16 12.3568V16.3655C16 16.7993 15.6529 17.1637 15.2017 17.1637Z' fill='%23249EDC'/%3E%3Cpath d='M7.94793 12.9642C7.84381 12.9642 7.73969 12.9468 7.63557 12.8947C7.34056 12.7733 7.14967 12.4783 7.14967 12.1485L7.18437 .938127C7.18437 .504287 7.5488 .139862 7.98264 .139862C8.41648 .139862 8.7809 .504287 8.7809 .938127L8.7462 10.257L12.8416 6.33509C13.154 6.02273 13.6746 6.04008 13.9696 6.35244C14.282 6.66481 14.2646 7.18542 13.9523 7.48043L8.50325 12.7386C8.36442 12.8774 8.15617 12.9642 7.94793 12.9642Z' fill='%23249EDC'/%3E%3Cpath d='M7.94793 12.9642C7.73969 12.9642 7.54881 12.8947 7.39262 12.7386L2.03037 7.53249C1.718 7.22012 1.70065 6.71687 2.01301 6.40451C2.32538 6.09214 2.82863 6.07479 3.141 6.38715L8.50325 11.5932C8.81562 11.9056 8.83297 12.4088 8.52061 12.7212C8.36442 12.8774 8.15617 12.9642 7.94793 12.9642Z' fill='%23249EDC'/%3E%3C/svg%3E%0A\")}.snowflake-button-container.is-expand::before{background-image:url(\"data:image/svg+xml,%3Csvg width='18' height='18' viewBox='0 0 18 18' fill='none' xmlns='http://www.w3.org/2000/svg'%3E%3Cpath d='M6.64375 10.9125C6.9375 11.2062 6.93125 11.6812 6.64375 11.9687L2.57502 16H3.79375C4.20625 16 4.54376 16.3375 4.54376 16.75C4.54376 17.1625 4.20625 17.5 3.79375 17.5H.756264C.556264 17.5 .36876 17.4187 .22501 17.2812C.22501 17.2812 .206248 17.25 .193748 17.2375C.143748 17.1812 .100004 17.1125 .0625038 17.0437C.0375038 16.9687 .0187492 16.8937 .0187492 16.8187C.0187492 16.8 .0062561 16.7813 .0062561 16.7625V13.725C.0187561 13.3125 .356257 12.9875 .768757 12.9937C1.16876 13 1.48752 13.325 1.50002 13.725V14.9688L5.5875 10.9187C5.88125 10.6312 6.35 10.6312 6.64375 10.9187V10.9125ZM17.5063 .743732C17.5063 .543732 17.425 .356235 17.2875 .218735C17.2875 .218735 17.2562 .199998 17.2437 .193748C17.1875 .137498 17.1188 .0937347 17.0438 .0624847C16.9688 .0374847 16.8938 .0187492 16.8188 .0187492C16.8 .0187492 16.7813 .00623703 16.7625 .00623703H13.725C13.3125 .00623703 12.975 .343745 12.975 .756245C12.975 1.16874 13.3125 1.50623 13.725 1.50623H14.9688L11.1312 5.37498C10.8437 5.67498 10.8563 6.14999 11.1563 6.43124C11.45 6.71249 11.9063 6.70624 12.1938 6.43124L16.0125 2.575V3.79375C16.0125 4.20625 16.35 4.54372 16.7625 4.54372C17.175 4.54372 17.5125 4.20625 17.5125 3.79375V.756245L17.5063 .743732ZM16.7562 12.9688C16.3437 12.9688 16.0063 13.3063 16.0063 13.7188V14.8937L12.1938 10.925C11.9063 10.625 11.4375 10.6188 11.1375 10.9063C10.8375 11.1938 10.8313 11.6625 11.1188 11.9625L15 16.0062H13.7188C13.3063 16.0062 12.9688 16.3437 12.9688 16.7562C12.9688 17.1687 13.3063 17.5063 13.7188 17.5063H16.7562C16.85 17.5063 16.95 17.4875 17.0375 17.45C17.0875 17.425 17.1313 17.3937 17.175 17.3625C17.2063 17.3437 17.2438 17.325 17.275 17.3C17.3313 17.2375 17.375 17.1687 17.4125 17.1C17.4188 17.0875 17.4375 17.075 17.4438 17.0562C17.45 17.025 17.4563 16.9938 17.4625 16.9625C17.4813 16.9 17.5 16.8375 17.5 16.7687V13.725C17.5 13.3125 17.1687 12.975 16.7562 12.975V12.9688ZM.750008 4.53125C1.16251 4.53125 1.50002 4.19374 1.50002 3.78124V2.5L5.59376 6.43124C5.89376 6.71874 6.36251 6.70626 6.65001 6.41251C6.93751 6.11876 6.92501 5.64375 6.63126 5.35625L2.61251 1.49998H3.7875C4.2 1.49998 4.53751 1.16249 4.53751 .749989C4.53751 .337489 4.2 0 3.7875 0H.743752C.668752 0 .600004 .0187355 .531254 .0437355C.506254 .0499855 .481263 .0437477 .462513 .0562477C.443763 .0687477 .425015 .0812462 .406265 .0937462C.337515 .124996 .275004 .168741 .218754 .224991H.212498C.212498 .224991 .175 .28125 .15625 .3125C.11875 .3625 .0812477 .4125 .0562477 .46875C.0374977 .525 .0249992 .587499 .0187492 .643749C.0124992 .674999 0 .712482 0 .743732V3.78124C0 4.19374 .337508 4.53125 .750008 4.53125Z' fill='white'/%3E%3C/svg%3E%0A\")}@keyframes slow-scroll{100%{transform:translateY(-50%)}}.sc-hero{overflow:hidden;background-color:#212d35;background-repeat:repeat-y;background-image:url(\"data:image/svg+xml,%3Csvg width='389' height='17' viewBox='0 0 389 17' fill='none' xmlns='http://www.w3.org/2000/svg'%3E%3Cpath fill-rule='evenodd' clip-rule='evenodd' d='M.638672 7.80824L.638672 9.2566C.638672 9.52364 .85538 9.74024 1.12262 9.74024H2.57204C2.83928 9.74024 3.05598 9.52364 3.05598 9.2566V7.80824C3.05598 7.54119 2.83928 7.32472 2.57204 7.32472L1.12262 7.32472C.85538 7.32472 .638672 7.54119 .638672 7.80824Z' fill='url(%23paint0_linear_8295_70635)'/%3E%3Cpath fill-rule='evenodd' clip-rule='evenodd' d='M10.9639 7.80824V9.2566C10.9639 9.52364 11.1806 9.74024 11.4478 9.74024L12.8972 9.74024C13.1645 9.74024 13.3812 9.52364 13.3812 9.2566V7.80824C13.3812 7.54119 13.1645 7.32471 12.8972 7.32471L11.4478 7.32471C11.1806 7.32471 10.9639 7.54119 10.9639 7.80824Z' fill='url(%23paint1_linear_8295_70635)'/%3E%3Cpath fill-rule='evenodd' clip-rule='evenodd' d='M21.2891 7.80823V9.2566C21.2891 9.52364 21.5058 9.74024 21.773 9.74024L23.2224 9.74024C23.4897 9.74024 23.7064 9.52364 23.7064 9.2566V7.80823C23.7064 7.54119 23.4897 7.32471 23.2224 7.32471L21.773 7.32471C21.5058 7.32471 21.2891 7.54119 21.2891 7.80823Z' fill='url(%23paint2_linear_8295_70635)'/%3E%3Cpath fill-rule='evenodd' clip-rule='evenodd' d='M31.6143 7.80823V9.2566C31.6143 9.52364 31.831 9.74024 32.0982 9.74024H33.5476C33.8149 9.74024 34.0316 9.52364 34.0316 9.2566V7.80823C34.0316 7.54119 33.8149 7.32471 33.5476 7.32471L32.0982 7.32471C31.831 7.32471 31.6143 7.54119 31.6143 7.80823Z' fill='url(%23paint3_linear_8295_70635)'/%3E%3Cpath fill-rule='evenodd' clip-rule='evenodd' d='M41.9395 7.80823V9.2566C41.9395 9.52364 42.1562 9.74024 42.4234 9.74024H43.8728C44.1401 9.74024 44.3568 9.52364 44.3568 9.2566V7.80823C44.3568 7.54119 44.1401 7.32471 43.8728 7.32471L42.4234 7.32471C42.1562 7.32471 41.9395 7.54119 41.9395 7.80823Z' fill='url(%23paint4_linear_8295_70635)'/%3E%3Cpath fill-rule='evenodd' clip-rule='evenodd' d='M52.5076 7.80823V9.2566C52.5076 9.52364 52.7243 9.74024 52.9916 9.74024H54.441C54.7082 9.74024 54.9249 9.52364 54.9249 9.2566V7.80823C54.9249 7.54119 54.7082 7.32471 54.441 7.32471L52.9916 7.32471C52.7243 7.32471 52.5076 7.54119 52.5076 7.80823Z' fill='url(%23paint5_linear_8295_70635)'/%3E%3Cpath fill-rule='evenodd' clip-rule='evenodd' d='M62.8331 7.80823V9.2566C62.8331 9.52364 63.0493 9.74024 63.3165 9.74024H64.7664C65.0332 9.74024 65.2504 9.52364 65.2504 9.2566V7.80823C65.2504 7.54119 65.0332 7.32471 64.7664 7.32471L63.3165 7.32471C63.0493 7.32471 62.8331 7.54119 62.8331 7.80823Z' fill='url(%23paint6_linear_8295_70635)'/%3E%3Cpath fill-rule='evenodd' clip-rule='evenodd' d='M73.1583 7.80823V9.2566C73.1583 9.52364 73.3745 9.74024 73.6417 9.74024H75.0916C75.3584 9.74024 75.5756 9.52364 75.5756 9.2566V7.80823C75.5756 7.54119 75.3584 7.32471 75.0916 7.32471L73.6417 7.32471C73.3745 7.32471 73.1583 7.54119 73.1583 7.80823Z' fill='url(%23paint7_linear_8295_70635)'/%3E%3Cpath fill-rule='evenodd' clip-rule='evenodd' d='M83.4835 7.80823V9.2566C83.4835 9.52364 83.6997 9.74024 83.9669 9.74024H85.4168C85.6836 9.74024 85.9008 9.52364 85.9008 9.2566V7.80823C85.9008 7.54119 85.6836 7.32471 85.4168 7.32471L83.9669 7.32471C83.6997 7.32471 83.4835 7.54119 83.4835 7.80823Z' fill='url(%23paint8_linear_8295_70635)'/%3E%3Cpath fill-rule='evenodd' clip-rule='evenodd' d='M93.8087 7.80823V9.2566C93.8087 9.52364 94.0249 9.74024 94.2921 9.74024H95.742C96.0088 9.74024 96.226 9.52364 96.226 9.2566V7.80823C96.226 7.54119 96.0088 7.32471 95.742 7.32471L94.2921 7.32471C94.0249 7.32471 93.8087 7.54119 93.8087 7.80823Z' fill='url(%23paint9_linear_8295_70635)'/%3E%3Cpath fill-rule='evenodd' clip-rule='evenodd' d='M104.134 7.80823V9.2566C104.134 9.52364 104.35 9.74024 104.617 9.74024H106.067C106.334 9.74024 106.551 9.52364 106.551 9.2566V7.80823C106.551 7.54119 106.334 7.32471 106.067 7.32471L104.617 7.32471C104.35 7.32471 104.134 7.54119 104.134 7.80823Z' fill='url(%23paint10_linear_8295_70635)'/%3E%3Cpath fill-rule='evenodd' clip-rule='evenodd' d='M114.702 7.80823V9.2566C114.702 9.52364 114.918 9.74024 115.185 9.74024L116.635 9.74024C116.902 9.74024 117.119 9.52364 117.119 9.25659V7.80823C117.119 7.54119 116.902 7.32471 116.635 7.32471L115.185 7.32471C114.918 7.32471 114.702 7.54119 114.702 7.80823Z' fill='url(%23paint11_linear_8295_70635)'/%3E%3Cpath fill-rule='evenodd' clip-rule='evenodd' d='M125.027 7.80823V9.25659C125.027 9.52364 125.243 9.74024 125.511 9.74024L126.961 9.74024C127.227 9.74024 127.445 9.52364 127.445 9.25659V7.80823C127.445 7.54119 127.227 7.32471 126.961 7.32471L125.511 7.32471C125.243 7.32471 125.027 7.54119 125.027 7.80823Z' fill='url(%23paint12_linear_8295_70635)'/%3E%3Cpath fill-rule='evenodd' clip-rule='evenodd' d='M135.352 7.80823V9.25659C135.352 9.52364 135.569 9.74024 135.836 9.74024H137.286C137.553 9.74024 137.77 9.52364 137.77 9.25659V7.80823C137.77 7.54119 137.553 7.32471 137.286 7.32471L135.836 7.32471C135.569 7.32471 135.352 7.54119 135.352 7.80823Z' fill='url(%23paint13_linear_8295_70635)'/%3E%3Cpath fill-rule='evenodd' clip-rule='evenodd' d='M145.678 7.80823V9.25659C145.678 9.52364 145.894 9.74024 146.161 9.74024H147.611C147.878 9.74024 148.095 9.52364 148.095 9.25659V7.80823C148.095 7.54119 147.878 7.32471 147.611 7.32471L146.161 7.32471C145.894 7.32471 145.678 7.54119 145.678 7.80823Z' fill='url(%23paint14_linear_8295_70635)'/%3E%3Cpath fill-rule='evenodd' clip-rule='evenodd' d='M156.003 7.80823V9.25659C156.003 9.52364 156.219 9.74024 156.486 9.74024H157.936C158.203 9.74024 158.42 9.52364 158.42 9.25659V7.80823C158.42 7.54119 158.203 7.32471 157.936 7.32471L156.486 7.32471C156.219 7.32471 156.003 7.54119 156.003 7.80823Z' fill='url(%23paint15_linear_8295_70635)'/%3E%3Cpath fill-rule='evenodd' clip-rule='evenodd' d='M166.328 7.80823V9.25659C166.328 9.52363 166.544 9.74024 166.811 9.74024H168.261C168.528 9.74024 168.745 9.52363 168.745 9.25659V7.80823C168.745 7.54119 168.528 7.32471 168.261 7.32471L166.811 7.32471C166.544 7.32471 166.328 7.54119 166.328 7.80823Z' fill='url(%23paint16_linear_8295_70635)'/%3E%3Cpath fill-rule='evenodd' clip-rule='evenodd' d='M176.896 7.80823V9.25659C176.896 9.52363 177.112 9.74023 177.38 9.74023H178.83C179.096 9.74023 179.313 9.52363 179.313 9.25659V7.80823C179.313 7.54119 179.096 7.32471 178.83 7.32471L177.38 7.32471C177.112 7.32471 176.896 7.54119 176.896 7.80823Z' fill='url(%23paint17_linear_8295_70635)'/%3E%3Cpath fill-rule='evenodd' clip-rule='evenodd' d='M187.221 7.80823V9.25659C187.221 9.52363 187.438 9.74023 187.705 9.74023H189.155C189.421 9.74023 189.639 9.52363 189.639 9.25659V7.80823C189.639 7.54119 189.421 7.32471 189.155 7.32471L187.705 7.32471C187.438 7.32471 187.221 7.54119 187.221 7.80823Z' fill='url(%23paint18_linear_8295_70635)'/%3E%3Cpath fill-rule='evenodd' clip-rule='evenodd' d='M199.639 7.80824V9.2566C199.639 9.52364 199.855 9.74024 200.123 9.74024H201.572C201.839 9.74024 202.056 9.52364 202.056 9.2566V7.80824C202.056 7.54119 201.839 7.32472 201.572 7.32472L200.123 7.32472C199.855 7.32472 199.639 7.54119 199.639 7.80824Z' fill='url(%23paint19_linear_8295_70635)'/%3E%3Cpath fill-rule='evenodd' clip-rule='evenodd' d='M209.964 7.80824V9.2566C209.964 9.52364 210.181 9.74024 210.448 9.74024L211.897 9.74024C212.164 9.74024 212.381 9.52364 212.381 9.2566V7.80824C212.381 7.54119 212.164 7.32471 211.897 7.32471L210.448 7.32471C210.181 7.32471 209.964 7.54119 209.964 7.80824Z' fill='url(%23paint20_linear_8295_70635)'/%3E%3Cpath fill-rule='evenodd' clip-rule='evenodd' d='M220.289 7.80823V9.2566C220.289 9.52364 220.506 9.74024 220.773 9.74024L222.222 9.74024C222.49 9.74024 222.706 9.52364 222.706 9.2566V7.80823C222.706 7.54119 222.49 7.32471 222.222 7.32471L220.773 7.32471C220.506 7.32471 220.289 7.54119 220.289 7.80823Z' fill='url(%23paint21_linear_8295_70635)'/%3E%3Cpath fill-rule='evenodd' clip-rule='evenodd' d='M230.614 7.80823V9.2566C230.614 9.52364 230.831 9.74024 231.098 9.74024H232.548C232.815 9.74024 233.032 9.52364 233.032 9.2566V7.80823C233.032 7.54119 232.815 7.32471 232.548 7.32471L231.098 7.32471C230.831 7.32471 230.614 7.54119 230.614 7.80823Z' fill='url(%23paint22_linear_8295_70635)'/%3E%3Cpath fill-rule='evenodd' clip-rule='evenodd' d='M240.939 7.80823V9.2566C240.939 9.52364 241.156 9.74024 241.423 9.74024H242.873C243.14 9.74024 243.357 9.52364 243.357 9.2566V7.80823C243.357 7.54119 243.14 7.32471 242.873 7.32471L241.423 7.32471C241.156 7.32471 240.939 7.54119 240.939 7.80823Z' fill='url(%23paint23_linear_8295_70635)'/%3E%3Cpath fill-rule='evenodd' clip-rule='evenodd' d='M251.508 7.80823V9.2566C251.508 9.52364 251.724 9.74024 251.992 9.74024H253.441C253.708 9.74024 253.925 9.52364 253.925 9.2566V7.80823C253.925 7.54119 253.708 7.32471 253.441 7.32471L251.992 7.32471C251.724 7.32471 251.508 7.54119 251.508 7.80823Z' fill='url(%23paint24_linear_8295_70635)'/%3E%3Cpath fill-rule='evenodd' clip-rule='evenodd' d='M261.833 7.80823V9.2566C261.833 9.52364 262.049 9.74024 262.317 9.74024H263.766C264.033 9.74024 264.25 9.52364 264.25 9.2566V7.80823C264.25 7.54119 264.033 7.32471 263.766 7.32471L262.317 7.32471C262.049 7.32471 261.833 7.54119 261.833 7.80823Z' fill='url(%23paint25_linear_8295_70635)'/%3E%3Cpath fill-rule='evenodd' clip-rule='evenodd' d='M272.158 7.80823V9.2566C272.158 9.52364 272.374 9.74024 272.642 9.74024H274.092C274.358 9.74024 274.576 9.52364 274.576 9.2566L274.576 7.80823C274.576 7.54119 274.358 7.32471 274.092 7.32471L272.642 7.32471C272.374 7.32471 272.158 7.54119 272.158 7.80823Z' fill='url(%23paint26_linear_8295_70635)'/%3E%3Cpath fill-rule='evenodd' clip-rule='evenodd' d='M282.483 7.80823V9.2566C282.483 9.52364 282.7 9.74024 282.967 9.74024H284.417C284.684 9.74024 284.901 9.52364 284.901 9.2566V7.80823C284.901 7.54119 284.684 7.32471 284.417 7.32471L282.967 7.32471C282.7 7.32471 282.483 7.54119 282.483 7.80823Z' fill='url(%23paint27_linear_8295_70635)'/%3E%3Cpath fill-rule='evenodd' clip-rule='evenodd' d='M292.809 7.80823L292.809 9.2566C292.809 9.52364 293.025 9.74024 293.292 9.74024H294.742C295.009 9.74024 295.226 9.52364 295.226 9.2566V7.80823C295.226 7.54119 295.009 7.32471 294.742 7.32471L293.292 7.32471C293.025 7.32471 292.809 7.54119 292.809 7.80823Z' fill='url(%23paint28_linear_8295_70635)'/%3E%3Cpath fill-rule='evenodd' clip-rule='evenodd' d='M303.134 7.80823L303.134 9.2566C303.134 9.52364 303.35 9.74024 303.617 9.74024H305.067C305.334 9.74024 305.551 9.52364 305.551 9.2566V7.80823C305.551 7.54119 305.334 7.32471 305.067 7.32471L303.617 7.32471C303.35 7.32471 303.134 7.54119 303.134 7.80823Z' fill='url(%23paint29_linear_8295_70635)'/%3E%3Cpath fill-rule='evenodd' clip-rule='evenodd' d='M313.702 7.80823L313.702 9.2566C313.702 9.52364 313.918 9.74024 314.185 9.74024L315.635 9.74024C315.902 9.74024 316.119 9.52364 316.119 9.25659V7.80823C316.119 7.54119 315.902 7.32471 315.635 7.32471L314.185 7.32471C313.918 7.32471 313.702 7.54119 313.702 7.80823Z' fill='url(%23paint30_linear_8295_70635)'/%3E%3Cpath fill-rule='evenodd' clip-rule='evenodd' d='M324.027 7.80823V9.25659C324.027 9.52364 324.243 9.74024 324.511 9.74024L325.961 9.74024C326.227 9.74024 326.445 9.52364 326.445 9.25659V7.80823C326.445 7.54119 326.227 7.32471 325.961 7.32471L324.511 7.32471C324.243 7.32471 324.027 7.54119 324.027 7.80823Z' fill='url(%23paint31_linear_8295_70635)'/%3E%3Cpath fill-rule='evenodd' clip-rule='evenodd' d='M334.352 7.80823V9.25659C334.352 9.52364 334.569 9.74024 334.836 9.74024H336.286C336.553 9.74024 336.77 9.52364 336.77 9.25659L336.77 7.80823C336.77 7.54119 336.553 7.32471 336.286 7.32471L334.836 7.32471C334.569 7.32471 334.352 7.54119 334.352 7.80823Z' fill='url(%23paint32_linear_8295_70635)'/%3E%3Cpath fill-rule='evenodd' clip-rule='evenodd' d='M344.678 7.80823V9.25659C344.678 9.52364 344.894 9.74024 345.161 9.74024H346.611C346.878 9.74024 347.095 9.52364 347.095 9.25659L347.095 7.80823C347.095 7.54119 346.878 7.32471 346.611 7.32471L345.161 7.32471C344.894 7.32471 344.678 7.54119 344.678 7.80823Z' fill='url(%23paint33_linear_8295_70635)'/%3E%3Cpath fill-rule='evenodd' clip-rule='evenodd' d='M355.003 7.80823V9.25659C355.003 9.52364 355.219 9.74024 355.486 9.74024H356.936C357.203 9.74024 357.42 9.52364 357.42 9.25659L357.42 7.80823C357.42 7.54119 357.203 7.32471 356.936 7.32471L355.486 7.32471C355.219 7.32471 355.003 7.54119 355.003 7.80823Z' fill='url(%23paint34_linear_8295_70635)'/%3E%3Cpath fill-rule='evenodd' clip-rule='evenodd' d='M365.328 7.80823V9.25659C365.328 9.52363 365.544 9.74024 365.811 9.74024H367.261C367.528 9.74024 367.745 9.52363 367.745 9.25659V7.80823C367.745 7.54119 367.528 7.32471 367.261 7.32471L365.811 7.32471C365.544 7.32471 365.328 7.54119 365.328 7.80823Z' fill='url(%23paint35_linear_8295_70635)'/%3E%3Cpath fill-rule='evenodd' clip-rule='evenodd' d='M375.896 7.80823V9.25659C375.896 9.52363 376.112 9.74023 376.38 9.74023H377.83C378.096 9.74023 378.313 9.52363 378.313 9.25659V7.80823C378.313 7.54119 378.096 7.32471 377.829 7.32471L376.38 7.32471C376.112 7.32471 375.896 7.54119 375.896 7.80823Z' fill='url(%23paint36_linear_8295_70635)'/%3E%3Cpath fill-rule='evenodd' clip-rule='evenodd' d='M386.221 7.80823V9.25659C386.221 9.52363 386.438 9.74023 386.705 9.74023H388.155C388.421 9.74023 388.639 9.52363 388.639 9.25659V7.80823C388.639 7.54119 388.421 7.32471 388.155 7.32471L386.705 7.32471C386.438 7.32471 386.221 7.54119 386.221 7.80823Z' fill='url(%23paint37_linear_8295_70635)'/%3E%3Cdefs%3E%3ClinearGradient id='paint0_linear_8295_70635' x1='-47.5' y1='8.99989' x2='332' y2='8.99989' gradientUnits='userSpaceOnUse'%3E%3Cstop stop-color='%2329B5E8' stop-opacity='.8'/%3E%3Cstop offset='1' stop-color='%2329B5E8' stop-opacity='0'/%3E%3C/linearGradient%3E%3ClinearGradient id='paint1_linear_8295_70635' x1='-47.5' y1='8.99989' x2='332' y2='8.99989' gradientUnits='userSpaceOnUse'%3E%3Cstop stop-color='%2329B5E8' stop-opacity='.8'/%3E%3Cstop offset='1' stop-color='%2329B5E8' stop-opacity='0'/%3E%3C/linearGradient%3E%3ClinearGradient id='paint2_linear_8295_70635' x1='-47.5' y1='8.99989' x2='332' y2='8.99989' gradientUnits='userSpaceOnUse'%3E%3Cstop stop-color='%2329B5E8' stop-opacity='.8'/%3E%3Cstop offset='1' stop-color='%2329B5E8' stop-opacity='0'/%3E%3C/linearGradient%3E%3ClinearGradient id='paint3_linear_8295_70635' x1='-47.5' y1='8.99989' x2='332' y2='8.99989' gradientUnits='userSpaceOnUse'%3E%3Cstop stop-color='%2329B5E8' stop-opacity='.8'/%3E%3Cstop offset='1' stop-color='%2329B5E8' stop-opacity='0'/%3E%3C/linearGradient%3E%3ClinearGradient id='paint4_linear_8295_70635' x1='-47.5' y1='8.99989' x2='332' y2='8.99989' gradientUnits='userSpaceOnUse'%3E%3Cstop stop-color='%2329B5E8' stop-opacity='.8'/%3E%3Cstop offset='1' stop-color='%2329B5E8' stop-opacity='0'/%3E%3C/linearGradient%3E%3ClinearGradient id='paint5_linear_8295_70635' x1='-47.5' y1='8.99989' x2='332' y2='8.99989' gradientUnits='userSpaceOnUse'%3E%3Cstop stop-color='%2329B5E8' stop-opacity='.8'/%3E%3Cstop offset='1' stop-color='%2329B5E8' stop-opacity='0'/%3E%3C/linearGradient%3E%3ClinearGradient id='paint6_linear_8295_70635' x1='-47.5' y1='8.99989' x2='332' y2='8.99989' gradientUnits='userSpaceOnUse'%3E%3Cstop stop-color='%2329B5E8' stop-opacity='.8'/%3E%3Cstop offset='1' stop-color='%2329B5E8' stop-opacity='0'/%3E%3C/linearGradient%3E%3ClinearGradient id='paint7_linear_8295_70635' x1='-47.5' y1='8.99989' x2='332' y2='8.99989' gradientUnits='userSpaceOnUse'%3E%3Cstop stop-color='%2329B5E8' stop-opacity='.8'/%3E%3Cstop offset='1' stop-color='%2329B5E8' stop-opacity='0'/%3E%3C/linearGradient%3E%3ClinearGradient id='paint8_linear_8295_70635' x1='-47.5' y1='8.99989' x2='332' y2='8.99989' gradientUnits='userSpaceOnUse'%3E%3Cstop stop-color='%2329B5E8' stop-opacity='.8'/%3E%3Cstop offset='1' stop-color='%2329B5E8' stop-opacity='0'/%3E%3C/linearGradient%3E%3ClinearGradient id='paint9_linear_8295_70635' x1='-47.5' y1='8.99989' x2='332' y2='8.99989' gradientUnits='userSpaceOnUse'%3E%3Cstop stop-color='%2329B5E8' stop-opacity='.8'/%3E%3Cstop offset='1' stop-color='%2329B5E8' stop-opacity='0'/%3E%3C/linearGradient%3E%3ClinearGradient id='paint10_linear_8295_70635' x1='-47.5' y1='8.99989' x2='332' y2='8.99989' gradientUnits='userSpaceOnUse'%3E%3Cstop stop-color='%2329B5E8' stop-opacity='.8'/%3E%3Cstop offset='1' stop-color='%2329B5E8' stop-opacity='0'/%3E%3C/linearGradient%3E%3ClinearGradient id='paint11_linear_8295_70635' x1='-47.5' y1='8.99989' x2='332' y2='8.99989' gradientUnits='userSpaceOnUse'%3E%3Cstop stop-color='%2329B5E8' stop-opacity='.8'/%3E%3Cstop offset='1' stop-color='%2329B5E8' stop-opacity='0'/%3E%3C/linearGradient%3E%3ClinearGradient id='paint12_linear_8295_70635' x1='-47.5' y1='8.99989' x2='332' y2='8.99989' gradientUnits='userSpaceOnUse'%3E%3Cstop stop-color='%2329B5E8' stop-opacity='.8'/%3E%3Cstop offset='1' stop-color='%2329B5E8' stop-opacity='0'/%3E%3C/linearGradient%3E%3ClinearGradient id='paint13_linear_8295_70635' x1='-47.5' y1='8.99989' x2='332' y2='8.99989' gradientUnits='userSpaceOnUse'%3E%3Cstop stop-color='%2329B5E8' stop-opacity='.8'/%3E%3Cstop offset='1' stop-color='%2329B5E8' stop-opacity='0'/%3E%3C/linearGradient%3E%3ClinearGradient id='paint14_linear_8295_70635' x1='-47.5' y1='8.99989' x2='332' y2='8.99989' gradientUnits='userSpaceOnUse'%3E%3Cstop stop-color='%2329B5E8' stop-opacity='.8'/%3E%3Cstop offset='1' stop-color='%2329B5E8' stop-opacity='0'/%3E%3C/linearGradient%3E%3ClinearGradient id='paint15_linear_8295_70635' x1='-47.5' y1='8.99989' x2='332' y2='8.99989' gradientUnits='userSpaceOnUse'%3E%3Cstop stop-color='%2329B5E8' stop-opacity='.8'/%3E%3Cstop offset='1' stop-color='%2329B5E8' stop-opacity='0'/%3E%3C/linearGradient%3E%3ClinearGradient id='paint16_linear_8295_70635' x1='-47.5' y1='8.99989' x2='332' y2='8.99989' gradientUnits='userSpaceOnUse'%3E%3Cstop stop-color='%2329B5E8' stop-opacity='.8'/%3E%3Cstop offset='1' stop-color='%2329B5E8' stop-opacity='0'/%3E%3C/linearGradient%3E%3ClinearGradient id='paint17_linear_8295_70635' x1='-47.5' y1='8.99989' x2='332' y2='8.99989' gradientUnits='userSpaceOnUse'%3E%3Cstop stop-color='%2329B5E8' stop-opacity='.8'/%3E%3Cstop offset='1' stop-color='%2329B5E8' stop-opacity='0'/%3E%3C/linearGradient%3E%3ClinearGradient id='paint18_linear_8295_70635' x1='-47.5' y1='8.99989' x2='332' y2='8.99989' gradientUnits='userSpaceOnUse'%3E%3Cstop stop-color='%2329B5E8' stop-opacity='.8'/%3E%3Cstop offset='1' stop-color='%2329B5E8' stop-opacity='0'/%3E%3C/linearGradient%3E%3ClinearGradient id='paint19_linear_8295_70635' x1='-47.5' y1='8.99989' x2='332' y2='8.99989' gradientUnits='userSpaceOnUse'%3E%3Cstop stop-color='%2329B5E8' stop-opacity='.8'/%3E%3Cstop offset='1' stop-color='%2329B5E8' stop-opacity='0'/%3E%3C/linearGradient%3E%3ClinearGradient id='paint20_linear_8295_70635' x1='-47.5' y1='8.99989' x2='332' y2='8.99989' gradientUnits='userSpaceOnUse'%3E%3Cstop stop-color='%2329B5E8' stop-opacity='.8'/%3E%3Cstop offset='1' stop-color='%2329B5E8' stop-opacity='0'/%3E%3C/linearGradient%3E%3ClinearGradient id='paint21_linear_8295_70635' x1='-47.5' y1='8.99989' x2='332' y2='8.99989' gradientUnits='userSpaceOnUse'%3E%3Cstop stop-color='%2329B5E8' stop-opacity='.8'/%3E%3Cstop offset='1' stop-color='%2329B5E8' stop-opacity='0'/%3E%3C/linearGradient%3E%3ClinearGradient id='paint22_linear_8295_70635' x1='-47.5' y1='8.99989' x2='332' y2='8.99989' gradientUnits='userSpaceOnUse'%3E%3Cstop stop-color='%2329B5E8' stop-opacity='.8'/%3E%3Cstop offset='1' stop-color='%2329B5E8' stop-opacity='0'/%3E%3C/linearGradient%3E%3ClinearGradient id='paint23_linear_8295_70635' x1='-47.5' y1='8.99989' x2='332' y2='8.99989' gradientUnits='userSpaceOnUse'%3E%3Cstop stop-color='%2329B5E8' stop-opacity='.8'/%3E%3Cstop offset='1' stop-color='%2329B5E8' stop-opacity='0'/%3E%3C/linearGradient%3E%3ClinearGradient id='paint24_linear_8295_70635' x1='-47.5' y1='8.99989' x2='332' y2='8.99989' gradientUnits='userSpaceOnUse'%3E%3Cstop stop-color='%2329B5E8' stop-opacity='.8'/%3E%3Cstop offset='1' stop-color='%2329B5E8' stop-opacity='0'/%3E%3C/linearGradient%3E%3ClinearGradient id='paint25_linear_8295_70635' x1='-47.5' y1='8.99989' x2='332' y2='8.99989' gradientUnits='userSpaceOnUse'%3E%3Cstop stop-color='%2329B5E8' stop-opacity='.8'/%3E%3Cstop offset='1' stop-color='%2329B5E8' stop-opacity='0'/%3E%3C/linearGradient%3E%3ClinearGradient id='paint26_linear_8295_70635' x1='-47.5' y1='8.99989' x2='332' y2='8.99989' gradientUnits='userSpaceOnUse'%3E%3Cstop stop-color='%2329B5E8' stop-opacity='.8'/%3E%3Cstop offset='1' stop-color='%2329B5E8' stop-opacity='0'/%3E%3C/linearGradient%3E%3ClinearGradient id='paint27_linear_8295_70635' x1='-47.5' y1='8.99989' x2='332' y2='8.99989' gradientUnits='userSpaceOnUse'%3E%3Cstop stop-color='%2329B5E8' stop-opacity='.8'/%3E%3Cstop offset='1' stop-color='%2329B5E8' stop-opacity='0'/%3E%3C/linearGradient%3E%3ClinearGradient id='paint28_linear_8295_70635' x1='-47.5' y1='8.99989' x2='332' y2='8.99989' gradientUnits='userSpaceOnUse'%3E%3Cstop stop-color='%2329B5E8' stop-opacity='.8'/%3E%3Cstop offset='1' stop-color='%2329B5E8' stop-opacity='0'/%3E%3C/linearGradient%3E%3ClinearGradient id='paint29_linear_8295_70635' x1='-47.5' y1='8.99989' x2='332' y2='8.99989' gradientUnits='userSpaceOnUse'%3E%3Cstop stop-color='%2329B5E8' stop-opacity='.8'/%3E%3Cstop offset='1' stop-color='%2329B5E8' stop-opacity='0'/%3E%3C/linearGradient%3E%3ClinearGradient id='paint30_linear_8295_70635' x1='-47.5' y1='8.99989' x2='332' y2='8.99989' gradientUnits='userSpaceOnUse'%3E%3Cstop stop-color='%2329B5E8' stop-opacity='.8'/%3E%3Cstop offset='1' stop-color='%2329B5E8' stop-opacity='0'/%3E%3C/linearGradient%3E%3ClinearGradient id='paint31_linear_8295_70635' x1='-47.5' y1='8.99989' x2='332' y2='8.99989' gradientUnits='userSpaceOnUse'%3E%3Cstop stop-color='%2329B5E8' stop-opacity='.8'/%3E%3Cstop offset='1' stop-color='%2329B5E8' stop-opacity='0'/%3E%3C/linearGradient%3E%3ClinearGradient id='paint32_linear_8295_70635' x1='-47.5' y1='8.99989' x2='332' y2='8.99989' gradientUnits='userSpaceOnUse'%3E%3Cstop stop-color='%2329B5E8' stop-opacity='.8'/%3E%3Cstop offset='1' stop-color='%2329B5E8' stop-opacity='0'/%3E%3C/linearGradient%3E%3ClinearGradient id='paint33_linear_8295_70635' x1='-47.5' y1='8.99989' x2='332' y2='8.99989' gradientUnits='userSpaceOnUse'%3E%3Cstop stop-color='%2329B5E8' stop-opacity='.8'/%3E%3Cstop offset='1' stop-color='%2329B5E8' stop-opacity='0'/%3E%3C/linearGradient%3E%3ClinearGradient id='paint34_linear_8295_70635' x1='-47.5' y1='8.99989' x2='332' y2='8.99989' gradientUnits='userSpaceOnUse'%3E%3Cstop stop-color='%2329B5E8' stop-opacity='.8'/%3E%3Cstop offset='1' stop-color='%2329B5E8' stop-opacity='0'/%3E%3C/linearGradient%3E%3ClinearGradient id='paint35_linear_8295_70635' x1='-47.5' y1='8.99989' x2='332' y2='8.99989' gradientUnits='userSpaceOnUse'%3E%3Cstop stop-color='%2329B5E8' stop-opacity='.8'/%3E%3Cstop offset='1' stop-color='%2329B5E8' stop-opacity='0'/%3E%3C/linearGradient%3E%3ClinearGradient id='paint36_linear_8295_70635' x1='-47.5' y1='8.99989' x2='332' y2='8.99989' gradientUnits='userSpaceOnUse'%3E%3Cstop stop-color='%2329B5E8' stop-opacity='.8'/%3E%3Cstop offset='1' stop-color='%2329B5E8' stop-opacity='0'/%3E%3C/linearGradient%3E%3ClinearGradient id='paint37_linear_8295_70635' x1='-47.5' y1='8.99989' x2='332' y2='8.99989' gradientUnits='userSpaceOnUse'%3E%3Cstop stop-color='%2329B5E8' stop-opacity='.8'/%3E%3Cstop offset='1' stop-color='%2329B5E8' stop-opacity='0'/%3E%3C/linearGradient%3E%3C/defs%3E%3C/svg%3E%0A\")}.sc-hero__inner\u003E.snowflake-flexible-column-container-items\u003Ediv:first-child{position:relative;z-index:3}.sc-hero__inner\u003E.snowflake-flexible-column-container-items\u003Ediv:last-child{position:absolute;height:100%;width:100%;top:0;left:-24px}.sc-hero__inner\u003E.snowflake-flexible-column-container-items\u003Ediv:last-child::before{content:\"\";display:block;z-index:1;position:absolute;top:-64px;left:0;width:150%;height:calc(100% + 160px);background-color:rgb(32 44 53 / .9)}.sc-body__content .heading-3-v2,.sc-hero__headline .heading-1-v2{text-transform:none}.sc-body__content span.snowflake-image-caption{display:block!important;font-style:italic}.sc-body__content .snowflake-text p+ul{margin-top:24px!important;padding-left:16px!important}.white-blue-text-color .snowflake-title-v2.solution-center-hero__certification .snowflake-typographyv2\u003Espan.snowflake-title-v2-line{color:#e9eaeb!important;font-size:16px}.white-blue-text-color .snowflake-title-v2.solution-center-hero__certification.is-large .snowflake-typographyv2\u003Espan.snowflake-title-v2-line{color:#fff!important;font-size:18px}.solution-center-hero__certification\u003E.snowflake-title-v2-line\u003Espan:first-child{display:flex;justify-content:flex-start;align-items:center;gap:8px}.solution-center-hero__certification\u003E.snowflake-title-v2-line\u003Espan:first-child::before{content:\"\";display:inline-block;width:16px;height:16px;background-image:url(\"data:image/svg+xml,%3Csvg width='16' height='16' viewBox='0 0 16 16' fill='none' xmlns='http://www.w3.org/2000/svg'%3E%3Cpath d='M8 0C3.58146 0 0 3.58146 0 8C0 12.4185 3.58146 16 8 16C12.4185 16 16 12.4185 16 8C16 3.58146 12.4185 0 8 0ZM12.7184 5.91984L7.33471 11.3026C7.31293 11.3244 7.31293 11.3454 7.29198 11.3454L7.20653 11.4308C6.94933 11.688 6.54132 11.7525 6.21962 11.6235C6.11238 11.5808 6.00514 11.5163 5.9197 11.4308L5.83425 11.3454C5.83425 11.3454 5.83425 11.3236 5.81246 11.3236L3.28149 8.79347C2.93799 8.44997 2.93799 7.87107 3.28149 7.50664L3.36694 7.42119C3.71044 7.07769 4.28934 7.07769 4.65377 7.42119L6.58401 9.35143L11.3877 4.5477C11.7312 4.2042 12.3101 4.2042 12.6746 4.5477L12.76 4.63315C13.0826 4.99758 13.0828 5.55541 12.7184 5.91984Z' fill='%230E8A16'/%3E%3C/svg%3E%0A\");background-size:contain;background-repeat:no-repeat;background-color:#fff;border-radius:100%}.sc-hero__byline{padding-top:8px}.sc-hero__byline p{color:#e2e2e2;margin-top:0!important}.sc-hero pre[class*=language-]{overflow:visible}.snowflake-code-snippet,.snowflake-code-snippet code,.snowflake-code-snippet pre{font-size:16px}.sc-hero__code-snippet:not(pre)\u003Ecode[class*=language-],.sc-hero__code-snippet pre[class*=language-]{background:0 0}.sc-hero__code-snippet{opacity:.8;background-color:transparent!important;position:absolute;top:0;right:0;width:100%;animation:240s linear 1s forwards slow-scroll}.sc-hero__button-container .snowflake-flexible-column-container-items{padding:0 0 24px;margin-top:-8px;margin-left:24px}.sc-sidebar__partner-logo{width:100%;max-width:140px;margin-top:8px}.sc-sidebar__partner-logo .cmp-image__image{border-radius:0}.sc-tag-cluster.snowflake-text ul{list-style-type:none;padding:0;display:flex;flex-wrap:wrap;gap:8px;margin:0}.sc-tag-cluster.snowflake-text li{color:#373f41;border-radius:4px;display:inline-block;padding:6px;text-transform:uppercase;letter-spacing:1px;font-size:12px!important;line-height:12px!important;margin:0!important;background-color:#f3f3f3}.sc-body .share-icon svg{height:24px;cursor:pointer}.sc-body .share-icon svg:hover path{fill:var(--ui-02)}.sc-overview__webinar-promo-banner{align-items:center;border:1px solid #ccc;padding:var(--spacing-02)}.sc-overview__webinar-promo-banner .snowflake-content-chip-image{max-width:32px;margin-right:var(--spacing-02);line-height:0}.sc-overview__webinar-promo-banner .snowflake-content-chip-image__image,.summit-speaker-card .snowflake-card-v2-advanced-image__image{aspect-ratio:1}.sc-overview__webinar-promo-banner .snowflake-content-chip-content .heading-5-v2{font-size:14px;font-family:Lato,sans-serif}.sc-overview__webinar-promo-banner .snowflake-content-chip-content .snowflake-title-v2-line:not(:first-child){font-weight:400}.sc-overview__webinar-promo-banner .snowflake-content-chip-button .snowflake-button-container{font-size:14px!important}.diagram-group__button{position:absolute;bottom:24px;right:24px;background-color:#212c35!important}.section--mountains-bottom,.summit-hp-hero{position:relative}.sc-cert-banner{background-color:#212d35;border-radius:8px;padding:24px;overflow:hidden}.sc-cert-banner\u003E.container\u003E.cmp-container\u003E.aem-container{display:flex;flex-direction:row;align-items:center}:root{--text-secondary:#706f6f;--summit-bg-ltblue:#eaf8fd;--summit-bg-blue:#249edc;--summit-border:#d2d1d4;--summit-border-radius:8px;--summit-card-padding:32px;--summit-card-padding-sm:28px}.section--mountains-bottom::after,.section--mountains-bottom::before{content:\"\";display:block;position:absolute;bottom:-1px;max-width:400px;background-size:100% auto;height:100%;width:30%;line-height:0;background-repeat:no-repeat}.button-group\u003E.container\u003E.cmp-container\u003E.aem-container{justify-content:center;align-items:center}.button-group\u003E.container\u003E.cmp-container\u003E.aem-container\u003Ediv{width:auto!important;margin:0 8px!important}.button-group .snowflake-button-container{font-family:Texta,sans-serif}.section--summit-bg-ltblue{background-color:var(--summit-bg-ltblue)}.section--summit-bg-blue,.summit-hero-secondary{background-color:var(--summit-bg-blue)}.section--mountains-bottom::before{left:0;background-image:url(\"data:image/svg+xml,%3Csvg width='402' height='309' viewBox='0 0 402 309' fill='none' xmlns='http://www.w3.org/2000/svg'%3E%3Cpath d='M401.523 308.761H0V0L181.63 182.431L228.479 135.531L401.523 308.761Z' fill='%23249EDC'/%3E%3C/svg%3E%0A\");background-position:bottom left}.section--mountains-bottom::after{right:0;background-image:url(\"data:image/svg+xml,%3Csvg width='402' height='309' viewBox='0 0 402 309' fill='none' xmlns='http://www.w3.org/2000/svg'%3E%3Cpath d='M0 308.761H401.523V0L219.893 182.431L173.044 135.531L0 308.761Z' fill='%23249EDC'/%3E%3C/svg%3E%0A\");background-position:bottom right}.summit-hp-hero{overflow:hidden}.summit-hero__bg-video{position:absolute;top:50%;left:50%;width:120%;height:100%;opacity:.3;transform:translate(-50%,-50%)}.summit-hero__bg-svg,.summit-prefooter__bg-image,.summit-secondary-hero__bg-image{position:absolute;bottom:0;left:0;width:100%}.summit-hp-promo-banner__headline .heading-4-v2{font-weight:900}.summit-hero-secondary .hero-lottie__left{position:absolute;bottom:0;left:0;width:30%;line-height:0}.summit-timeline__card::after,.summit-timeline__card::before{bottom:0;left:50%;position:absolute;display:block;background-color:var(--ui-01);content:\"\"}.summit-hero-secondary .snowflake-text p{font-size:24px!important;line-height:32px!important;max-width:720px;margin:0 auto}.summit-stat-container\u003E.container\u003E.cmp-container\u003E.aem-container{display:flex;justify-content:center}.summit-stat-container\u003E.container\u003E.cmp-container\u003E.aem-container\u003Ediv{width:auto!important;max-width:25%}.summit-stat-container\u003E.container\u003E.cmp-container\u003E.aem-container\u003Ediv:not(:last-child){border-right:1px solid #fff}.summit-timeline__card{border:1px solid var(--summit-border);border-radius:var(--summit-border-radius);padding:var(--summit-card-padding);position:relative;background-color:#fff}.summit-timeline__card::before{width:20px;height:20px;border-radius:100%;transform:translate(-50%,50%)}.summit-timeline__card::after{width:3px;height:50px;transform:translate(-50%,100%)}.summit-timeline-card__icon{width:48px;height:48px}.summit-timeline-card__headline .heading-3-v2{font-size:32px}.faq-group{border:1px solid var(--ui-12);border-radius:4px;background-color:#fff}.faq-group__question{padding:24px}.faq-group__question:hover{color:var(--ui-01);cursor:pointer}.faq-group__question .heading-4-v2,.faq-group__question .heading-5-v2{position:relative;padding-right:64px}.faq-group__question .heading-4-v2::after,.faq-group__question .heading-5-v2::after{content:\"\";display:block;width:32px;height:32px;background-image:url(\"data:image/svg+xml,%3Csvg width='29' height='16' viewBox='0 0 29 16' fill='none' xmlns='http://www.w3.org/2000/svg'%3E%3Cpath fill-rule='evenodd' clip-rule='evenodd' d='M14.16 14.6807C14.2537 14.7957 14.3719 14.8884 14.506 14.952C14.64 15.0157 14.7866 15.0487 14.935 15.0487C15.0834 15.0487 15.2299 15.0157 15.3639 14.952C15.498 14.8884 15.6162 14.7957 15.71 14.6807V14.6807L28.51 2.00068C29.07 1.43068 29.07 .92068 28.51 .44068C27.95 -.0393204 27.43 -.11932 26.96 .44068L14.94 12.0007L2.99996 .45068C2.90725 .322624 2.7855 .218374 2.6447 .146483C2.50389 .0745926 2.34805 .0371094 2.18996 .0371094C2.03187 .0371094 1.87603 .0745926 1.73522 .146483C1.59442 .218374 1.47267 .322624 1.37996 .45068C.819961 .93068 .819961 1.45068 1.37996 2.01068L14.16 14.6807Z' fill='black'/%3E%3C/svg%3E%0A\");background-size:80% auto;background-repeat:no-repeat;background-position:center;position:absolute;top:-2px;right:0;transition:.3s 150ms}.faq-group__question .heading-5-v2::after{top:-4px}.faq-group__answer{max-height:0;overflow:hidden;width:95%;padding:0 24px;transition:.5s}.faq-group__answer\u003Espan{display:block;padding-bottom:24px}.is-open .faq-group__answer{max-height:600px;transition:1s}.is-open .faq-group__question .heading-4-v2::after,.is-open .faq-group__question .heading-5-v2::after{transform:rotate(180deg);transition:.3s}.summit-agenda{box-shadow:2px 4px 10px 0 rgb(156 156 156 / .52);border-radius:8px;background-color:#fff;max-width:980px;margin-left:auto;margin-right:auto;padding:40px;width:90%}.agenda-item{border-radius:8px;background-color:#d4f0fa;padding:16px;border-left:4px solid var(--ui-01);position:relative}.summit-pricing-block__tile.is-past,.summit-pricing-block__tile.is-upcoming{pointer-events:none;border-color:#d2d1d4}p.agenda-item__time{width:25%;font-family:Texta!important;font-size:32px!important;font-weight:900!important;text-transform:uppercase!important;max-width:140px}@media screen and (max-width:991px){#partnerResources .section--resource-hub .snowflake-button-link .snowflake-button-container{font-size:14px!important;line-height:20px!important;margin-top:4px}#industryPartnerSlider\u003E.snowflake-flexible-column-container-items{display:flex;flex-direction:column}#industryPartnerSlider\u003E.snowflake-flexible-column-container-items\u003Ediv{width:100%}.sc-cert-banner__left{text-align:center}.sc-cert-banner__left .solution-center-hero__certification .snowflake-title-v2-line{justify-content:center}.summit-hero__bg-video{width:200%}.summit-leadership-grid .snowflake-flexible-column-container-items{grid-template-columns:repeat(2,1fr)}.summit-stat-container\u003E.container\u003E.cmp-container\u003E.aem-container\u003Ediv{width:50%!important;max-width:50%!important}.summit-stat-container\u003E.container\u003E.cmp-container\u003E.aem-container\u003Ediv:not(:last-child){border-right:none!important}.summit-agenda{padding:24px}p.agenda-item__time{font-size:24px!important;width:auto;white-space:nowrap;padding-right:24px}}.agenda-item\u003Espan{display:flex;align-items:center}.summit-add-on-block,.summit-pricing-block{border:1px solid #d2d1d4;border-radius:8px;overflow:hidden;box-shadow:2px 4px 10px 0 rgb(156 156 156 / .52);background-color:#fff}.summit-add-on-block__content,.summit-pricing-block__content{padding:0 20px 20px}.summit-pricing-block__tile{padding:24px 20px;border-radius:4px;background:#fff;border:1px solid var(--ui-01);position:relative;transition:background-color .3s}.summit-pricing-block__tile:hover{background-color:var(--ui-01);transition:background-color .3s}.summit-pricing-block__tile.is-past{background-color:#d4f0fa}.summit-pricing-block__tile:hover .black-blue-text-color .snowflake-title-v2-line{color:#fff!important;transition:color .3s}.partner-card__logo-grid\u003E.container\u003E.cmp-container\u003E.aem-container::after,.partner-card__logo-grid\u003E.container\u003E.cmp-container\u003E.aem-container::before,.summit-add-on-block__content\u003E.container\u003E.cmp-container\u003E.aem-container::after,.summit-add-on-block__content\u003E.container\u003E.cmp-container\u003E.aem-container::before,.summit-pricing-block__tile.is-past .snowflake-content-chip-button,.summit-pricing-block__tile.is-upcoming .snowflake-content-chip-button,.summit-speaker-card .snowflake-card-v2-advanced-tag-indicator{display:none}.summit-pricing-block__tile.is-past .black-blue-text-color .snowflake-title-v2-line{color:#7cc7eb!important}.summit-pricing-block__tile.is-upcoming .black-blue-text-color .snowflake-title-v2-line{color:#8c8c8c!important}.summit-pricing-block__aside{background-color:#d4f0fa;border:1px solid #d2d1d4;border-radius:8px;padding:24px;width:100%}.summit-pricing-block__aside li::marker{color:var(--ui-01)}.summit-pricing-block__aside-headline .heading-5-v2{font-weight:900;margin-bottom:12px}.summit-pricing-block__header{background:#000;padding:24px 40px}.summit-pricing-block__header .heading-4-v2{font-weight:900;letter-spacing:.5px}.bwwidth100,.snowflake-mega-nav-dropdown-footer-content,.summit-pricing-block__tile .black-blue-text-color{width:100%}.summit-pricing-block__tile .heading-5-v2{position:static}.summit-pricing-block__tile .heading-5-v2 span.snowflake-title-v2-line:first-child{text-transform:uppercase;font-weight:900!important;letter-spacing:.25px;font-size:24px!important}.summit-pricing-block__tile .heading-5-v2 span.snowflake-title-v2-line:nth-child(2){margin-top:8px;font-family:Lato,sans-serif;font-size:14px;font-style:normal;font-weight:400;line-height:16px}.summit-pricing-block__tile .heading-5-v2 span.snowflake-title-v2-line:last-child{font-weight:900!important;font-size:40px!important}.snowflake-mega-nav-nav-item\u003Ea:hover .snowflake-mega-nav-nav-item-title-wrapper\u003E.snowflake-mega-nav-nav-item-title,.summit-pricing-block__tile:not(.is-upcoming):not(.is-past) .heading-5-v2 span.snowflake-title-v2-line:last-child{color:var(--ui-01)!important}.summit-pricing-block__tile:hover:not(.is-upcoming):not(.is-past) .heading-5-v2 span.snowflake-title-v2-line:last-child{color:#fff!important}.summit-pricing-block__tile.is-past .heading-5-v2 span.snowflake-title-v2-line:last-child{text-decoration:line-through}.summit-pricing-block__tile .snowflake-content-chip-button{margin-top:0;white-space:nowrap;display:none}.snowflake-card-v2-advanced.no-link{pointer-events:none!important}.snowpro-card{border:1px solid var(--summit-border);border-radius:var(--summit-border-radius);padding:var(--summit-card-padding-sm);display:flex;height:100%}.snowpro-card__headline{margin:24px 0 12px}.snowpro-card__pricing{margin-top:48px}.snowpro-card .snowflake-text .snowpro-card__price{color:var(--ui-01);font-weight:900;font-size:40px!important;font-family:Texta,sans-serif}.summit-stat-container\u003E.container\u003E.cmp-container\u003E.aem-container{display:flex;flex-direction:row;flex-wrap:wrap}.summit-stat-container\u003E.container\u003E.cmp-container\u003E.aem-container\u003Ediv:not(:last-child){border-right:1px solid var(--summit-border)}.summit-stat-card{padding:0 40px}.summit-stat .heading-2-v2 .snowflake-title-v2-line:first-child{font-size:64px;line-height:52px;margin-bottom:8px}.summit-stat .heading-2-v2 .snowflake-title-v2-line:last-child{font-size:32px;line-height:30px;margin-bottom:16px}.summit-speaker-card .snowflake-card-v2-advanced-title{margin-bottom:var(--spacing-01)}.summit-add-on-card{padding:24px;border:1px solid #d2d1d4;border-radius:8px}.summit-add-on__subhead{padding-left:40px;padding-right:40px}.partner-card__logo-grid,.partner-card__logo-single{padding:40px}.partner-card__logo-grid .snowflake-image-container .cmp-image__image,.partner-card__logo-single .snowflake-image-container .cmp-image__image{border-radius:0;max-width:240px;margin:0 auto}.partner-card\u003E.container,.partner-card\u003E.container\u003E.aem-container,.partner-card\u003E.container\u003E.cmp-container{height:100%}.summit-add-on-block__content\u003E.container\u003E.cmp-container\u003E.aem-container{display:flex;flex-direction:row;gap:24px;align-items:stretch}.partner-card__logo-grid\u003E.container\u003E.cmp-container\u003E.aem-container{display:flex;flex-direction:row;flex-wrap:wrap;gap:40px 24px;justify-content:center;align-items:center}.partner-card__logo-grid\u003E.container\u003E.cmp-container\u003E.aem-container\u003Ediv{width:calc(33.3333% - 24px);margin:0!important}.partner-card{border-radius:8px;border:1px solid #d2d1d4;overflow:hidden;height:100%;background-color:#fff}.partner-card__header{padding:16px 24px;border-bottom:1px solid #d2d1d4}.partner-card__header.is-purple{background-color:#7d44cf}.partner-card__header h4{display:flex;flex-direction:row!important;align-items:center;gap:12px}.partner-card__header h4::before{vertical-align:middle;content:\"\";display:inline-block;width:20px;height:20px;background-size:contain;background-repeat:no-repeat;background-image:url(\"data:image/svg+xml,%3Csvg width='21' height='23' viewBox='0 0 21 23' fill='none' xmlns='http://www.w3.org/2000/svg'%3E%3Cpath fill-rule='evenodd' clip-rule='evenodd' d='M20.0375 12.8374C20.1644 12.439 20.2172 12.0289 20.2077 11.6237C20.193 11.3305 20.1548 11.0373 20.0712 10.7441C19.8196 9.83306 19.223 9.01989 18.3294 8.50724L5.61817 1.2017C3.82388 .173815 1.53618 .784335 .506483 2.56804C-.533615 4.34915 .0797871 6.62351 1.87408 7.65398L8.97715 11.7427L1.87408 15.8201C.0797871 16.8527 -.531016 19.1271 .506483 20.9156C1.53618 22.6941 3.82388 23.302 5.61817 22.2746L18.3294 14.9643C19.1871 14.4728 19.7693 13.7027 20.0375 12.8374Z' fill='black'/%3E%3C/svg%3E%0A\")}.partner-card__header.is-purple h4::before{background-image:url(\"data:image/svg+xml,%3Csvg width='21' height='23' viewBox='0 0 21 23' fill='none' xmlns='http://www.w3.org/2000/svg'%3E%3Cpath fill-rule='evenodd' clip-rule='evenodd' d='M20.0375 12.8374C20.1644 12.439 20.2172 12.0289 20.2077 11.6237C20.193 11.3305 20.1548 11.0373 20.0712 10.7441C19.8196 9.83306 19.223 9.01989 18.3294 8.50724L5.61817 1.2017C3.82388 .173815 1.53618 .784335 .506483 2.56804C-.533615 4.34915 .0797871 6.62351 1.87408 7.65398L8.97715 11.7427L1.87408 15.8201C.0797871 16.8527 -.531016 19.1271 .506483 20.9156C1.53618 22.6941 3.82388 23.302 5.61817 22.2746L18.3294 14.9643C19.1871 14.4728 19.7693 13.7027 20.0375 12.8374Z' fill='white'/%3E%3C/svg%3E%0A\")}.sf-blue-mountains{background-size:90% auto;background-repeat:no-repeat;background-position:center bottom;background-image:url(\"data:image/svg+xml,%3Csvg width='1361' height='410' viewBox='0 0 1361 410' fill='none' xmlns='http://www.w3.org/2000/svg'%3E%3Cpath d='M1360.25 410L1065.53 114.309L976.256 203.875L773.049 0L364.393 410H1360.25Z' fill='%233AA8DF'/%3E%3Cpath d='M274.778 410L137.467 272.238L.15625 410H274.778Z' fill='%233AA8DF'/%3E%3C/svg%3E%0A\")}.bwalignr,.main-pr-body .bwalignr{text-align:right}.bwblockalignl{margin-left:0;margin-right:auto}.bwcellpmargin{margin-top:0;margin-bottom:0}.bwlistdisc{list-style-type:disc}.bwpadb3{padding-bottom:4px}.bwpadb4{padding-bottom:5px}.bwpadl0{padding-left:0}.bwpadl3{padding-left:15px}.bwpadl6{padding-left:30px}.bwpadl9{padding-left:45px}.bwpadl12{padding-left:60px}.bwpadr0{padding-right:0}.bwtablemarginb{margin-bottom:10px}.bwvertalignb{vertical-align:bottom}.bwvertalignt{vertical-align:top}.bwsinglebottom{border-bottom:1pt solid #000}.bwdoublebottom{border-bottom:2.25pt double #000}.bwwidth1{width:1%}.bwwidth2{width:2%}.bwwidth6{width:6%}.bwwidth7{width:7%}.bwwidth8{width:8%}.bwwidth10{width:10%}.bwwidth12{width:12%}.bwwidth32{width:32%}.bwwidth44{width:44%}.bwwidth72{width:72%}.bwwidth97{width:97%}.main-pr-body{font-size:18px;line-height:26px}.main-pr-body img{display:block;width:100%;height:auto!important;border-radius:var(--small-border-radius)}.main-pr-body table{width:100%;display:block}.main-pr-body tbody{background-color:#f7f7f7}.main-pr-body .bwsinglebottom{border-bottom:1pt solid #000!important}.main-pr-body td.bwwidth44{padding-right:40px}.main-pr-body .bw-release-story{font-family:Lato,sans-serif}.main-pr-body .bw-release-story sup,.snowflake-mega-nav-dropdown-header-content-right a{white-space:nowrap}.main-pr-body .bw-release-story\u003E*,.main-pr-body\u003Espan\u003E*{margin-bottom:2rem!important}.snowflake-text.main-pr-body tbody,.snowflake-text.main-pr-body tbody p{font-size:14px!important;line-height:20px!important;width:100%;display:block}.press-body .snowflake-flexible-column-container-items{gap:var(--spacing-08)}.about-snowflake{border:1px solid #ccc;background-color:var(--ui-background-05);padding:24px;border-radius:8px;margin-top:0}.about-snowflake__logo{max-width:140px;margin-top:16px}.hero--press .snowflake-hero-system-inner{max-width:1408px;margin:0 auto!important}#arcticNavItem{flex-direction:column}#arcticNavItem::before{content:\"Featured Open Source Technologies\";display:block;margin-top:48px;margin-bottom:24px;font-size:16px!important;line-height:16px!important;font-weight:800!important;text-transform:uppercase}@media screen and (min-width:768px){.sc-hero__inner\u003E.snowflake-flexible-column-container-items\u003Ediv:last-child{position:relative;height:100%;top:auto;left:auto;width:auto}.sc-hero__inner\u003E.snowflake-flexible-column-container-items\u003Ediv:last-child::before{background:linear-gradient(180deg,#202c35 -7.5%,#fff0 51.25%,#202c35 107.69%)}.sc-hero__byline\u003Espan{display:flex;flex-wrap:wrap}.sc-hero__byline p:not(:last-child)::after{content:\"|\";margin:0 12px;opacity:.5}.sc-hero__button-container .snowflake-flexible-column-container-items{position:absolute;bottom:0;padding:0;margin:0 24px 0 0}.sc-hero__button-container .hero-watch-the-demo{padding:12px 16px!important;float:right;margin-bottom:48px;background-color:rgb(35 45 54 / .8)}.summit-overview-stat{padding:0 40px}.summit-timeline{border-bottom:3px solid var(--ui-01);margin-bottom:64px}.summit-add-on-block__content,.summit-pricing-block__content{padding:0 40px 40px}#arcticNavItem::before{font-size:12px!important;margin-bottom:8px;margin-top:16px}.snowflake-mega-nav-nav-item-title-wrapper\u003E.snowflake-mega-nav-nav-item-title{line-height:20px!important}.snowflake-card .heading-2.snowflake-title-line{font-size:24px!important;line-height:28px!important}}@media screen and (min-width:992px){.hp-hero__eyebrow a{gap:12px;margin-left:0;margin-right:0}.hp-hero__eyebrow a::after{content:\"\";background-image:url(\"data:image/svg+xml,%3Csvg width='6' height='11' viewBox='0 0 6 11' fill='none' xmlns='http://www.w3.org/2000/svg'%3E%3Cpath fill-rule='evenodd' clip-rule='evenodd' d='M5.49134 5.79438C5.53447 5.75922 5.56923 5.71489 5.5931 5.66463C5.61697 5.61436 5.62935 5.55941 5.62935 5.50376C5.62935 5.44811 5.61697 5.39316 5.5931 5.34289C5.56923 5.29263 5.53447 5.2483 5.49134 5.21314L.736339 .413136C.522589 .203135 .331339 .203135 .151339 .413136C-.0286612 .623135 -.0586612 .818135 .151339 .994386L4.48634 5.50188L.155089 9.97938C.107068 10.0142 .0679743 10.0598 .0410153 10.1126C.0140562 10.1654 0 10.2238 0 10.2831C0 10.3424 .0140562 10.4009 .0410153 10.4537C.0679743 10.5065 .107068 10.5521 .155089 10.5869C.335089 10.7969 .530089 10.7969 .740089 10.5869L5.49134 5.79438Z' fill='black'/%3E%3C/svg%3E%0A\");display:inline-block;width:12px;height:12px;background-repeat:no-repeat;background-size:auto 100%;background-position:left center}.promo-banner--homepage{padding-top:32px}.homepage-banner-offset-container::after{height:50%}#storyHighlights{padding:2rem}.body-display-v2.snowflake-quote-item-quote-text{line-height:28px!important}.snowflake-hero-system-headline .heading-1-v2{line-height:48px;font-size:54px!important}.sc-overview__webinar-promo-banner .snowflake-content-chip-content{flex-direction:row;justify-content:space-between;align-items:center;width:100%}.sc-overview__webinar-promo-banner .snowflake-content-chip-content .heading-5-v2{flex-direction:row}.sc-overview__webinar-promo-banner .snowflake-content-chip-content .snowflake-title-v2-line:not(:first-child)::before{content:\"|\";margin:0 6px}.sc-cert-banner{padding:40px}.sc-cert-banner\u003E.container\u003E.cmp-container\u003E.aem-container\u003Ediv{margin:0!important;width:50%}.sc-cert-banner\u003E.container\u003E.cmp-container\u003E.aem-container\u003Ediv:first-child{flex-grow:1;padding-right:24px}.sc-cert-banner\u003E.container\u003E.cmp-container\u003E.aem-container\u003Ediv:last-child{max-width:240px}.summit-pricing-block__content\u003E.container\u003E.cmp-container\u003E.aem-container\u003Ediv:last-child{width:70%;padding-left:40px}.summit-pricing-block__content\u003E.container\u003E.cmp-container\u003E.aem-container\u003Ediv:first-child{width:30%}.summit-add-on-block__content\u003E.container\u003E.cmp-container\u003E.aem-container\u003Ediv{width:calc(33.3333% - 24px);margin:0!important;display:flex}.summit-pricing-block__tile .snowflake-content-chip-content{display:flex;flex-direction:row;align-items:center;width:calc(100% - 200px)}.summit-pricing-block__tile .heading-5-v2 span.snowflake-title-v2-line:last-child{position:absolute;top:50%;transform:translate(0,-50%);right:40px}.press-body\u003E.snowflake-flexible-column-container-items\u003Ediv:last-child{position:sticky;top:120px}.snowflake-mega-nav-navigation-title:hover{color:var(--ui-01)}}@media screen and (min-width:1024px){.about-snowflake{padding:28px}.about-snowflake__logo{max-width:none;padding:0 0 0 48px;margin-bottom:0}.hero--press .snowflake-hero-system-layout-70-30 .snowflake-hero-system-content-container{width:85%}.snowflake-hero-system{padding-bottom:var(--spacing-04);padding-top:var(--spacing-07)}.hero--press .display-2-v2{font-size:64px;line-height:56px}.about-snowflake\u003E.container\u003E.cmp-container\u003E.aem-container{flex-direction:row;flex-wrap:nowrap;align-items:center}.about-snowflake\u003E.container\u003E.cmp-container\u003E.aem-container\u003Ediv:last-child{max-width:280px}.about-snowflake\u003E.container\u003E.cmp-container\u003E.aem-container\u003Ediv:first-child{flex-grow:1;margin-bottom:0!important}#polarisNavItem{margin-top:40px}.snowflake-mega-nav-nav-item-description{line-height:18px!important}.snowflake-mega-nav-column-items{gap:var(--spacing-01);grid-gap:var(--spacing-01)}.snowflake-mega-nav-navigation-title{text-transform:none}}div[id*=blueIcon] .snowflake-mega-nav-nav-item-icon__inner{background:var(--ui-01);padding:8px}div[id*=blueIcon]:hover .snowflake-mega-nav-nav-item-icon__inner{background:var(--ui-01)!important}.snowflake-mega-nav-nav-item-icon__inner{border-radius:4px;background:var(--ui-background-05);padding:6px}.snowflake-mega-nav-nav-item:hover .snowflake-mega-nav-nav-item-icon__inner{background:#fff!important}.snowflake-mega-nav-nav-item-icon.snowflake-image-container{height:40px;width:40px}.snowflake-mega-nav-dropdown-footer-links\u003E.snowflake-button-link\u003E.snowflake-button-container{font-size:16px!important;font-family:Texta!important;font-weight:800!important}.snowflake-mega-nav-dropdown-footer-icon.snowflake-image-container{margin-right:8px;width:40px!important;height:40px!important}#viewAllCapabilities a:hover{background:0 0!important}#platformFooter .snowflake-title-v2 .snowflake-title-v2-line:last-child{font-family:Lato;font-size:14px;font-weight:500}#platformFooter .snowflake-mega-nav-dropdown-footer-links{flex-grow:1;justify-content:flex-end;align-items:center}#platformFooter .snowflake-mega-nav-dropdown-footer-content{flex-direction:row}#offset,#open-source{flex-direction:column;border-top:1px solid #ccc}#offset::before,#open-source::before{content:\" \";display:block;width:100%;font-weight:800!important;font-size:12px!important;line-height:14px;text-transform:uppercase;white-space:nowrap;margin-top:16px;margin-bottom:8px}#open-source::before{content:\"Open Source Technologies\"}.snowflake-mega-nav-dropdown-menu-close-button{margin:var(--spacing-04) 0 var(--spacing-03)}.snowflake-mega-nav-column{gap:var(--spacing-02)!important}.snowflake-mega-nav-nav-item\u003Ea{width:100%;margin-left:-8px;padding:8px;border-radius:4px}.snowflake-mega-nav-nav-item\u003Ea:hover{background-color:var(--ui-background-05)}.snowflake-mega-nav-nav-item-description{margin-top:2px;display:block}#promobanner_overflowBottomDarkBlue::before{content:'';display:block;position:absolute;bottom:0;left:0;width:100%;height:50%;background:#212d35}#promobanner_overflowTopDarkBlue::before{content:'';display:block;position:absolute;top:0;left:0;width:100%;height:50%;background:#212d35}.overview-card\u003Ediv{box-shadow:0 0 14px 0 rgba(0,0,0,.10);background-color:#fff;border-radius:16px;overflow:hidden}.overview-card-text{padding:40px}.overview-card-image img{border-radius:0 !important}.overview-card-text h3,.overview-card-text .heading-3-v2{font-size:18px;line-height:1.1;margin-top:0}",":type":"snowflake-site/components/markup-editor","isGSAPEnabled":false},"mega_header":{"additionalClasses":"heap-nav-header","layout":"SIMPLE","id":"container-c38ba64f78",":type":"snowflake-site/components/mega-header",":items":{"nav_mega":{"activeItem":"item_1719963657751_c_663444255","id":"tabs-1e1f5dcd16",":type":"snowflake-site/components/nav/nav-mega",":items":{"item_1719963657751_c_663444255":{"id":"nav-dropdown-menu-fdcf72fd56","enableDropdown":true,"nav_column_container":{"layout":"SIMPLE","id":"container-5a2de07851",":type":"snowflake-site/components/nav/nav-column/nav-column-container",":items":{"nav_column":{"additionalClasses":"nav-platform-sidebar","numberOfSubColumns":"one-column","minWidth":"230","maxWidth":"350","layout":"SIMPLE","id":"container-43f5ef19e4",":type":"snowflake-site/components/nav/nav-column",":items":{"nav_item_copy_copy_2_793631646":{"id":"nav-item-97167cef23","additionalClasses":"nav-item__platform-parent","linkDescription":"Développez des produits d’IA, des applications et bien plus encore sur une plateforme entièrement gérée qui relie les entreprises du monde entier, en toute sécurité, quel que soit le type ou le volume de leurs données.","button":{"id":"button","showOutboundIcon":false,"buttonLink":{"valid":true,"url":"/fr/product/platform/"},"linkTargetContentType":"GENERIC",":type":"snowflake-site/components/button","linkType":"SNOWFLAKE_INTERNAL","text":"La plateforme de Snowflake"},":type":"snowflake-site/components/nav/nav-item"},"nav_item_copy":{"id":"nav-item-dd071ee9fa","additionalClasses":"nav-item nav-item--si","linkDescription":"Disponible Toutes vos connaissances. Un agent de confiance.","flag":"Disponible","button":{"id":"button","showOutboundIcon":false,"buttonLink":{"valid":true,"url":"/fr/product/snowflake-cowork/"},"linkTargetContentType":"GENERIC",":type":"snowflake-site/components/button","linkType":"SNOWFLAKE_INTERNAL","text":"Snowflake CoWork"},":type":"snowflake-site/components/nav/nav-item"},"nav_item_copy_copy_2_836345186":{"id":"nav-item-d205b9c331","additionalClasses":"blue-icon","button":{"id":"button","showOutboundIcon":false,"buttonLink":{"valid":true,"url":"/fr/product/analytics/"},"linkTargetContentType":"GENERIC",":type":"snowflake-site/components/button","linkType":"SNOWFLAKE_INTERNAL","text":"Analytics"},":type":"snowflake-site/components/nav/nav-item"},"nav_item_copy_copy_2":{"id":"nav-item-d103b52cc7","additionalClasses":"blue-icon","button":{"id":"button","showOutboundIcon":false,"buttonLink":{"valid":true,"url":"/fr/product/ai/"},"linkTargetContentType":"GENERIC",":type":"snowflake-site/components/button","linkType":"SNOWFLAKE_INTERNAL","text":"IA"},":type":"snowflake-site/components/nav/nav-item"},"nav_item_copy_copy_2_1314771042":{"id":"nav-item-e83e542c03","additionalClasses":"blue-icon","button":{"id":"button","showOutboundIcon":false,"buttonLink":{"valid":true,"url":"/fr/product/data-engineering/"},"linkTargetContentType":"GENERIC",":type":"snowflake-site/components/button","linkType":"SNOWFLAKE_INTERNAL","text":"Data engineering"},":type":"snowflake-site/components/nav/nav-item"},"nav_item_copy_144634":{"id":"nav-item-08d8119b09","additionalClasses":"blue-icon","button":{"id":"button","showOutboundIcon":false,"buttonLink":{"valid":true,"url":"/fr/product/applications-and-collaboration/"},"linkTargetContentType":"GENERIC",":type":"snowflake-site/components/button","linkType":"SNOWFLAKE_INTERNAL","text":"Applications et collaboration"},":type":"snowflake-site/components/nav/nav-item"},"nav_item_copy_copy_2_1792474035":{"id":"nav-item-e1bd1e3a1a","additionalClasses":"blue-icon","button":{"id":"button","showOutboundIcon":false,"buttonLink":{"valid":true,"url":"/fr/product/transactions/"},"linkTargetContentType":"GENERIC",":type":"snowflake-site/components/button","linkType":"SNOWFLAKE_INTERNAL","text":"Transactions"},":type":"snowflake-site/components/nav/nav-item"}},":itemsOrder":["nav_item_copy_copy_2_793631646","nav_item_copy","nav_item_copy_copy_2_836345186","nav_item_copy_copy_2","nav_item_copy_copy_2_1314771042","nav_item_copy_144634","nav_item_copy_copy_2_1792474035"]},"nav_column_copy_copy":{"additionalClasses":"meganav-platform-features","navColumnTitle":"Fonctionnalités phares","numberOfSubColumns":"two-columns","layout":"SIMPLE","id":"container-1bcae7b621",":type":"snowflake-site/components/nav/nav-column",":items":{"nav_item_copy_1686013634":{"id":"nav-item-3146bff38e","propertiesId":"testID","linkDescription":"Agent de codage IA natif de Snowflake","flag":"nouveau","button":{"id":"button","showOutboundIcon":false,"buttonLink":{"valid":true,"url":"/fr/product/snowflake-coco/"},"linkTargetContentType":"GENERIC",":type":"snowflake-site/components/button","linkType":"SNOWFLAKE_INTERNAL","text":"Snowflake CoCo"},":type":"snowflake-site/components/nav/nav-item"},"nav_item_copy_185565":{"id":"nav-item-32a0a6c13a","linkDescription":"Postgres open source entièrement compatible sur Snowflake","flag":"disponible","button":{"id":"button","showOutboundIcon":false,"buttonLink":{"valid":true,"url":"/fr/product/features/postgres/"},"linkTargetContentType":"GENERIC",":type":"snowflake-site/components/button","linkType":"SNOWFLAKE_INTERNAL","text":"Postgres"},":type":"snowflake-site/components/nav/nav-item"},"nav_item":{"id":"nav-item-1cb37246fa","propertiesId":"testID","linkDescription":"Un accès instantané aux plus grands LLM","button":{"id":"button","showOutboundIcon":false,"buttonLink":{"valid":true,"url":"/fr/product/features/cortex/"},"linkTargetContentType":"GENERIC",":type":"snowflake-site/components/button","linkType":"SNOWFLAKE_INTERNAL","text":"Cortex AI"},":type":"snowflake-site/components/nav/nav-item"},"nav_item_copy_185565_1504746663":{"id":"nav-item-2c757c094a","linkDescription":"Déplacement de données simplifié pour l'intégration","button":{"id":"button","showOutboundIcon":false,"buttonLink":{"valid":true,"url":"/fr/product/features/openflow/"},"linkTargetContentType":"GENERIC",":type":"snowflake-site/components/button","linkType":"SNOWFLAKE_INTERNAL","text":"Openflow"},":type":"snowflake-site/components/nav/nav-item"},"nav_item_copy_660590635":{"id":"nav-item-958b67c1f0","linkDescription":"Des données tierces et des produits d’IA à l’essai et à l’achat","button":{"id":"button","showOutboundIcon":false,"buttonLink":{"valid":true,"url":"/fr/product/features/marketplace/"},"linkTargetContentType":"GENERIC",":type":"snowflake-site/components/button","linkType":"SNOWFLAKE_INTERNAL","text":"Marketplace"},":type":"snowflake-site/components/nav/nav-item"},"nav_item_copy_660590_2121336733":{"id":"nav-item-69d7a36ac3","linkDescription":"L’environnement de développement interactif des équipes data et IA","button":{"id":"button","showOutboundIcon":false,"buttonLink":{"valid":true,"url":"/fr/product/features/notebooks/"},"linkTargetContentType":"GENERIC",":type":"snowflake-site/components/button","linkType":"SNOWFLAKE_INTERNAL","text":"Notebooks"},":type":"snowflake-site/components/nav/nav-item"},"nav_item_copy_660590":{"id":"nav-item-82ef8fce27","linkDescription":"Des bibliothèques et environnements d’exécution en Python, Java, Scala","button":{"id":"button","showOutboundIcon":false,"buttonLink":{"valid":true,"url":"/fr/product/features/snowpark/"},"linkTargetContentType":"GENERIC",":type":"snowflake-site/components/button","linkType":"SNOWFLAKE_INTERNAL","text":"Snowpark"},":type":"snowflake-site/components/nav/nav-item"},"nav_item_copy_1855651246":{"id":"nav-item-8a0484b645","linkDescription":"Une collaboration préservant la confidentialité","button":{"id":"button","showOutboundIcon":false,"buttonLink":{"valid":true,"url":"/fr/product/features/data-clean-rooms/"},"linkTargetContentType":"GENERIC",":type":"snowflake-site/components/button","linkType":"SNOWFLAKE_INTERNAL","text":"Data clean rooms"},":type":"snowflake-site/components/nav/nav-item"},"nav_item_copy_660590_983061516":{"id":"nav-item-5423066f5a","linkDescription":"Un environnement pour convertir les scripts Python en applications web","button":{"id":"button","showOutboundIcon":false,"buttonLink":{"valid":true,"url":"https://www.snowflake.com/en/product/features/streamlit-in-snowflake/"},"linkTargetContentType":"GENERIC",":type":"snowflake-site/components/button","linkType":"SNOWFLAKE_EXTERNAL","text":"Streamlit (EN)"},":type":"snowflake-site/components/nav/nav-item"},"nav_item_258535199":{"id":"nav-item-b72dce506c","propertiesId":"workload-nav-1","linkDescription":"La création et la distribution de Snowflake Native App de bout en bout","button":{"id":"button","showOutboundIcon":false,"buttonLink":{"valid":true,"url":"/fr/product/features/native-apps/"},"linkTargetContentType":"GENERIC",":type":"snowflake-site/components/button","linkType":"SNOWFLAKE_INTERNAL","text":"Native Apps"},":type":"snowflake-site/components/nav/nav-item"}},":itemsOrder":["nav_item_copy_1686013634","nav_item_copy_185565","nav_item","nav_item_copy_185565_1504746663","nav_item_copy_660590635","nav_item_copy_660590_2121336733","nav_item_copy_660590","nav_item_copy_1855651246","nav_item_copy_660590_983061516","nav_item_258535199"]},"nav_column_676020780":{"navColumnTitle":"     ","numberOfSubColumns":"one-column","maxWidth":"300","layout":"SIMPLE","id":"container-b118c4c7a6",":type":"snowflake-site/components/nav/nav-column",":items":{"nav_item_511717659":{"id":"nav-item-6e2658c2fa","linkDescription":"Catalogue d'IA universel","button":{"id":"button","showOutboundIcon":false,"buttonLink":{"valid":true,"url":"/fr/product/features/horizon/"},"linkTargetContentType":"GENERIC",":type":"snowflake-site/components/button","linkType":"SNOWFLAKE_INTERNAL","text":"Horizon Catalog"},":type":"snowflake-site/components/nav/nav-item"},"nav_item_copy_660590":{"id":"nav-item-33d75fd395","linkDescription":"L’interface unifiée pour le développement optimisé de modèles et MLOps","button":{"id":"button","showOutboundIcon":false,"buttonLink":{"valid":true,"url":"https://www.snowflake.com/fr/product/features/end-to-end-ml-workflows/"},"linkTargetContentType":"GENERIC",":type":"snowflake-site/components/button","linkType":"SNOWFLAKE_EXTERNAL","text":"Snowflake ML"},":type":"snowflake-site/components/nav/nav-item"},"nav_item_41538387":{"id":"nav-item-3d8c897fdf","linkDescription":"Simplifiez vos charges de travail transactionnelles et analytiques en les unifiant dans Snowflake ","button":{"id":"button","showOutboundIcon":false,"buttonLink":{"valid":true,"url":"/en/product/features/unistore/"},"linkTargetContentType":"GENERIC",":type":"snowflake-site/components/button","linkType":"SNOWFLAKE_INTERNAL","text":"Unistore (EN)"},":type":"snowflake-site/components/nav/nav-item"},"nav_item_copy":{"id":"nav-item-1bfd8de626","additionalClasses":"is-light-gray-icon","linkDescription":"L'observabilité par l'IA pour gérer plus rapidement les problèmes de production","button":{"id":"button","showOutboundIcon":false,"buttonLink":{"valid":true,"url":"/en/product/observe/"},"linkTargetContentType":"GENERIC",":type":"snowflake-site/components/button","linkType":"SNOWFLAKE_INTERNAL","text":"Observe (EN)"},":type":"snowflake-site/components/nav/nav-item"},"nav_item_copy_copy":{"id":"nav-item-37dcf60b5f","additionalClasses":"is-light-gray-icon","linkDescription":"Utilisez les moteurs de votre choix sur un seul jeu de données gouverné","flag":"disponible","button":{"id":"button","showOutboundIcon":false,"buttonLink":{"valid":true,"url":"/en/product/use-cases/interoperable-lakehouse/"},"linkTargetContentType":"GENERIC",":type":"snowflake-site/components/button","linkType":"SNOWFLAKE_INTERNAL","text":"Interoperable Lakehouse (EN)"},":type":"snowflake-site/components/nav/nav-item"}},":itemsOrder":["nav_item_511717659","nav_item_copy_660590","nav_item_41538387","nav_item_copy","nav_item_copy_copy"]}},":itemsOrder":["nav_column","nav_column_copy_copy","nav_column_676020780"]},":type":"snowflake-site/components/nav/nav-dropdown-menu","cq:panelTitle":"Produit"},"nav_dropdown_menu_2":{"id":"nav-dropdown-menu-08358de5d6","enableDropdown":true,"nav_column_container":{"layout":"SIMPLE","id":"container-8ae5680d48",":type":"snowflake-site/components/nav/nav-column/nav-column-container",":items":{"nav_column":{"navColumnTitle":"Par secteur","numberOfSubColumns":"one-column","minWidth":"280","layout":"SIMPLE","id":"container-2cc7bf03ce",":type":"snowflake-site/components/nav/nav-column",":items":{"nav_item_copy_361384_1796955541":{"id":"nav-item-8cea804db4","button":{"id":"button","showOutboundIcon":false,"buttonLink":{"valid":true,"url":"/en/solutions/industries/"},"linkTargetContentType":"GENERIC",":type":"snowflake-site/components/button","linkType":"SNOWFLAKE_INTERNAL","text":"Tous les secteurs (EN)"},":type":"snowflake-site/components/nav/nav-item"},"nav_item":{"id":"nav-item-aa5f169f43","button":{"id":"button","showOutboundIcon":false,"buttonLink":{"valid":true,"url":"/fr/solutions/industries/advertising-media-entertainment/"},"linkTargetContentType":"GENERIC",":type":"snowflake-site/components/button","linkType":"SNOWFLAKE_INTERNAL","text":"Publicité, médias et divertissement"},":type":"snowflake-site/components/nav/nav-item"},"nav_item_copy":{"id":"nav-item-6e8ecb153e","button":{"id":"button","showOutboundIcon":false,"buttonLink":{"valid":true,"url":"/fr/solutions/industries/financial-services/"},"linkTargetContentType":"GENERIC",":type":"snowflake-site/components/button","linkType":"SNOWFLAKE_INTERNAL","text":"Services financiers"},":type":"snowflake-site/components/nav/nav-item"},"nav_item_copy_1970515619":{"id":"nav-item-27d5bdc78d","button":{"id":"button","showOutboundIcon":false,"buttonLink":{"valid":true,"url":"/fr/solutions/industries/healthcare-and-life-sciences/"},"linkTargetContentType":"GENERIC",":type":"snowflake-site/components/button","linkType":"SNOWFLAKE_INTERNAL","text":"Santé et sciences de la vie"},":type":"snowflake-site/components/nav/nav-item"},"nav_item_copy_1533429516":{"id":"nav-item-4703a57590","button":{"id":"button","showOutboundIcon":false,"buttonLink":{"valid":true,"url":"/fr/solutions/industries/manufacturing/"},"linkTargetContentType":"GENERIC",":type":"snowflake-site/components/button","linkType":"SNOWFLAKE_INTERNAL","text":"Industrie"},":type":"snowflake-site/components/nav/nav-item"},"nav_item_copy_1444458226":{"id":"nav-item-001236c1cd","button":{"id":"button","showOutboundIcon":false,"buttonLink":{"valid":true,"url":"/fr/solutions/industries/public-sector/"},"linkTargetContentType":"GENERIC",":type":"snowflake-site/components/button","linkType":"SNOWFLAKE_INTERNAL","text":"Secteur public"},":type":"snowflake-site/components/nav/nav-item"},"nav_item_copy_1149488919":{"id":"nav-item-4bcb397686","button":{"id":"button","showOutboundIcon":false,"buttonLink":{"valid":true,"url":"/fr/solutions/industries/retail-consumer-goods/"},"linkTargetContentType":"GENERIC",":type":"snowflake-site/components/button","linkType":"SNOWFLAKE_INTERNAL","text":"Retail et grande distribution"},":type":"snowflake-site/components/nav/nav-item"},"nav_item_copy_57417040":{"id":"nav-item-d6fb93f49e","button":{"id":"button","showOutboundIcon":false,"buttonLink":{"valid":true,"url":"/fr/solutions/industries/technology/"},"linkTargetContentType":"GENERIC",":type":"snowflake-site/components/button","linkType":"SNOWFLAKE_INTERNAL","text":"Technologie"},":type":"snowflake-site/components/nav/nav-item"},"nav_item_copy_361384674":{"id":"nav-item-4283fcf49e","button":{"id":"button","showOutboundIcon":false,"buttonLink":{"valid":true,"url":"/fr/solutions/industries/telecom/"},"linkTargetContentType":"GENERIC",":type":"snowflake-site/components/button","linkType":"SNOWFLAKE_INTERNAL","text":"Télécommunications"},":type":"snowflake-site/components/nav/nav-item"},"nav_item_copy_361384":{"id":"nav-item-536261a1e0","button":{"id":"button","showOutboundIcon":false,"buttonLink":{"valid":true,"url":"/en/solutions/industries/travel-hospitality/"},"linkTargetContentType":"GENERIC",":type":"snowflake-site/components/button","linkType":"SNOWFLAKE_INTERNAL","text":"Tourisme et hôtellerie (EN)"},":type":"snowflake-site/components/nav/nav-item"}},":itemsOrder":["nav_item_copy_361384_1796955541","nav_item","nav_item_copy","nav_item_copy_1970515619","nav_item_copy_1533429516","nav_item_copy_1444458226","nav_item_copy_1149488919","nav_item_copy_57417040","nav_item_copy_361384674","nav_item_copy_361384"],"appliedCssClassNames":"snowflake-responsive-container-inner-padding-extra-small"},"nav_column_copy":{"navColumnTitle":"Par département","numberOfSubColumns":"one-column","minWidth":"200","layout":"SIMPLE","id":"container-90a7938554",":type":"snowflake-site/components/nav/nav-column",":items":{"nav_item":{"id":"nav-item-0acbf740c6","button":{"id":"button","showOutboundIcon":false,"buttonLink":{"valid":true,"url":"/fr/solutions/departments/finance/"},"linkTargetContentType":"GENERIC",":type":"snowflake-site/components/button","linkType":"SNOWFLAKE_INTERNAL","text":"Directions financières"},":type":"snowflake-site/components/nav/nav-item"},"nav_item_copy":{"id":"nav-item-87b6c1e734","button":{"id":"button","showOutboundIcon":false,"buttonLink":{"valid":true,"url":"/fr/solutions/departments/information-technology/"},"linkTargetContentType":"GENERIC",":type":"snowflake-site/components/button","linkType":"SNOWFLAKE_INTERNAL","text":"IT"},":type":"snowflake-site/components/nav/nav-item"},"nav_item_copy_1970515619":{"id":"nav-item-c077aabceb","button":{"id":"button","showOutboundIcon":false,"buttonLink":{"valid":true,"url":"/fr/solutions/departments/marketing/"},"linkTargetContentType":"GENERIC",":type":"snowflake-site/components/button","linkType":"SNOWFLAKE_INTERNAL","text":"Marketing"},":type":"snowflake-site/components/nav/nav-item"}},":itemsOrder":["nav_item","nav_item_copy","nav_item_copy_1970515619"]},"nav_column_833417450":{"navColumnTitle":"Solutions d’accompagnement","numberOfSubColumns":"one-column","layout":"SIMPLE","id":"container-0e22c5730c",":type":"snowflake-site/components/nav/nav-column",":items":{"nav_item_copy_107772":{"id":"nav-item-e7e3442864","linkDescription":"Une migration sécurisée vers une plateforme unifiée","button":{"id":"button","showOutboundIcon":false,"buttonLink":{"valid":true,"url":"/fr/migrate-to-the-cloud/"},"linkTargetContentType":"GENERIC",":type":"snowflake-site/components/button","linkType":"SNOWFLAKE_INTERNAL","text":"Migration vers l’AI Data Cloud"},"icon":{"id":"icon","height":"64","src":"https://www.snowflake.com/content/experience-fragments/snowflake-site/language-masters/fr/site/mega-nav-header/master/_jcr_content/root/mega_header/nav_mega/nav_dropdown_menu_2/nav_column_container/nav_column_833417450/nav_item_copy_107772/icon.coreimg.svg/1752092772450/nav-icon-cloud.svg","alt":"Cloud icon","lazyEnabled":true,"isLcpImage":false,"width":"64",":type":"snowflake-site/components/image"},":type":"snowflake-site/components/nav/nav-item"},"nav_item_copy_copy":{"id":"nav-item-54b69657a6","linkDescription":"Des experts Snowflake pour atteindre vos objectifs plus rapidement","button":{"id":"button","showOutboundIcon":false,"buttonLink":{"valid":true,"url":"/fr/solutions/professional-services/"},"linkTargetContentType":"GENERIC",":type":"snowflake-site/components/button","linkType":"SNOWFLAKE_INTERNAL","text":"Snowflake Professional Services"},"icon":{"id":"icon","height":"64","src":"https://www.snowflake.com/content/experience-fragments/snowflake-site/language-masters/fr/site/mega-nav-header/master/_jcr_content/root/mega_header/nav_mega/nav_dropdown_menu_2/nav_column_container/nav_column_833417450/nav_item_copy_copy/icon.coreimg.svg/1740633192106/nav-icon--migrate.svg","alt":"Migrate icon","lazyEnabled":true,"isLcpImage":false,"width":"64",":type":"snowflake-site/components/image"},":type":"snowflake-site/components/nav/nav-item"}},":itemsOrder":["nav_item_copy_107772","nav_item_copy_copy"]},"nav_column_copy_copy":{"navColumnTitle":"Solutions partenaires","numberOfSubColumns":"one-column","layout":"SIMPLE","id":"container-41e4d8f7d3",":type":"snowflake-site/components/nav/nav-column",":items":{"nav_item":{"id":"nav-item-7e6d2beedb","linkDescription":"Nos programmes de partenariats produit, solutions et cloud","button":{"id":"button","showOutboundIcon":false,"linkTargetContentType":"GENERIC",":type":"snowflake-site/components/button","linkType":"SNOWFLAKE_INTERNAL","text":"Snowflake Partner Network"},"icon":{"id":"icon","height":"64","src":"https://www.snowflake.com/content/experience-fragments/snowflake-site/language-masters/fr/site/mega-nav-header/master/_jcr_content/root/mega_header/nav_mega/nav_dropdown_menu_2/nav_column_container/nav_column_copy_copy/nav_item/icon.coreimg.svg/1740633209119/nav-icon--partner-network.svg","alt":"Partner Network icon","lazyEnabled":true,"isLcpImage":false,"width":"64",":type":"snowflake-site/components/image"},":type":"snowflake-site/components/nav/nav-item"},"nav_item_copy":{"id":"nav-item-f57abb654d","linkDescription":"Des partenaires, apps et solutions pour un déploiement optimisé","button":{"id":"button","showOutboundIcon":false,"buttonLink":{"valid":true,"url":"/en/why-snowflake/partners/all-partners/"},"linkTargetContentType":"GENERIC",":type":"snowflake-site/components/button","linkType":"SNOWFLAKE_INTERNAL","text":"Trouver un partenaire"},"icon":{"id":"icon","height":"64","src":"https://www.snowflake.com/content/experience-fragments/snowflake-site/language-masters/fr/site/mega-nav-header/master/_jcr_content/root/mega_header/nav_mega/nav_dropdown_menu_2/nav_column_container/nav_column_copy_copy/nav_item_copy/icon.coreimg.svg/1740633219582/nav-icon--partner-finder.svg","alt":"Partner Finder icon","lazyEnabled":true,"isLcpImage":false,"width":"64",":type":"snowflake-site/components/image"},":type":"snowflake-site/components/nav/nav-item"},"nav_item_copy_1970515619":{"id":"nav-item-57d70d7a88","linkDescription":"Nos événements virtuels et en présentiel","button":{"id":"button","showOutboundIcon":false,"buttonLink":{"valid":true,"url":"/en/why-snowflake/partners/event-partnership-opportunities/"},"linkTargetContentType":"GENERIC",":type":"snowflake-site/components/button","linkType":"SNOWFLAKE_INTERNAL","text":"Devenir partenaire d’événement"},"icon":{"id":"icon","height":"64","src":"https://www.snowflake.com/content/experience-fragments/snowflake-site/language-masters/fr/site/mega-nav-header/master/_jcr_content/root/mega_header/nav_mega/nav_dropdown_menu_2/nav_column_container/nav_column_copy_copy/nav_item_copy_1970515619/icon.coreimg.svg/1740633239518/nav-icon--events.svg","alt":"Calendar icon","lazyEnabled":true,"isLcpImage":false,"width":"64",":type":"snowflake-site/components/image"},":type":"snowflake-site/components/nav/nav-item"}},":itemsOrder":["nav_item","nav_item_copy","nav_item_copy_1970515619"]}},":itemsOrder":["nav_column","nav_column_copy","nav_column_833417450","nav_column_copy_copy"]},":type":"snowflake-site/components/nav/nav-dropdown-menu","cq:panelTitle":"Solutions"},"item_1719963657751_c":{"id":"nav-dropdown-menu-fae8328406","enableDropdown":true,"nav_column_container":{"layout":"SIMPLE","id":"container-6b73ad4cba",":type":"snowflake-site/components/nav/nav-column/nav-column-container",":items":{"nav_column":{"numberOfSubColumns":"one-column","minWidth":"230","maxWidth":"350","layout":"SIMPLE","id":"container-db0e8439d1",":type":"snowflake-site/components/nav/nav-column",":items":{"nav_item_copy_copy_2_793631646":{"id":"nav-item-77b8248264","additionalClasses":"nav-item__platform-parent-why-sf","linkDescription":"Collaborez localement et partout dans le monde pour révéler de nouvelles perspectives, créer des opportunités commerciales inédites et identifier vos clients avec des expériences fluides.","button":{"id":"button","showOutboundIcon":false,"buttonLink":{"valid":true,"url":"/fr/why-snowflake/"},"linkTargetContentType":"GENERIC",":type":"snowflake-site/components/button","linkType":"SNOWFLAKE_INTERNAL","text":"Pourquoi Snowflake"},":type":"snowflake-site/components/nav/nav-item"}},":itemsOrder":["nav_item_copy_copy_2_793631646"]},"nav_column_copy_copy":{"additionalClasses":"meganav-platform-features","numberOfSubColumns":"two-columns","layout":"SIMPLE","id":"container-73c5aba356",":type":"snowflake-site/components/nav/nav-column",":items":{"nav_item":{"id":"nav-item-b9a021abef","propertiesId":"testID","linkDescription":"Découvrez des études de cas et des vidéos illustrant comment des organisations partout dans le monde utilisent Snowflake.","button":{"id":"button","showOutboundIcon":false,"buttonLink":{"valid":true,"url":"/fr/customers/"},"linkTargetContentType":"GENERIC",":type":"snowflake-site/components/button","linkType":"SNOWFLAKE_INTERNAL","text":"Clients"},"icon":{"id":"icon","height":"64","src":"https://www.snowflake.com/content/experience-fragments/snowflake-site/language-masters/fr/site/mega-nav-header/master/_jcr_content/root/mega_header/nav_mega/item_1719963657751_c/nav_column_container/nav_column_copy_copy/nav_item/icon.coreimg.svg/1740633414597/nav-icon--partner-network.svg","alt":"Partner Network icon","lazyEnabled":true,"isLcpImage":false,"width":"64",":type":"snowflake-site/components/image"},":type":"snowflake-site/components/nav/nav-item"},"nav_item_258535199":{"id":"nav-item-8510b182dc","propertiesId":"workload-nav-1","linkDescription":"Découvrez comment connecter, partager et intégrer vos données et vos applications sur l’AI Data Cloud.","button":{"id":"button","showOutboundIcon":false,"buttonLink":{"valid":true,"url":"/fr/why-snowflake/what-is-data-cloud/"},"linkTargetContentType":"GENERIC",":type":"snowflake-site/components/button","linkType":"SNOWFLAKE_INTERNAL","text":"L’AI Data Cloud en détail"},"icon":{"id":"icon","height":"64","src":"https://www.snowflake.com/content/experience-fragments/snowflake-site/language-masters/fr/site/mega-nav-header/master/_jcr_content/root/mega_header/nav_mega/item_1719963657751_c/nav_column_container/nav_column_copy_copy/nav_item_258535199/icon.coreimg.svg/1740633382450/nav-icon-cloud.svg","alt":"Cloud icon","lazyEnabled":true,"isLcpImage":false,"width":"64",":type":"snowflake-site/components/image"},":type":"snowflake-site/components/nav/nav-item"},"nav_item_copy_185565":{"id":"nav-item-f37f221610","linkDescription":"Assurez-vous une sécurité de bout en bout grâce à des fonctionnalités intégrées et la protection fiable de votre infrastructure cloud.","button":{"id":"button","showOutboundIcon":false,"buttonLink":{"valid":true,"url":"/fr/why-snowflake/snowflake-security-hub/"},"linkTargetContentType":"GENERIC",":type":"snowflake-site/components/button","linkType":"SNOWFLAKE_INTERNAL","text":"Hub de sécurité"},"icon":{"id":"icon","height":"64","src":"https://www.snowflake.com/content/experience-fragments/snowflake-site/language-masters/fr/site/mega-nav-header/master/_jcr_content/root/mega_header/nav_mega/item_1719963657751_c/nav_column_container/nav_column_copy_copy/nav_item_copy_185565/icon.coreimg.svg/1740633346611/user-security-admins-ciso-icon.svg","alt":"User with security lock icon","lazyEnabled":true,"isLcpImage":false,"width":"64",":type":"snowflake-site/components/image"},":type":"snowflake-site/components/nav/nav-item"},"nav_item_copy":{"id":"nav-item-838f5d5014","additionalClasses":"is-light-gray-icon","linkDescription":"Optimisez la valeur économique de votre solution en réduisant votre TCO et en optimisant son rapport prix/performance.","button":{"id":"button","showOutboundIcon":false,"buttonLink":{"valid":true,"url":"/fr/pricing-options/cost-and-performance-optimization/"},"linkTargetContentType":"GENERIC",":type":"snowflake-site/components/button","linkType":"SNOWFLAKE_INTERNAL","text":"Optimisation des coûts et des performances"},"icon":{"id":"icon","height":"64","src":"https://www.snowflake.com/content/experience-fragments/snowflake-site/language-masters/fr/site/mega-nav-header/master/_jcr_content/root/mega_header/nav_mega/item_1719963657751_c/nav_column_container/nav_column_copy_copy/nav_item_copy/icon.coreimg.svg/1740633358687/nav-icon-cost-optimization-performance.svg","alt":"Cost Optimization icon","lazyEnabled":true,"isLcpImage":false,"width":"64",":type":"snowflake-site/components/image"},":type":"snowflake-site/components/nav/nav-item"},"nav_item_copy_185565_2043246825":{"id":"nav-item-31b61fa770","linkDescription":"Des startups créent des applications dans l'AI Data Cloud","button":{"id":"button","showOutboundIcon":false,"buttonLink":{"valid":true,"url":"/en/why-snowflake/startup-program/startup-accelerator/"},"linkTargetContentType":"GENERIC",":type":"snowflake-site/components/button","linkType":"SNOWFLAKE_INTERNAL","text":"Snowflake pour les startups (EN)"},"icon":{"id":"icon","height":"64","src":"https://www.snowflake.com/content/experience-fragments/snowflake-site/language-masters/fr/site/mega-nav-header/master/_jcr_content/root/mega_header/nav_mega/item_1719963657751_c/nav_column_container/nav_column_copy_copy/nav_item_copy_185565_2043246825/icon.coreimg.svg/1781195269193/launch.svg","alt":"Launch","lazyEnabled":true,"isLcpImage":false,"width":"65",":type":"snowflake-site/components/image"},":type":"snowflake-site/components/nav/nav-item"}},":itemsOrder":["nav_item","nav_item_258535199","nav_item_copy_185565","nav_item_copy","nav_item_copy_185565_2043246825"]}},":itemsOrder":["nav_column","nav_column_copy_copy"]},":type":"snowflake-site/components/nav/nav-dropdown-menu","cq:panelTitle":"Pourquoi Snowflake"},"item_1719961362824":{"id":"nav-dropdown-menu-65ca80cf40","enableDropdown":true,"nav_column_container":{"layout":"SIMPLE","id":"container-ae4d74540a",":type":"snowflake-site/components/nav/nav-column/nav-column-container",":items":{"nav_column_copy":{"navColumnTitle":"Restez connecté","numberOfSubColumns":"one-column","minWidth":"124","layout":"SIMPLE","id":"container-6ba21bba8b",":type":"snowflake-site/components/nav/nav-column",":items":{"nav_item":{"id":"nav-item-fce7a921a6","button":{"id":"button","showOutboundIcon":false,"buttonLink":{"valid":true,"url":"/fr/blog/"},"linkTargetContentType":"GENERIC",":type":"snowflake-site/components/button","linkType":"SNOWFLAKE_INTERNAL","text":"Blog"},":type":"snowflake-site/components/nav/nav-item"},"nav_item_180298689":{"id":"nav-item-964c1d174b","button":{"id":"button","showOutboundIcon":false,"buttonLink":{"valid":true,"url":"/fr/events/"},"linkTargetContentType":"GENERIC",":type":"snowflake-site/components/button","linkType":"SNOWFLAKE_INTERNAL","text":"Événements"},":type":"snowflake-site/components/nav/nav-item"},"nav_item_1639361946":{"id":"nav-item-dc23f088e6","button":{"id":"button","showOutboundIcon":false,"buttonLink":{"valid":true,"url":"/en/support/"},"linkTargetContentType":"GENERIC",":type":"snowflake-site/components/button","linkType":"SNOWFLAKE_INTERNAL","text":"Support (EN)"},":type":"snowflake-site/components/nav/nav-item"},"nav_item_680912746":{"id":"nav-item-ff4cd0f384","button":{"id":"button","showOutboundIcon":false,"buttonLink":{"valid":true,"url":"/fr/contact/"},"linkTargetContentType":"GENERIC",":type":"snowflake-site/components/button","linkType":"SNOWFLAKE_INTERNAL","text":"Nous contacter"},":type":"snowflake-site/components/nav/nav-item"}},":itemsOrder":["nav_item","nav_item_180298689","nav_item_1639361946","nav_item_680912746"]},"nav_column_44600420__826130542":{"navColumnTitle":"Découvrez","numberOfSubColumns":"two-columns","layout":"SIMPLE","id":"container-9d3f7bf758",":type":"snowflake-site/components/nav/nav-column",":items":{"nav_item_copy":{"id":"nav-item-4558fef2e6","linkDescription":"Nos ebooks, podcasts, vidéos, livres blancs...","button":{"id":"button","showOutboundIcon":false,"buttonLink":{"valid":true,"url":"/fr/resources/"},"linkTargetContentType":"GENERIC",":type":"snowflake-site/components/button","linkType":"SNOWFLAKE_INTERNAL","text":"Bibliothèque de ressources"},"icon":{"id":"icon","height":"64","src":"https://www.snowflake.com/content/experience-fragments/snowflake-site/language-masters/fr/site/mega-nav-header/master/_jcr_content/root/mega_header/nav_mega/item_1719961362824/nav_column_container/nav_column_44600420__826130542/nav_item_copy/icon.coreimg.svg/1740633534453/nav-icon--notebooks.svg","alt":"Notebooks icon","lazyEnabled":true,"isLcpImage":false,"width":"64",":type":"snowflake-site/components/image"},":type":"snowflake-site/components/nav/nav-item"},"nav_item":{"id":"nav-item-5330162785","linkDescription":"Nos offres de formation Snowflake","button":{"id":"button","showOutboundIcon":false,"buttonLink":{"valid":true,"url":"https://www.snowflake.com/en/resources/learn/training/"},"linkTargetContentType":"GENERIC",":type":"snowflake-site/components/button","linkType":"SNOWFLAKE_EXTERNAL","text":"Formation (EN)"},"icon":{"id":"icon","height":"64","src":"https://www.snowflake.com/content/experience-fragments/snowflake-site/language-masters/fr/site/mega-nav-header/master/_jcr_content/root/mega_header/nav_mega/item_1719961362824/nav_column_container/nav_column_44600420__826130542/nav_item/icon.coreimg.svg/1740633560429/nav-icon--training.svg","alt":"Training icon","lazyEnabled":true,"isLcpImage":false,"width":"64",":type":"snowflake-site/components/image"},":type":"snowflake-site/components/nav/nav-item"},"nav_item_copy_144634_1984107859":{"id":"nav-item-1ca604127a","linkDescription":"Des démos animées par des experts pour divers secteurs et cas d’usage","button":{"id":"button","showOutboundIcon":false,"buttonLink":{"valid":true,"url":"/fr/webinars/"},"linkTargetContentType":"GENERIC",":type":"snowflake-site/components/button","linkType":"SNOWFLAKE_INTERNAL","text":"Webinaires"},"icon":{"id":"icon","height":"64","src":"https://www.snowflake.com/content/experience-fragments/snowflake-site/language-masters/fr/site/mega-nav-header/master/_jcr_content/root/mega_header/nav_mega/item_1719961362824/nav_column_container/nav_column_44600420__826130542/nav_item_copy_144634_1984107859/icon.coreimg.svg/1773153892753/nav-icon--webinars.svg","alt":"Webinars icon","lazyEnabled":true,"isLcpImage":false,"width":"64",":type":"snowflake-site/components/image"},":type":"snowflake-site/components/nav/nav-item"},"nav_item_copy_1438098918":{"id":"nav-item-097b77bd51","linkDescription":"Les certifications techniques professionnelles Snowflake","button":{"id":"button","showOutboundIcon":false,"buttonLink":{"valid":true,"url":"https://www.snowflake.com/en/resources/learn/certifications/"},"linkTargetContentType":"GENERIC",":type":"snowflake-site/components/button","linkType":"SNOWFLAKE_EXTERNAL","text":"Certifications (EN)"},"icon":{"id":"icon","height":"64","src":"https://www.snowflake.com/content/experience-fragments/snowflake-site/language-masters/fr/site/mega-nav-header/master/_jcr_content/root/mega_header/nav_mega/item_1719961362824/nav_column_container/nav_column_44600420__826130542/nav_item_copy_1438098918/icon.coreimg.svg/1740633567051/nav-icon--cert.svg","alt":"Certification icon","lazyEnabled":true,"isLcpImage":false,"width":"64",":type":"snowflake-site/components/image"},":type":"snowflake-site/components/nav/nav-item"},"nav_item_copy_143809":{"id":"nav-item-1c268e6e35","linkDescription":"Des démos hebdomadaires de fonctionnalités clés avec Q&A en direct","button":{"id":"button","showOutboundIcon":false,"buttonLink":{"valid":true,"url":"/en/webinars/demo/"},"linkTargetContentType":"GENERIC",":type":"snowflake-site/components/button","linkType":"SNOWFLAKE_INTERNAL","text":"Démos live (EN)"},"icon":{"id":"icon","height":"64","src":"https://www.snowflake.com/content/experience-fragments/snowflake-site/language-masters/fr/site/mega-nav-header/master/_jcr_content/root/mega_header/nav_mega/item_1719961362824/nav_column_container/nav_column_44600420__826130542/nav_item_copy_143809/icon.coreimg.svg/1759424114915/nav-icon--live-demo.svg","alt":"Live Demo icon","lazyEnabled":true,"isLcpImage":false,"width":"64",":type":"snowflake-site/components/image"},":type":"snowflake-site/components/nav/nav-item"},"nav_item_copy_333890638":{"id":"nav-item-0b2bf7cf58","linkDescription":"Des formations tous niveaux, à la demande ou animées par un formateur","button":{"id":"button","showOutboundIcon":false,"buttonLink":{"valid":true,"attributes":{"target":"_blank"},"url":"https://learn.snowflake.com/en/"},"linkTargetContentType":"GENERIC",":type":"snowflake-site/components/button","linkType":"SNOWFLAKE_EXTERNAL","text":"Snowflake University (EN)"},"icon":{"id":"icon","height":"64","src":"https://www.snowflake.com/content/experience-fragments/snowflake-site/language-masters/fr/site/mega-nav-header/master/_jcr_content/root/mega_header/nav_mega/item_1719961362824/nav_column_container/nav_column_44600420__826130542/nav_item_copy_333890638/icon.coreimg.svg/1740633573941/nav-icon--education.svg","alt":"Education icon","lazyEnabled":true,"isLcpImage":false,"width":"64",":type":"snowflake-site/components/image"},":type":"snowflake-site/components/nav/nav-item"},"nav_item_copy_189945_1598900354":{"id":"nav-item-232e1a3c8e","linkDescription":"Des ateliers pratiques virtuels dirigés autour de fonctionnalités clés","button":{"id":"button","showOutboundIcon":false,"buttonLink":{"valid":true,"url":"/en/webinars/virtual-hands-on-lab/"},"linkTargetContentType":"GENERIC",":type":"snowflake-site/components/button","linkType":"SNOWFLAKE_INTERNAL","text":"Ateliers pratiques (EN)"},"icon":{"id":"icon","height":"64","src":"https://www.snowflake.com/content/experience-fragments/snowflake-site/language-masters/fr/site/mega-nav-header/master/_jcr_content/root/mega_header/nav_mega/item_1719961362824/nav_column_container/nav_column_44600420__826130542/nav_item_copy_189945_1598900354/icon.coreimg.svg/1759424138774/nav-icon--labs.svg","alt":"Hands-on Labs icon","lazyEnabled":true,"isLcpImage":false,"width":"64",":type":"snowflake-site/components/image"},":type":"snowflake-site/components/nav/nav-item"},"nav_item_copy_189945_2106466912":{"id":"nav-item-0ba1f85e40","linkDescription":"Publications académiques écrites par les chercheurs de Snowflake","button":{"id":"button","showOutboundIcon":false,"buttonLink":{"valid":true,"url":"/en/resources/publications/"},"linkTargetContentType":"GENERIC",":type":"snowflake-site/components/button","linkType":"SNOWFLAKE_INTERNAL","text":"Travaux de recherche de Snowflake"},"icon":{"id":"icon","height":"64","src":"https://www.snowflake.com/content/experience-fragments/snowflake-site/language-masters/fr/site/mega-nav-header/master/_jcr_content/root/mega_header/nav_mega/item_1719961362824/nav_column_container/nav_column_44600420__826130542/nav_item_copy_189945_2106466912/icon.coreimg.svg/1781190308976/copy.svg","alt":"Copy","lazyEnabled":true,"isLcpImage":false,"width":"65",":type":"snowflake-site/components/image"},":type":"snowflake-site/components/nav/nav-item"},"nav_item_copy_189945":{"id":"nav-item-7a01170bb2","linkDescription":"Articles informatifs sur l’IA et la data","button":{"id":"button","showOutboundIcon":false,"buttonLink":{"valid":true,"url":"/fr/fundamentals/"},"linkTargetContentType":"GENERIC",":type":"snowflake-site/components/button","linkType":"SNOWFLAKE_INTERNAL","text":"Concepts fondamentaux"},"icon":{"id":"icon","height":"64","src":"https://www.snowflake.com/content/experience-fragments/snowflake-site/language-masters/fr/site/mega-nav-header/master/_jcr_content/root/mega_header/nav_mega/item_1719961362824/nav_column_container/nav_column_44600420__826130542/nav_item_copy_189945/icon.coreimg.svg/1781183138045/data-sheet.svg","alt":"Data Sheet","lazyEnabled":true,"isLcpImage":false,"width":"65",":type":"snowflake-site/components/image"},":type":"snowflake-site/components/nav/nav-item"}},":itemsOrder":["nav_item_copy","nav_item","nav_item_copy_144634_1984107859","nav_item_copy_1438098918","nav_item_copy_143809","nav_item_copy_333890638","nav_item_copy_189945_1598900354","nav_item_copy_189945_2106466912","nav_item_copy_189945"]}},":itemsOrder":["nav_column_copy","nav_column_44600420__826130542"]},":type":"snowflake-site/components/nav/nav-dropdown-menu","cq:panelTitle":"Ressources"},"item_1719963657751":{"id":"nav-dropdown-menu-317a725251","enableDropdown":true,"nav_column_container":{"layout":"SIMPLE","id":"container-29db55f77f",":type":"snowflake-site/components/nav/nav-column/nav-column-container",":items":{"nav_column_copy_copy":{"navColumnTitle":"Créez","numberOfSubColumns":"one-column","layout":"SIMPLE","id":"container-40fe17d34c",":type":"snowflake-site/components/nav/nav-column",":items":{"nav_item":{"id":"nav-item-30d0f806b8","propertiesId":"testID","linkDescription":"Toutes les ressources dont vous avez besoin pour développer et scaler","button":{"id":"button","showOutboundIcon":false,"buttonLink":{"valid":true,"url":"/en/developers/"},"linkTargetContentType":"GENERIC",":type":"snowflake-site/components/button","linkType":"SNOWFLAKE_INTERNAL","text":"Snowflake pour les développeurs (EN)"},"icon":{"id":"icon","height":"64","src":"https://www.snowflake.com/content/experience-fragments/snowflake-site/language-masters/fr/site/mega-nav-header/master/_jcr_content/root/mega_header/nav_mega/item_1719963657751/nav_column_container/nav_column_copy_copy/nav_item/icon.coreimg.svg/1740633594414/nav-icon--devs.svg","alt":"Developers icon","lazyEnabled":true,"isLcpImage":false,"width":"64",":type":"snowflake-site/components/image"},":type":"snowflake-site/components/nav/nav-item"},"nav_item_copy_1855651246":{"id":"nav-item-484b68874b","linkDescription":"Des architectures, des cas d’usage et des meilleures pratiques","button":{"id":"button","showOutboundIcon":false,"buttonLink":{"valid":true,"url":"/fr/developers/guides/"},"linkTargetContentType":"GENERIC",":type":"snowflake-site/components/button","linkType":"SNOWFLAKE_INTERNAL","text":"Guides pour les développeurs"},"icon":{"id":"icon","height":"64","src":"https://www.snowflake.com/content/experience-fragments/snowflake-site/language-masters/fr/site/mega-nav-header/master/_jcr_content/root/mega_header/nav_mega/item_1719963657751/nav_column_container/nav_column_copy_copy/nav_item_copy_1855651246/icon.coreimg.svg/1761755207063/nav-icon--solution-center.svg","alt":"Solution Center icon","lazyEnabled":true,"isLcpImage":false,"width":"64",":type":"snowflake-site/components/image"},":type":"snowflake-site/components/nav/nav-item"},"nav_item_copy":{"id":"nav-item-e2ecb3307b","additionalClasses":"is-light-gray-icon","linkDescription":"Les derniers logiciels, drivers, bibliothèques et de la documentation","button":{"id":"button","showOutboundIcon":false,"buttonLink":{"valid":true,"url":"/en/developers/downloads/"},"linkTargetContentType":"GENERIC",":type":"snowflake-site/components/button","linkType":"SNOWFLAKE_INTERNAL","text":"Téléchargements (EN)"},"icon":{"id":"icon","height":"28","src":"https://www.snowflake.com/content/experience-fragments/snowflake-site/language-masters/fr/site/mega-nav-header/master/_jcr_content/root/mega_header/nav_mega/item_1719963657751/nav_column_container/nav_column_copy_copy/nav_item_copy/icon.coreimg.svg/1740633607963/nav-icon-download.svg","alt":"Download icon","lazyEnabled":true,"isLcpImage":false,"width":"28",":type":"snowflake-site/components/image"},":type":"snowflake-site/components/nav/nav-item"}},":itemsOrder":["nav_item","nav_item_copy_1855651246","nav_item_copy"]},"nav_column_copy_copy_1367930678":{"navColumnTitle":"Découvrez","numberOfSubColumns":"one-column","layout":"SIMPLE","id":"container-a8ae29dae5",":type":"snowflake-site/components/nav/nav-column",":items":{"nav_item":{"id":"nav-item-d1e582377d","propertiesId":"testID","linkDescription":"De la doc et des guides de référence, des tutos et des annonces","button":{"id":"button","showOutboundIcon":false,"buttonLink":{"valid":true,"attributes":{"target":"_blank"},"url":"https://docs.snowflake.com/fr"},"linkTargetContentType":"GENERIC",":type":"snowflake-site/components/button","linkType":"SNOWFLAKE_EXTERNAL","text":"Documentation"},"icon":{"id":"icon","height":"64","src":"https://www.snowflake.com/content/experience-fragments/snowflake-site/language-masters/fr/site/mega-nav-header/master/_jcr_content/root/mega_header/nav_mega/item_1719963657751/nav_column_container/nav_column_copy_copy_1367930678/nav_item/icon.coreimg.svg/1740633616509/nav-icon--docs.svg","alt":"Docs icon","lazyEnabled":true,"isLcpImage":false,"width":"64",":type":"snowflake-site/components/image"},":type":"snowflake-site/components/nav/nav-item"},"nav_item_copy":{"id":"nav-item-ef94ee7a2f","additionalClasses":"is-light-gray-icon","linkDescription":"Des projets clés que nos ingénieurs soutiennent","button":{"id":"button","showOutboundIcon":false,"buttonLink":{"valid":true,"url":"/en/developers/open-source/"},"linkTargetContentType":"GENERIC",":type":"snowflake-site/components/button","linkType":"SNOWFLAKE_INTERNAL","text":"Open Source (EN)"},"icon":{"id":"icon","height":"32","src":"https://www.snowflake.com/content/experience-fragments/snowflake-site/language-masters/fr/site/mega-nav-header/master/_jcr_content/root/mega_header/nav_mega/item_1719963657751/nav_column_container/nav_column_copy_copy_1367930678/nav_item_copy/icon.coreimg.svg/1740633637844/nav-icon-open-source.svg","alt":"Open Source icon","lazyEnabled":true,"isLcpImage":false,"width":"32",":type":"snowflake-site/components/image"},":type":"snowflake-site/components/nav/nav-item"},"nav_item_copy_copy":{"id":"nav-item-438cf74cfd","additionalClasses":"is-light-gray-icon","linkDescription":"Des cours et ateliers en ligne et en présentiel pour aller plus loin","button":{"id":"button","showOutboundIcon":false,"buttonLink":{"valid":true,"url":"/en/developers/northstar/"},"linkTargetContentType":"GENERIC",":type":"snowflake-site/components/button","linkType":"SNOWFLAKE_INTERNAL","text":"Formations pour les développeurs (EN)"},"icon":{"id":"icon","height":"32","src":"https://www.snowflake.com/content/experience-fragments/snowflake-site/language-masters/fr/site/mega-nav-header/master/_jcr_content/root/mega_header/nav_mega/item_1719963657751/nav_column_container/nav_column_copy_copy_1367930678/nav_item_copy_copy/icon.coreimg.svg/1740633648735/nav-icon--northstar.svg","alt":"Northstar logo","lazyEnabled":true,"isLcpImage":false,"width":"32",":type":"snowflake-site/components/image"},":type":"snowflake-site/components/nav/nav-item"}},":itemsOrder":["nav_item","nav_item_copy","nav_item_copy_copy"]},"nav_column_copy_copy_1101894776":{"navColumnTitle":"Restez connecté","numberOfSubColumns":"one-column","layout":"SIMPLE","id":"container-a68d588443",":type":"snowflake-site/components/nav/nav-column",":items":{"nav_item":{"id":"nav-item-8aaf85c0d4","propertiesId":"testID","linkDescription":"Nos experts révèlent comment, quand et pourquoi ils créent des features","button":{"id":"button","showOutboundIcon":false,"buttonLink":{"valid":true,"attributes":{"target":"_blank"},"url":"https://www.snowflake.com/engineering-blog/"},"linkTargetContentType":"GENERIC",":type":"snowflake-site/components/button","linkType":"SNOWFLAKE_EXTERNAL","text":"Blog engineering (EN)"},"icon":{"id":"icon","height":"32","src":"https://www.snowflake.com/content/experience-fragments/snowflake-site/language-masters/fr/site/mega-nav-header/master/_jcr_content/root/mega_header/nav_mega/item_1719963657751/nav_column_container/nav_column_copy_copy_1101894776/nav_item/icon.coreimg.svg/1740633654098/nav-icon--developer-center.svg","alt":"Developers icon","lazyEnabled":true,"isLcpImage":false,"width":"32",":type":"snowflake-site/components/image"},":type":"snowflake-site/components/nav/nav-item"},"nav_item_copy_1855651246":{"id":"nav-item-36a01eef7f","linkDescription":"Des trucs et astuces et des échanges avec des développeurs Snowflake","button":{"id":"button","showOutboundIcon":false,"buttonLink":{"valid":true,"attributes":{"target":"_blank"},"url":"https://community.snowflake.com/"},"linkTargetContentType":"GENERIC",":type":"snowflake-site/components/button","linkType":"SNOWFLAKE_EXTERNAL","text":"Communauté (EN)"},"icon":{"id":"icon","height":"64","src":"https://www.snowflake.com/content/experience-fragments/snowflake-site/language-masters/fr/site/mega-nav-header/master/_jcr_content/root/mega_header/nav_mega/item_1719963657751/nav_column_container/nav_column_copy_copy_1101894776/nav_item_copy_1855651246/icon.coreimg.svg/1740633661417/nav-icon--partner-network.svg","alt":"Partner Network icon","lazyEnabled":true,"isLcpImage":false,"width":"64",":type":"snowflake-site/components/image"},":type":"snowflake-site/components/nav/nav-item"}},":itemsOrder":["nav_item","nav_item_copy_1855651246"]}},":itemsOrder":["nav_column_copy_copy","nav_column_copy_copy_1367930678","nav_column_copy_copy_1101894776"]},":type":"snowflake-site/components/nav/nav-dropdown-menu","cq:panelTitle":"Développeurs"},"item_1718247180324":{"id":"nav-dropdown-menu-5e1c8a66b2","enableDropdown":false,"link_url":"/fr/pricing-options/",":type":"snowflake-site/components/nav/nav-dropdown-menu","cq:panelTitle":"Tarification"}},":itemsOrder":["item_1719963657751_c_663444255","nav_dropdown_menu_2","item_1719963657751_c","item_1719961362824","item_1719963657751","item_1718247180324"]},"languagenavigation":{"id":"language-navigation-463f68657e","languageNavItems":[{"title":"English","path":"/en/artificial-intelligence/machine-learning/models/","locale":"en","active":false},{"title":"日本語","path":"/ja/artificial-intelligence/machine-learning/models/","locale":"ja","active":false},{"title":"한국어","path":"/ko/artificial-intelligence/machine-learning/models/","locale":"ko","active":false},{"title":"中文（简体）","path":"/zh_cn/","locale":"zh-cn","active":false},{"title":"Português","path":"/pt_br/","locale":"pt-br","active":false},{"title":"Deutsch","path":"/de/artificial-intelligence/machine-learning/models/","locale":"de","active":false},{"title":"Français","path":"/fr/artificial-intelligence/machine-learning/models/","locale":"fr","active":true},{"title":"Español","path":"/es/","locale":"es","active":false},{"title":"Italiano","path":"/it/","locale":"it","active":false}],":type":"snowflake-site/components/nav/language-navigation"},"button":{"id":"button-5418952d65","heapButtonClasses":["contact_nav","heap-nav-contact"],"showOutboundIcon":true,"buttonLink":{"valid":true,"url":"/fr/contact-sales/"},"linkTargetContentType":"GENERIC",":type":"snowflake-site/components/button","appliedCssClassNames":"snowflake-button-secondary snowflake-button-blue snowflake-button-compact","linkType":"SNOWFLAKE_INTERNAL","text":"Contact"},"button_288358396":{"id":"button-b2d42145b2","heapButtonClasses":["start_for_free_nav","heap-nav-start-for-free"],"showOutboundIcon":true,"buttonLink":{"valid":true,"url":"https://signup.snowflake.com/"},"linkTargetContentType":"GENERIC",":type":"snowflake-site/components/button","appliedCssClassNames":"snowflake-button-primary snowflake-button-blue snowflake-button-compact","linkType":"SNOWFLAKE_EXTERNAL","text":"Essai gratuit"}},":itemsOrder":["nav_mega","languagenavigation","button","button_288358396"],"appliedCssClassNames":"snowflake-header-container white"}},":itemsOrder":["markup_editor","mega_header"]}},":itemsOrder":["root"],"classNames":"aem-xf"},"responsivegrid":{"columnCount":12,"columnClassNames":{"flexible_column_cont_939100716":"aem-GridColumn aem-GridColumn--default--12","flexible_column_cont":"aem-GridColumn aem-GridColumn--default--12","flexible_column_cont_1158003461":"aem-GridColumn aem-GridColumn--default--12","flexible_column_cont_663228916":"aem-GridColumn aem-GridColumn--default--12","flexible_column_cont_912630531":"aem-GridColumn aem-GridColumn--default--12","flexible_column_cont_1398138236":"aem-GridColumn aem-GridColumn--default--12","flexible_column_cont_1786318617":"aem-GridColumn aem-GridColumn--default--12","flexible_column_cont_1467213961":"aem-GridColumn aem-GridColumn--default--12","flexible_column_cont_1377146023":"aem-GridColumn aem-GridColumn--default--12"},"gridClassNames":"aem-Grid aem-Grid--12 aem-Grid--default--12",":items":{"flexible_column_cont":{"id":"flexible-column-container-29cd67d630","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-f764b5e86c",":type":"snowflake-site/components/flexible-column-container/flexible-column-content-container",":items":{"breadcrumb":{"id":"breadcrumb-cb59044b5a","items":[{"id":"breadcrumb-cb59044b5a-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-cb59044b5a-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-cb59044b5a-item-5222601615","link":{"valid":true,"url":"/fr/artificial-intelligence/machine-learning/models/"},"active":true,"current":true,"title":"Modèles de ML",":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-80e518e462","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-380c45ce97",":type":"snowflake-site/components/flexible-column-container/flexible-column-content-container",":items":{"title_v2":{"id":"title-v2-0aa57bf6c2","additionalClasses":"hub-hero__headline","type":"heading1","lines":["Modèles de machine learning : types et critères de choix"],":type":"snowflake-site/components/title-v2","appliedCssClassNames":"left-alignment"},"text":{"id":"text-ba19b3fc27","additionalClasses":"hub-hero__subheadline","text":"\u003Cp\u003EDécouvrez comment les modèles de machine learning sont classés selon l’approche d’apprentissage, la tâche et l’architecture, et comment évaluer l’option la mieux adaptée à vos données et à vos exigences.\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,"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-d9e4bb7b4c",":type":"snowflake-site/components/container",":items":{"content_chip":{"id":"content-chip-57ed92ea9e","cta":{"id":"cta","showOutboundIcon":false,"buttonLink":{"valid":true,"url":"https://www.snowflake.com/en/blog/authors/Laurie-Macpherson/"},"linkTargetContentType":"GENERIC",":type":"snowflake-site/components/button","linkType":"SNOWFLAKE_EXTERNAL","text":"Lire la biographie"},"image":{"id":"image","height":"800","src":"https://www.snowflake.com/adobe/dynamicmedia/deliver/dm-aid--a7e9fdff-6f08-4edc-9cd1-e213bb234aaa/laurie-macpherson.jpg?preferwebp=true&quality=85","alt":"Laurie MacPherson","lazyEnabled":true,"isLcpImage":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-f48f45d1c6","cta":{"id":"cta","showOutboundIcon":false,"buttonLink":{"valid":true,"url":"https://www.snowflake.com/en/blog/authors/tracy-kabuya/"},"linkTargetContentType":"GENERIC",":type":"snowflake-site/components/button","linkType":"SNOWFLAKE_EXTERNAL","text":"Lire la biographie"},"image":{"id":"image","height":"709","src":"https://www.snowflake.com/adobe/dynamicmedia/deliver/dm-aid--9ad7a3c0-e23e-4370-bc36-f59a5fe02eff/img-1817.jpg?preferwebp=true&quality=85","alt":"Tracy Kabuya","lazyEnabled":true,"isLcpImage":false,"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-70bbdb5717",":type":"snowflake-site/components/flexible-column-container/flexible-column-content-container",":items":{"youtube":{"id":"embed-3f633770d5","youtubeVideoId":"JDMEUrwpYlE","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_1398138236":{"id":"flexible-column-container-746935c4aa","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-0959a38d5d",":type":"snowflake-site/components/flexible-column-container/flexible-column-content-container",":items":{"text_894059747":{"id":"text-b46624d326","additionalClasses":"seo-hub-hero__related-topic-label","text":"\u003Cp\u003ESujets liés aux modèles de ML :\u003C/p\u003E\n","richText":true,":type":"snowflake-site/components/text","appliedCssClassNames":"text-size-regular text-color-text-05"},"text":{"id":"text-cd5a7519c7","additionalClasses":"related-topics ","text":"\u003Cul\u003E\n\u003Cli\u003E\u003Ca href=\"https://www.snowflake.com/fr/artificial-intelligence/machine-learning/models/decision-tree/\"\u003EArbres de décision\u003C/a\u003E\u003C/li\u003E\n\u003Cli\u003E\u003Ca href=\"https://www.snowflake.com/fr/artificial-intelligence/machine-learning/models/linear-regression/\"\u003ERégression linéaire\u003C/a\u003E\u003C/li\u003E\n\u003Cli\u003E\u003Ca href=\"https://www.snowflake.com/fr/artificial-intelligence/machine-learning/models/random-forest/\"\u003EForêt aléatoire\u003C/a\u003E\u003C/li\u003E\n\u003Cli\u003E\u003Ca href=\"https://www.snowflake.com/fr/artificial-intelligence/machine-learning/models/regression/\"\u003EModèle de régression\u003C/a\u003E\u003C/li\u003E\n\u003Cli\u003E\u003Ca href=\"https://www.snowflake.com/fr/artificial-intelligence/machine-learning/models/support-vector-machine/\"\u003EMachine à vecteurs de support\u003C/a\u003E\u003C/li\u003E\n\u003C/ul\u003E\n","richText":true,":type":"snowflake-site/components/text","appliedCssClassNames":"text-size-small"}},":itemsOrder":["text_894059747","text"]},":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-e982cc8c1e","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-bbaa5b5b18","additionalClasses":"callout callout--general","text":"\u003Cp\u003E\u003Cstrong\u003EDÉFINITION DES MODÈLES DE ML\u003C/strong\u003E\u003C/p\u003E\n\u003Cp\u003ELes modèles de machine learning sont des systèmes informatiques qui utilisent les relations apprises à partir des données pour effectuer des prédictions, identifier des régularités ou générer des résultats à partir de nouvelles entrées.\u003C/p\u003E","richText":true,":type":"snowflake-site/components/text","appliedCssClassNames":"text-size-regular text-color-text-05"},"text__0":{"id":"text-4aa540894d","text":"\u003Cp\u003EDemandez aujourd’hui à quelqu’un de citer un modèle de machine learning : il mentionnera probablement ChatGPT ou un autre \u003Ca href=\"https://www.snowflake.com/fr/fundamentals/large-language-model/\"\u003Egrand modèle de langage\u003C/a\u003E (LLM). Pourtant, la plupart des organisations s’appuient encore chaque jour sur de nombreux autres types de modèles, pour les prévisions, les scores de risque, les recommandations, la détection d’anomalies et d’autres prédictions délimitées. Une même entreprise peut exécuter des dizaines, voire des centaines de modèles reposant sur des fondements mathématiques totalement différents.\u003C/p\u003E\r\n\u003Cp\u003EL’un peut être une \u003Ca href=\"https://www.snowflake.com/fr/artificial-intelligence/machine-learning/models/linear-regression/\"\u003Erégression linéaire\u003C/a\u003E avec une poignée de coefficients, un autre un ensemble d’arbres entraîné par gradient boosting sur des millions d'enregistrements, et un autre encore un modèle de fondation contenant des milliards de paramètres. Les différentes familles de modèles formulent des hypothèses différentes sur les données, apprennent différents types de relations et impliquent des exigences différentes en matière d’entraînement, d’\u003Ca href=\"https://www.snowflake.com/fr/artificial-intelligence/machine-learning/inference/\"\u003Einférence\u003C/a\u003E et d’interprétation.\u003C/p\u003E\r\n\u003Cp\u003ECes différences ne sont pas théoriques. Elles déterminent les problèmes qu’un modèle peut résoudre, la quantité de données dont il a besoin, la façon dont ses résultats peuvent être évalués et son adéquation aux exigences de la tâche à accomplir.\u003C/p\u003E\r\n\u003Cp\u003ELe modèle le plus puissant n’est pas toujours le meilleur choix. Un modèle plus petit ou plus spécialisé peut fournir des résultats comparables à moindre coût, avec une exécution plus rapide ou une évaluation plus simple. Comme \u003Ca href=\"https://www.snowflake.com/en/blog/engineering/cortex-ai-function-studio-optimization/\"\u003El’écrit Kyle Schmaus de Snowflake\u003C/a\u003E : « Le défi consiste à déterminer où les modèles de pointe sont réellement nécessaires et où des alternatives optimisées peuvent atteindre le même résultat. » C’est pourquoi les entreprises ont besoin de la flexibilité nécessaire pour choisir parmi les familles de modèles. En pratique, cela signifie gérer un portefeuille de modèles sélectionnés pour différentes tâches, différents types de données et différentes exigences de performance.\u003C/p\u003E\r\n","richText":true,":type":"snowflake-site/components/text","appliedCssClassNames":"text-color-text-05"},"title_what-is-a-machine-learning-model":{"id":"title-v2-495f35ff7a","additionalClasses":"anchor-title anchor-title--what-is-a-machine-learning-model","type":"heading2","lines":["Qu’est-ce qu’un modèle de machine learning ?"],":type":"snowflake-site/components/title-v2"},"text_what-is-a-machine-learning-model_0":{"id":"text-c01ca9b9e5","text":"\u003Cp\u003EUn modèle de machine learning est une représentation entraînée de régularités ou de relations présentes dans les données. Il accepte une entrée, applique les paramètres appris pendant l'entraînement et produit une sortie telle qu'une valeur prédite, une probabilité de classe, une séquence générée ou une affectation de groupe.\u003C/p\u003E\r\n\u003Cp\u003ELe modèle est distinct de l’algorithme utilisé pour le créer. L’algorithme régit la façon dont l’apprentissage se produit, tandis que le modèle contient les paramètres et la structure appris à partir des données.\u003C/p\u003E\r\n\u003Cp\u003EUn algorithme d'arbre de décision, par exemple, recherche les valeurs de caractéristiques qui divisent les exemples d'entraînement en groupes de plus en plus pertinents. L’arbre ajusté, avec ses caractéristiques sélectionnées, ses seuils de séparation et ses valeurs aux feuilles, est le modèle. Une autre exécution du même algorithme sur des données différentes peut produire un arbre différent.\u003C/p\u003E\r\n\u003Cp\u003ECette distinction sépare également l’entraînement de l’inférence. Pendant l’entraînement, l’algorithme d’apprentissage ajuste les paramètres du modèle pour réduire une erreur ou améliorer un autre objectif. Pendant l’inférence, le modèle entraîné applique ces paramètres à de nouvelles données. Un modèle qui estime le risque de défaillance d’un équipement peut apprendre à partir de relevés de capteurs historiques et de registres de maintenance, puis exécuter l’inférence chaque heure à mesure que de nouveaux relevés arrivent.\u003C/p\u003E\r\n","richText":true,":type":"snowflake-site/components/text","appliedCssClassNames":"text-color-text-05"},"svg_algorithm-vs-model":{"id":"text-9c4308edbf","text":"\u003Csvg xmlns=\"http://www.w3.org/2000/svg\" viewBox=\"0 0 968 751\" width=\"100%\" role=\"img\" aria-labelledby=\"dgm-an-algorithm-compared-with-t-ccff-title dgm-an-algorithm-compared-with-t-ccff-desc\" style=\"display:block;max-width:760px;margin:2rem auto;height:auto;\"\u003E\u003Ctitle id=\"dgm-an-algorithm-compared-with-t-ccff-title\"\u003EUn algorithme comparé au modèle qu’il produit\u003C/title\u003E\u003Cdesc id=\"dgm-an-algorithm-compared-with-t-ccff-desc\"\u003ELa distinction que les lecteurs manquent le plus souvent, et la première FAQ de la page. Comparaison entre l’algorithme et le modèle. Algorithme : La procédure qui apprend à partir des données ; recherche les séparations qui distinguent les exemples ; exécutée à nouveau sur de nouvelles données, produit un résultat différent ; choisie avant le début de l'entraînement. Modèle : L’artefact entraîné produit par la procédure ; stocke les règles de division, les coefficients ou les poids ; fixe une fois ajusté, jusqu’à son réentraînement ; exécute l’inférence sur de nouvelles entrées.\u003C/desc\u003E\u003Crect x=\"0\" y=\"0\" width=\"469\" height=\"94\" rx=\"12\" fill=\"#11253F\"/\u003E\u003Ctext x=\"32\" y=\"62\" font-family=\"Lato, Arial, sans-serif\" font-size=\"38\" font-weight=\"700\" fill=\"#FFFFFF\"\u003E\u003Ctspan x=\"32\"\u003EAlgorithme\u003C/tspan\u003E\u003C/text\u003E\u003Crect x=\"499\" y=\"0\" width=\"469\" height=\"94\" rx=\"12\" fill=\"#11567F\"/\u003E\u003Ctext x=\"531\" y=\"62\" font-family=\"Lato, Arial, sans-serif\" font-size=\"38\" font-weight=\"700\" fill=\"#FFFFFF\"\u003E\u003Ctspan x=\"531\"\u003EModèle\u003C/tspan\u003E\u003C/text\u003E\u003Crect x=\"0\" y=\"124\" width=\"469\" height=\"125\" rx=\"12\" fill=\"#F6F9FA\"/\u003E\u003Ctext x=\"32\" y=\"180\" font-family=\"Lato, Arial, sans-serif\" font-size=\"30\" font-weight=\"700\" fill=\"#11253F\"\u003E\u003Ctspan x=\"32\"\u003ELa procédure qui apprend\u003C/tspan\u003E\u003Ctspan x=\"32\" dy=\"37\"\u003Eà partir des données\u003C/tspan\u003E\u003C/text\u003E\u003Crect x=\"499\" y=\"124\" width=\"469\" height=\"125\" rx=\"12\" fill=\"#F6F9FA\"/\u003E\u003Ctext x=\"531\" y=\"180\" font-family=\"Lato, Arial, sans-serif\" font-size=\"30\" font-weight=\"700\" fill=\"#11253F\"\u003E\u003Ctspan x=\"531\"\u003EL’artefact entraîné produit\u003C/tspan\u003E\u003Ctspan x=\"531\" dy=\"37\"\u003Epar la procédure\u003C/tspan\u003E\u003C/text\u003E\u003Crect x=\"0\" y=\"279\" width=\"469\" height=\"125\" rx=\"12\" fill=\"#F6F9FA\"/\u003E\u003Ctext x=\"32\" y=\"335\" font-family=\"Lato, Arial, sans-serif\" font-size=\"30\" font-weight=\"700\" fill=\"#11253F\"\u003E\u003Ctspan x=\"32\"\u003ERecherche des divisions qui\u003C/tspan\u003E\u003Ctspan x=\"32\" dy=\"37\"\u003Eséparent les exemples\u003C/tspan\u003E\u003C/text\u003E\u003Crect x=\"499\" y=\"279\" width=\"469\" height=\"125\" rx=\"12\" fill=\"#F6F9FA\"/\u003E\u003Ctext x=\"531\" y=\"335\" font-family=\"Lato, Arial, sans-serif\" font-size=\"30\" font-weight=\"700\" fill=\"#11253F\"\u003E\u003Ctspan x=\"531\"\u003EStocke les règles de division,\u003C/tspan\u003E\u003Ctspan x=\"531\" dy=\"37\"\u003Eles coefficients ou les poids\u003C/tspan\u003E\u003C/text\u003E\u003Crect x=\"0\" y=\"434\" width=\"469\" height=\"162\" rx=\"12\" fill=\"#F6F9FA\"/\u003E\u003Ctext x=\"32\" y=\"490\" font-family=\"Lato, Arial, sans-serif\" font-size=\"30\" font-weight=\"700\" fill=\"#11253F\"\u003E\u003Ctspan x=\"32\"\u003EExécuté à nouveau sur de nouvelles\u003C/tspan\u003E\u003Ctspan x=\"32\" dy=\"37\"\u003Edonnées, produit un résultat\u003C/tspan\u003E\u003Ctspan x=\"32\" dy=\"37\"\u003Edifférent\u003C/tspan\u003E\u003C/text\u003E\u003Crect x=\"499\" y=\"434\" width=\"469\" height=\"162\" rx=\"12\" fill=\"#F6F9FA\"/\u003E\u003Ctext x=\"531\" y=\"490\" font-family=\"Lato, Arial, sans-serif\" font-size=\"30\" font-weight=\"700\" fill=\"#11253F\"\u003E\u003Ctspan x=\"531\"\u003EFixe une fois ajusté, jusqu’à\u003C/tspan\u003E\u003Ctspan x=\"531\" dy=\"37\"\u003Eson réentraînement\u003C/tspan\u003E\u003C/text\u003E\u003Crect x=\"0\" y=\"626\" width=\"469\" height=\"125\" rx=\"12\" fill=\"#F6F9FA\"/\u003E\u003Ctext x=\"32\" y=\"682\" font-family=\"Lato, Arial, sans-serif\" font-size=\"30\" font-weight=\"700\" fill=\"#11253F\"\u003E\u003Ctspan x=\"32\"\u003EChoisi avant le début de\u003C/tspan\u003E\u003Ctspan x=\"32\" dy=\"37\"\u003El’entraînement\u003C/tspan\u003E\u003C/text\u003E\u003Crect x=\"499\" y=\"626\" width=\"469\" height=\"125\" rx=\"12\" fill=\"#F6F9FA\"/\u003E\u003Ctext x=\"531\" y=\"682\" font-family=\"Lato, Arial, sans-serif\" font-size=\"30\" font-weight=\"700\" fill=\"#11253F\"\u003E\u003Ctspan x=\"531\"\u003EExécute l’inférence sur de\u003C/tspan\u003E\u003Ctspan x=\"531\" dy=\"37\"\u003Enouvelles entrées\u003C/tspan\u003E\u003C/text\u003E\u003C/svg\u003E","richText":true,":type":"snowflake-site/components/text","appliedCssClassNames":"text-color-text-05"},"text_what-is-a-machine-learning-model_1":{"id":"text-29a0836e1d","text":"\u003Cp\u003ELes paramètres prennent différentes formes selon les familles de modèles. Dans une régression linéaire, ils incluent le coefficient attribué à chaque caractéristique d’entrée. Un arbre stocke des règles de division et des valeurs de prédiction. Un \u003Ca href=\"https://www.snowflake.com/fr/artificial-intelligence/machine-learning/neural-network/\"\u003Eréseau neuronal\u003C/a\u003E peut contenir des millions, voire des milliards de poids répartis entre les couches. Quelle que soit leur structure, ces valeurs apprises constituent l’essentiel de ce que le modèle retient de l’entraînement.\u003C/p\u003E\n\u003Cp\u003EUn modèle de production comprend généralement plus que de simples paramètres appris. Il peut également intégrer la logique de prétraitement, les schémas d'entrée attendus, les étiquettes de classes, les informations de dépendances et les métadonnées nécessaires pour reproduire les prédictions de manière fiable. \u003C/p\u003E\n\u003Cp\u003E\u003Cem\u003ERegardez Tuhin Ghosh de Coinbase expliquer comment les capacités de Snowflake ML simplifient la façon dont Coinbase déploie le machine learning à grande échelle :\u003C/em\u003E\u003C/p\u003E","richText":true,":type":"snowflake-site/components/text","appliedCssClassNames":"text-color-text-05"},"yt_what-is-a-machine-learning-model_0":{"id":"embed-7029cb035c","youtubeVideoId":"Eh33vfAP30U","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_how-machine-learning-models-work":{"id":"title-v2-77120f1f88","additionalClasses":"anchor-title anchor-title--how-machine-learning-models-work","type":"heading2","lines":["Comment fonctionnent les modèles de machine learning"],":type":"snowflake-site/components/title-v2"},"text_how-machine-learning-models-work_0":{"id":"text-50a4bb8e75","text":"\u003Cp\u003EUn workflow de \u003Ca href=\"https://www.snowflake.com/fr/artificial-intelligence/machine-learning/\"\u003Emachine learning\u003C/a\u003E typique commence par un jeu de données contenant des observations pertinentes pour la tâche. Chaque observation est représentée par des caractéristiques, les variables d'entrée disponibles pour le modèle. Pour l’apprentissage supervisé, les données comprennent également une étiquette ou une valeur cible qui représente la sortie souhaitée. Un jeu de données de risque de crédit, par exemple, pourrait contenir des caractéristiques décrivant le revenu, l'historique de paiement et l'endettement existant, ainsi qu'une étiquette indiquant si un emprunteur antérieur a remboursé un prêt. \u003C/p\u003E\n\u003Cp\u003EAvant le début de l'entraînement, les praticiens nettoient et transforment généralement les données, construisent des caractéristiques utiles et répartissent les exemples disponibles en jeux d'entraînement, de validation et de test. Ces partitions ont des objectifs différents : le jeu d’entraînement ajuste le modèle, le jeu de validation facilite la sélection du modèle et des hyperparamètres, et le jeu de test fournit une estimation finale à partir de données qui n’ont pas guidé le développement.\u003C/p\u003E\n\u003Cp\u003EL’algorithme d’entraînement fait ensuite passer les exemples dans le modèle et compare ses résultats avec le résultat souhaité. Une fonction de perte convertit la différence en valeur numérique. L’optimisation ajuste les paramètres pour réduire cette perte, bien que le processus d’ajustement exact diffère considérablement selon les familles de modèles. Un modèle linéaire peut estimer des coefficients par une solution analytique ou une optimisation itérative, tandis qu'un réseau de neurones calcule généralement des gradients et les rétropropage à travers ses couches.\u003C/p\u003E\n\u003Cp\u003ELes praticiens définissent également des hyperparamètres, qui contrôlent le processus d’apprentissage ou la structure du modèle plutôt que d’être appris directement à partir des exemples d’entraînement. Il peut s’agir de la profondeur maximale d’un arbre, du nombre d’arbres dans une \u003Ca href=\"https://www.snowflake.com/fr/artificial-intelligence/machine-learning/models/random-forest/\"\u003Eforêt aléatoire\u003C/a\u003E, d’une pénalité de régularisation ou du taux d’apprentissage utilisé pour mettre à jour les poids du réseau neuronal.\u003C/p\u003E\n\u003Cp\u003EUne fois ajusté, le modèle est évalué sur des données mises de côté. La métrique pertinente dépend de la tâche et des conséquences de ses erreurs. L’exactitude peut être utile lorsque les classes sont raisonnablement équilibrées et que les coûts des différentes erreurs sont similaires, tandis que la précision, le rappel, la calibration ou l’aire sous une courbe peuvent mieux décrire d’autres systèmes. Les tâches de régression peuvent utiliser l’erreur absolue moyenne, la racine de l’erreur quadratique moyenne ou une fonction de coût spécifique au domaine. La sélection des métriques fait partie de la définition du problème : deux modèles peuvent changer de classement lorsqu’ils sont évalués selon des mesures différentes.\u003C/p\u003E\n\u003Cp\u003EL’objectif est la généralisation, c’est-à-dire la performance sur de nouveaux exemples issus des conditions que le modèle est censé rencontrer. Un modèle peut s’ajuster étroitement à ses données d’entraînement sans apprendre de relations transposables au-delà, ce qui entraîne de mauvais résultats en production. C’est en raison de cet écart que l’évaluation doit utiliser des exemples exclus de l’ajustement et que la performance en production doit encore être surveillée après le déploiement.\u003C/p\u003E\n\u003Cp\u003ELa qualité du modèle est également limitée par les informations disponibles dans les données. Des variables manquantes, des mesures incohérentes, des étiquettes inexactes et des échantillons non représentatifs peuvent enseigner au modèle des relations qui ne tiennent pas en production. Les algorithmes tolèrent différemment le bruit, les valeurs aberrantes et les valeurs manquantes, mais aucun modèle ne peut retrouver un signal que les données n'ont jamais capté.\u003C/p\u003E","richText":true,":type":"snowflake-site/components/text","appliedCssClassNames":"text-color-text-05"},"card_v2_how-machine-learning-models-work_0":{"id":"card-v2-94235227d8","additionalClasses":"seo-customer","configurationStatus":{"configured":true,"message":""},"button":{"id":"button","showOutboundIcon":false,"linkTargetContentType":"GENERIC",":type":"snowflake-site/components/button","linkType":"SNOWFLAKE_INTERNAL","text":"Lire le témoignage client"},":type":"snowflake-site/components/card-v2","title":{"id":"title","type":"heading4","lines":["BAMA"],":type":"snowflake-site/components/title-v2"},"image":{"id":"image","height":"351","src":"https://www.snowflake.com/adobe/dynamicmedia/deliver/dm-aid--84f0a5e1-9572-4c15-8dc5-5605cf07f047/bama%25403x.png?preferwebp=true&quality=85","alt":"bama logo","lazyEnabled":true,"isLcpImage":false,"width":"624",":type":"snowflake-site/components/image"},"type":"content-card","text":{"id":"text","text":"\u003Cp\u003EBAMA, distributeur norvégien de fruits et légumes, utilise Snowflake pour centraliser les données sur l'ensemble de sa chaîne de valeur des produits frais, rendant les données plus accessibles pour la gouvernance, la data science, le machine learning, l'orchestration, l'hébergement et l'entraînement de modèles. Avec Snowflake et Snowpark ML, BAMA a construit un modèle de prévision des devises qui aide son équipe financière à prédire ses besoins futurs en euros, en dollars et en livres sterling, réduisant de 35 % les pertes liées à la trésorerie et générant jusqu'à 700 000 USD de valeur estimée [en avril 2025].\u003C/p\u003E\r\n","richText":true,":type":"snowflake-site/components/text"},"layoutStyle":"horizontal"},"title_ways-to-classify-machine-learning-models":{"id":"title-v2-f5acf52b10","additionalClasses":"anchor-title anchor-title--ways-to-classify-machine-learning-models","type":"heading2","lines":["Les différentes façons de classer les modèles de machine learning"],":type":"snowflake-site/components/title-v2"},"text_ways-to-classify-machine-learning-models_0":{"id":"text-7f802067c9","text":"\u003Cp\u003EIl n’existe pas de liste définitive des types de modèles de machine learning, car les modèles peuvent être regroupés selon plusieurs dimensions : par approche d’apprentissage, par tâche et par famille de modèles.\u003C/p\u003E\r\n\u003Cp\u003EUne forêt aléatoire, par exemple, est une famille de modèles basée sur les arbres. Elle utilise généralement l’apprentissage supervisé et peut effectuer une classification ou une régression. Distinguer ces dimensions permet de mieux comprendre les liens entre les modèles.\u003C/p\u003E\r\n\u003Ch3\u003EPar approche d’apprentissage\u003C/h3\u003E\r\n\u003Cp\u003ELes approches d'apprentissage diffèrent selon le type de feedback disponible pendant l'entraînement. Certains modèles apprennent à partir d’exemples étiquetés, tandis que d’autres identifient une structure dans des données non étiquetées, dérivent des cibles des données elles-mêmes ou s’améliorent grâce aux récompenses reçues d’un environnement.\u003C/p\u003E\r\n\u003Cul\u003E\r\n\u003Cli\u003E\u003Cb\u003EL’apprentissage supervisé\u003C/b\u003E entraîne un modèle à partir d’exemples contenant à la fois des entrées et des valeurs cibles connues. Il prend en charge des tâches telles que la classification, la régression et le classement.\u003C/li\u003E\r\n\u003Cli\u003E\u003Cb\u003EL’apprentissage non supervisé\u003C/b\u003E fonctionne sans étiquettes cibles prédéfinies. Le modèle identifie plutôt une structure dans les entrées, par exemple en regroupant des observations similaires, en estimant une distribution de données ou en apprenant une représentation de dimension inférieure.\u003C/li\u003E\r\n\u003Cli\u003E\u003Cb\u003EL’apprentissage semi-supervisé\u003C/b\u003E combine un ensemble réduit d’exemples étiquetés avec un ensemble plus vaste de données non étiquetées. Il est utile lorsque les entrées sont abondantes, mais que l’étiquetage par des experts est coûteux ou lent.\u003C/li\u003E\r\n\u003Cli\u003E\u003Ca href=\"https://www.snowflake.com/fr/fundamentals/self-supervised-learning/\"\u003E\u003Cb\u003EL’apprentissage auto-supervisé\u003C/b\u003E\u003C/a\u003E dérive les cibles d’entraînement des données elles-mêmes. Un modèle de langage peut apprendre à prédire des tokens manquants ou suivants, tandis qu’un modèle d’image peut apprendre en reconstruisant des régions masquées ou en comparant des vues transformées d’une même image. Cette approche est à la base d’une grande partie du pré-entraînement utilisé pour les modèles de fondation modernes.\u003C/li\u003E\r\n\u003Cli\u003E\u003Ca href=\"https://www.snowflake.com/fr/artificial-intelligence/machine-learning/reinforcement-learning/\"\u003E\u003Cb\u003EL’apprentissage par renforcement\u003C/b\u003E\u003C/a\u003E entraîne un agent par le biais d’interactions avec un environnement. Plutôt que d’apprendre à partir d’une étiquette fixe pour chaque exemple, l’agent reçoit des récompenses associées à ses actions et apprend une politique visant à maximiser la récompense cumulée.\u003C/li\u003E\r\n\u003C/ul\u003E\r\n\u003Cp\u003ELes explications introductives désignent parfois l’apprentissage supervisé, non supervisé, semi-supervisé et par renforcement comme les « quatre types de machine learning ». Cela reste une réponse générale utile, à condition de les identifier comme des approches d’apprentissage plutôt que comme quatre types exhaustifs de modèles.\u003C/p\u003E\r\n\u003Ch3\u003EPar tâche\u003C/h3\u003E\r\n\u003Cp\u003ELes modèles peuvent également être regroupés selon le type de résultat qu’ils produisent. Une même famille peut prendre en charge plusieurs tâches, notamment la classification, la régression, le clustering, le classement, la prévision et la génération.\u003C/p\u003E\r\n\u003Cul\u003E\r\n\u003Cli\u003E\u003Cb\u003ELa classification\u003C/b\u003E attribue une entrée à une ou plusieurs catégories. Un modèle peut classer une transaction comme légitime ou potentiellement frauduleuse, identifier un objet dans une image ou acheminer une demande d’assistance vers la file d’attente appropriée.\u003C/li\u003E\r\n\u003Cli\u003E\u003Cb\u003E\u003Ca href=\"https://www.snowflake.com/fr/artificial-intelligence/machine-learning/models/regression/\"\u003ELes modèles de régression\u003C/a\u003E\u003C/b\u003E prédisent une valeur numérique continue, telle que la demande, la température ou le délai de livraison.\u003C/li\u003E\r\n\u003Cli\u003E\u003Cb\u003ELe clustering\u003C/b\u003E regroupe les observations selon une mesure de similarité, sans s'appuyer sur des étiquettes de catégories prédéfinies.\u003C/li\u003E\r\n\u003Cli\u003E\u003Cb\u003ELe classement\u003C/b\u003E ordonne les résultats possibles, comme dans la recherche, les recommandations ou la priorisation des leads.\u003C/li\u003E\r\n\u003Cli\u003E\u003Cb\u003ELa prévision\u003C/b\u003E estime des valeurs futures en tenant compte de l’ordre temporel et de régularités telles que la saisonnalité.\u003C/li\u003E\r\n\u003Cli\u003E\u003Cb\u003ELa génération\u003C/b\u003E produit de nouveaux contenus ou des résultats structurés, notamment du texte, des images, de l’audio, du code et des représentations moléculaires.\u003C/li\u003E\r\n\u003C/ul\u003E\r\n\u003Cp\u003EParmi les autres tâches figurent la détection d'anomalies, la réduction de dimensionnalité, l'apprentissage de représentations et le contrôle. Un même modèle peut également prendre en charge plusieurs tâches, en particulier lorsqu’il a été pré-entraîné sur des données très variées.\u003C/p\u003E\r\n\u003Ch3\u003EPar famille de modèles\u003C/h3\u003E\r\n\u003Cp\u003EUne famille de modèles décrit la structure par laquelle le modèle représente les relations. Ces catégories peuvent se chevaucher. Un autoencodeur est à la fois une architecture de réseau de neurones et un modèle de réduction de dimensionnalité, par exemple, tandis qu’un transformeur est une architecture de réseau de neurones utilisée par de nombreux modèles de fondation. L’étiquette de la famille renseigne les praticiens sur les mécanismes, les hypothèses et le profil de calcul du modèle, mais elle ne définit pas entièrement la tâche que le modèle est censé accomplir.\u003C/p\u003E\r\n","richText":true,":type":"snowflake-site/components/text","appliedCssClassNames":"text-color-text-05"},"title_common-machine-learning-model-families":{"id":"title-v2-c3cfc0c1bb","additionalClasses":"anchor-title anchor-title--common-machine-learning-model-families","type":"heading2","lines":["Familles courantes de modèles de machine learning"],":type":"snowflake-site/components/title-v2"},"text_common-machine-learning-model-families_0":{"id":"text-b4c3c0037d","text":"\u003Cp\u003ELes familles suivantes couvrent bon nombre des modèles utilisés en machine learning appliqué. Elles sont représentatives plutôt qu’exhaustives, et plusieurs incluent des algorithmes prenant en charge plus d’une tâche.\u003C/p\u003E\n\u003Ch3\u003EModèles linéaires\u003C/h3\u003E\n\u003Cp\u003ELes modèles linéaires calculent une sortie à partir d'une combinaison pondérée des caractéristiques d'entrée. En régression linéaire, le résultat est une valeur continue. La régression logistique applique une formulation similaire pour estimer la probabilité d’une classe.\u003C/p\u003E\n\u003Cp\u003ESupposons qu’un modèle estime le délai de livraison à partir de la longueur de l’itinéraire, du volume des commandes et de la charge de travail de l’entrepôt. Un modèle linéaire attribue un coefficient à chaque caractéristique, représentant la manière dont le délai de livraison prédit évolue lorsque cette caractéristique change, en supposant que les autres restent fixes.\u003C/p\u003E\n\u003Cp\u003ECette structure fait des modèles linéaires des références de base utiles. Ils s’entraînent rapidement, s’exécutent efficacement lors de l’inférence et exposent des relations que les praticiens peuvent inspecter. Les méthodes de régularisation telles que ridge, lasso et elastic net contraignent les coefficients, ce qui peut réduire le surapprentissage et, dans certains cas, simplifier l'ensemble de caractéristiques.\u003C/p\u003E\n\u003Cp\u003ECette même structure constitue toutefois aussi une limite. Un modèle linéaire de base ne peut pas capturer une relation courbe ou une interaction, à moins que ces termes ne soient fournis comme caractéristiques. Lorsque la relation sous-jacente est fortement non linéaire, un modèle linéaire peut souffrir de sous-apprentissage, même lorsqu’il est configuré correctement.\u003C/p\u003E\n\u003Ch3\u003EArbres de décision\u003C/h3\u003E\n\u003Cp\u003EUn \u003Ca href=\"https://www.snowflake.com/fr/artificial-intelligence/machine-learning/models/decision-tree/\"\u003Earbre de décision\u003C/a\u003E représente une prédiction sous la forme d’une séquence de divisions basées sur les caractéristiques. À chaque nœud interne, le modèle évalue une condition, par exemple si le solde d’un compte dépasse un seuil appris. Le chemin à travers ces conditions mène à une feuille contenant une classe prédite, une probabilité ou une valeur numérique.\u003C/p\u003E\n\u003Cp\u003ELes arbres peuvent représenter des relations non linéaires et des interactions sans que les praticiens aient à les spécifier à l’avance. Ils peuvent également fonctionner avec un mélange de types de caractéristiques et nécessitent généralement moins de mise à l’échelle ou de normalisation que les méthodes linéaires et basées sur la distance.\u003C/p\u003E\n\u003Cp\u003EUn petit arbre est relativement simple à inspecter, car une prédiction peut être retracée à travers un ensemble fini de règles, mais l’interprétabilité diminue à mesure que l’arbre s’approfondit et développe de nombreuses branches. Les arbres individuels peuvent aussi être instables. Une modification modeste des données d’entraînement peut altérer une division précoce et produire une structure sensiblement différente. Limiter la profondeur, exiger plus d’exemples par feuille ou élaguer l’arbre ajusté peut réduire le surapprentissage, bien que ces contrôles puissent aussi empêcher le modèle de représenter une complexité utile.\u003C/p\u003E\n\u003Ch3\u003EModèles arborescents d'ensemble\u003C/h3\u003E\n\u003Cp\u003ELes méthodes d’ensemble combinent plusieurs modèles afin que leur prédiction agrégée soit plus précise ou plus stable que le résultat d’un modèle isolé. Deux des approches arborescentes les plus courantes sont les forêts aléatoires et le gradient boosting.\u003C/p\u003E\n\u003Cp\u003EUne forêt aléatoire ajuste de nombreux arbres de décision à partir de différents échantillons d’observations et de sous-ensembles aléatoires de caractéristiques candidates. Pour la classification, la forêt combine les prédictions des arbres, soit par un vote majoritaire, soit en calculant la moyenne de leurs probabilités de classe prédites. Pour la régression, la moyenne de leurs prédictions numériques est calculée. Comme les arbres ne commettent pas tous les mêmes erreurs, l’agrégation réduit généralement la variance associée à un seul arbre ajusté.\u003C/p\u003E\n\u003Cp\u003ELes arbres de gradient boosting sont construits de manière séquentielle. Chaque nouvel arbre se concentre sur la correction des erreurs laissées par l’ensemble actuel. Des implémentations telles que \u003Ca href=\"https://xgboost.readthedocs.io/en/stable/\" target=\"_blank\"\u003EXGBoost\u003C/a\u003E, \u003Ca href=\"https://lightgbm.readthedocs.io/en/stable/\" target=\"_blank\"\u003ELightGBM\u003C/a\u003E et \u003Ca href=\"https://catboost.ai/\" target=\"_blank\"\u003ECatBoost\u003C/a\u003E ajoutent différentes optimisations et différents contrôles, mais toutes utilisent le boosting plutôt que la construction d’arbres plus indépendante d’une forêt aléatoire.\u003C/p\u003E\n\u003Cp\u003ELes ensembles arborescents sont souvent performants sur les données tabulaires structurées, où les observations apparaissent sous forme de lignes et les caractéristiques sous forme de colonnes. Leurs inconvénients incluent des artefacts de modèle plus volumineux, des coûts d'entraînement ou d'inférence supplémentaires et une interprétabilité directe réduite par rapport à un arbre simple. Les mesures d'importance des caractéristiques et les méthodes d'explication post hoc peuvent mettre en lumière certains aspects de leur comportement, mais elles ne transforment pas l'ensemble en un jeu de règles simples.\u003C/p\u003E\n","richText":true,":type":"snowflake-site/components/text","appliedCssClassNames":"text-color-text-05"},"text":{"id":"text-29a0fb7d64","text":"\u003Cp\u003E\u003Csvg xmlns=\"http://www.w3.org/2000/svg\" viewbox=\"0 0 968 1127\" width=\"100%\" role=\"img\" aria-labelledby=\"dgm-title dgm-desc\" style=\"display: block; max-width: 760px; margin: 2rem auto; height: auto;\"\u003E \u003Ctitle id=\"dgm-title\"\u003EComment les modèles à base d'arbres se construisent à partir d'un arbre de décision unique\u003C/title\u003E \u003Cdesc id=\"dgm-desc\"\u003ELes ensembles renoncent à la lisibilité d'un arbre unique pour gagner en stabilité et en précision. Diagramme en arbre. La racine contient Une séquence de divisions de caractéristiques. Sur la branche où Les arbres sont ajustés en parallèle, la question suivante est Chaque arbre voit un échantillon différent. Exemple donne Votes ou moyennes entre les arbres. Vous y gagnez donne Les arbres ne répètent pas une même erreur. Sur la branche où Les arbres sont ajustés en séquence, la question suivante est Chaque arbre corrige les erreurs précédentes. Exemple donne XGBoost, LightGBM, CatBoost. Vous y gagnez donne De bonnes performances sur les données tabulaires.\u003C/desc\u003E \u003Crect x=\"0\" y=\"0\" width=\"968\" height=\"136\" rx=\"12\" fill=\"#11253F\"\u003E\u003C/rect\u003E \u003Ctext x=\"32\" y=\"52\" font-family=\"Texta, 'Texta Bold', Arial, sans-serif\" font-size=\"27\" font-weight=\"800\" text-anchor=\"start\" fill=\"#29B5E8\"\u003EARBRE UNIQUE\u003C/text\u003E \u003Ctext x=\"32\" y=\"104\" font-family=\"Lato, Arial, sans-serif\" font-size=\"31\" font-weight=\"700\" fill=\"#FFFFFF\"\u003E\u003Ctspan x=\"32\"\u003EUne séquence de divisions de caractéristiques\u003C/tspan\u003E\u003C/text\u003E \u003Ctext x=\"124\" y=\"196\" font-family=\"Texta, 'Texta Bold', Arial, sans-serif\" font-size=\"27\" font-weight=\"800\" text-anchor=\"start\" fill=\"#11567F\"\u003EARBRES AJUSTÉS EN PARALLÈLE\u003C/text\u003E \u003Crect x=\"110\" y=\"210\" width=\"858\" height=\"134\" rx=\"12\" fill=\"#29B5E8\"\u003E\u003C/rect\u003E \u003Ctext x=\"142\" y=\"262\" font-family=\"Texta, 'Texta Bold', Arial, sans-serif\" font-size=\"27\" font-weight=\"800\" text-anchor=\"start\" fill=\"#11253F\"\u003EBAGGING\u003C/text\u003E \u003Ctext x=\"142\" y=\"312\" font-family=\"Lato, Arial, sans-serif\" font-size=\"32\" font-weight=\"700\" fill=\"#11253F\"\u003E\u003Ctspan x=\"142\"\u003EChaque arbre voit un échantillon différent\u003C/tspan\u003E\u003C/text\u003E \u003Cg fill=\"none\" stroke=\"#5B9FD4\" stroke-width=\"4\" stroke-linecap=\"round\"\u003E\u003Cpath d=\"M539 344 V380 H317 V418\"\u003E\u003C/path\u003E\u003C/g\u003E \u003Ctext x=\"307\" y=\"374\" font-family=\"Texta, 'Texta Bold', Arial, sans-serif\" font-size=\"27\" font-weight=\"800\" text-anchor=\"end\" fill=\"#11567F\"\u003EEXEMPLE\u003C/text\u003E \u003Crect x=\"110\" y=\"418\" width=\"414\" height=\"165\" rx=\"12\" fill=\"#C4E4F7\"\u003E\u003C/rect\u003E \u003Ctext x=\"142\" y=\"470\" font-family=\"Texta, 'Texta Bold', Arial, sans-serif\" font-size=\"26\" font-weight=\"800\" text-anchor=\"start\" fill=\"#11567F\"\u003EFORÊT ALÉATOIRE\u003C/text\u003E \u003Ctext x=\"142\" y=\"514\" font-family=\"Lato, Arial, sans-serif\" font-size=\"28\" font-weight=\"700\" fill=\"#11253F\"\u003E\u003Ctspan x=\"142\"\u003EVotes ou moyennes\u003C/tspan\u003E\u003Ctspan x=\"142\" dy=\"35\"\u003Eentre les arbres\u003C/tspan\u003E\u003C/text\u003E \u003Cg fill=\"none\" stroke=\"#5B9FD4\" stroke-width=\"4\" stroke-linecap=\"round\"\u003E\u003Cpath d=\"M539 344 V380 H761 V418\"\u003E\u003C/path\u003E\u003C/g\u003E \u003Ctext x=\"771\" y=\"374\" font-family=\"Texta, 'Texta Bold', Arial, sans-serif\" font-size=\"22\" font-weight=\"800\" text-anchor=\"start\" fill=\"#11567F\"\u003EVOUS Y GAGNEZ\u003C/text\u003E \u003Crect x=\"554\" y=\"418\" width=\"414\" height=\"165\" rx=\"12\" fill=\"#C4E4F7\"\u003E\u003C/rect\u003E \u003Ctext x=\"586\" y=\"470\" font-family=\"Texta, 'Texta Bold', Arial, sans-serif\" font-size=\"22\" font-weight=\"800\" text-anchor=\"start\" fill=\"#11567F\"\u003EVARIANCE PLUS FAIBLE\u003C/text\u003E \u003Ctext x=\"586\" y=\"514\" font-family=\"Lato, Arial, sans-serif\" font-size=\"28\" font-weight=\"700\" fill=\"#11253F\"\u003E\u003Ctspan x=\"586\"\u003ELes arbres ne répètent\u003C/tspan\u003E\u003Ctspan x=\"586\" dy=\"35\"\u003Epas une même erreur\u003C/tspan\u003E\u003C/text\u003E \u003Ctext x=\"124\" y=\"643\" font-family=\"Texta, 'Texta Bold', Arial, sans-serif\" font-size=\"27\" font-weight=\"800\" text-anchor=\"start\" fill=\"#11567F\"\u003EARBRES AJUSTÉS EN SÉQUENCE\u003C/text\u003E \u003Crect x=\"110\" y=\"657\" width=\"858\" height=\"134\" rx=\"12\" fill=\"#29B5E8\"\u003E\u003C/rect\u003E \u003Ctext x=\"142\" y=\"709\" font-family=\"Texta, 'Texta Bold', Arial, sans-serif\" font-size=\"27\" font-weight=\"800\" text-anchor=\"start\" fill=\"#11253F\"\u003EBOOSTING\u003C/text\u003E \u003Ctext x=\"142\" y=\"759\" font-family=\"Lato, Arial, sans-serif\" font-size=\"31\" font-weight=\"700\" fill=\"#11253F\"\u003E\u003Ctspan x=\"142\"\u003EChaque arbre corrige les erreurs précédentes\u003C/tspan\u003E\u003C/text\u003E \u003Cg fill=\"none\" stroke=\"#5B9FD4\" stroke-width=\"4\" stroke-linecap=\"round\"\u003E\u003Cpath d=\"M539 791 V827 H317 V865\"\u003E\u003C/path\u003E\u003C/g\u003E \u003Ctext x=\"307\" y=\"821\" font-family=\"Texta, 'Texta Bold', Arial, sans-serif\" font-size=\"27\" font-weight=\"800\" text-anchor=\"end\" fill=\"#11567F\"\u003EEXEMPLE\u003C/text\u003E \u003Crect x=\"110\" y=\"865\" width=\"414\" height=\"165\" rx=\"12\" fill=\"#C4E4F7\"\u003E\u003C/rect\u003E \u003Ctext x=\"142\" y=\"917\" font-family=\"Texta, 'Texta Bold', Arial, sans-serif\" font-size=\"24\" font-weight=\"800\" text-anchor=\"start\" fill=\"#11567F\"\u003EGRADIENT BOOSTING\u003C/text\u003E \u003Ctext x=\"142\" y=\"961\" font-family=\"Lato, Arial, sans-serif\" font-size=\"28\" font-weight=\"700\" fill=\"#11253F\"\u003E\u003Ctspan x=\"142\"\u003EXGBoost, LightGBM,\u003C/tspan\u003E\u003Ctspan x=\"142\" dy=\"35\"\u003ECatBoost\u003C/tspan\u003E\u003C/text\u003E \u003Cg fill=\"none\" stroke=\"#5B9FD4\" stroke-width=\"4\" stroke-linecap=\"round\"\u003E\u003Cpath d=\"M539 791 V827 H761 V865\"\u003E\u003C/path\u003E\u003C/g\u003E \u003Ctext x=\"771\" y=\"821\" font-family=\"Texta, 'Texta Bold', Arial, sans-serif\" font-size=\"22\" font-weight=\"800\" text-anchor=\"start\" fill=\"#11567F\"\u003EVOUS Y GAGNEZ\u003C/text\u003E \u003Crect x=\"554\" y=\"865\" width=\"414\" height=\"165\" rx=\"12\" fill=\"#C4E4F7\"\u003E\u003C/rect\u003E \u003Ctext x=\"586\" y=\"917\" font-family=\"Texta, 'Texta Bold', Arial, sans-serif\" font-size=\"22\" font-weight=\"800\" text-anchor=\"start\" fill=\"#11567F\"\u003EPRÉCISION SUPÉRIEURE\u003C/text\u003E \u003Ctext x=\"586\" y=\"961\" font-family=\"Lato, Arial, sans-serif\" font-size=\"28\" font-weight=\"700\" fill=\"#11253F\"\u003E\u003Ctspan x=\"586\"\u003EPerformant sur les\u003C/tspan\u003E\u003Ctspan x=\"586\" dy=\"35\"\u003Edonnées tabulaires\u003C/tspan\u003E\u003C/text\u003E \u003Cg fill=\"none\" stroke=\"#5B9FD4\" stroke-width=\"4\" stroke-linecap=\"round\"\u003E\u003Cpath d=\"M40 136 V724\"\u003E\u003C/path\u003E\u003Cpath d=\"M40 277 H110\"\u003E\u003C/path\u003E\u003Cpath d=\"M40 724 H110\"\u003E\u003C/path\u003E\u003C/g\u003E \u003Cg fill=\"none\" stroke=\"#5B9FD4\" stroke-width=\"4\" stroke-linecap=\"round\"\u003E\u003Cpath d=\"M0 1104 H56\"\u003E\u003C/path\u003E\u003C/g\u003E \u003Ctext x=\"70\" y=\"1114\" font-family=\"Texta, 'Texta Bold', Arial, sans-serif\" font-size=\"27\" font-weight=\"800\" text-anchor=\"start\" fill=\"#11567F\"\u003EBRANCHE\u003C/text\u003E \u003Ctext x=\"196\" y=\"1114\" font-family=\"Lato, Arial, sans-serif\" font-size=\"27\" font-weight=\"400\" text-anchor=\"start\" fill=\"#6B7680\" font-style=\"italic\"\u003Ecomment l'ensemble ajuste ses arbres\u003C/text\u003E \u003C/svg\u003E\u003C/p\u003E\r\n","richText":true,":type":"snowflake-site/components/text"},"text_common-machine-learning-model-families_1":{"id":"text-ac66b81345","text":"\u003Ch3\u003EMachine à vecteurs de support\u003C/h3\u003E\r\n\u003Cp\u003EUne \u003Ca href=\"https://www.snowflake.com/fr/artificial-intelligence/machine-learning/models/support-vector-machine/\"\u003Emachine à vecteurs de support\u003C/a\u003E (support vector machine, SVM) apprend une frontière qui sépare les classes tout en maximisant la marge entre cette frontière et les exemples d'entraînement les plus proches. Ces exemples proches, appelés vecteurs de support, déterminent la frontière de décision ajustée.\u003C/p\u003E\r\n\u003Cp\u003ELorsque les classes ne peuvent pas être séparées par une ligne droite ou un \u003Ca rel=\"noopener noreferrer\" href=\"https://r4ds.github.io/bookclub-islr/hyperplane.html\" target=\"_blank\"\u003Ehyperplan plat\u003C/a\u003E, une fonction noyau peut représenter des relations non linéaires par le biais de similarités entre les observations. La régression à vecteurs de support applique des mécanismes similaires à la prédiction continue.\u003C/p\u003E\r\n\u003Cp\u003ELes SVM peuvent être performants sur des données de taille modérée et de haute dimension, en particulier lorsque les caractéristiques fournissent déjà une représentation utile. La classification de texte à partir de caractéristiques éparses de mots ou de tokens en est un exemple classique.\u003C/p\u003E\r\n\u003Cp\u003ELa méthode devient moins praticable à mesure que le nombre d'exemples d'entraînement augmente, en particulier avec des noyaux non linéaires. Les résultats dépendent également de la mise à l'échelle des caractéristiques et de choix tels que le noyau, la force de régularisation et les paramètres du noyau. La frontière apprise étant définie par des vecteurs de support plutôt que par une courte liste de coefficients ou un chemin de décision, expliquer une prédiction individuelle peut nécessiter une analyse complémentaire.\u003C/p\u003E\r\n\u003Ch3\u003EModèles des plus proches voisins\u003C/h3\u003E\r\n\u003Cp\u003ELes méthodes des plus proches voisins prédisent à partir des exemples d'entraînement les plus similaires à une nouvelle entrée. Un \u003Ca rel=\"noopener noreferrer\" href=\"https://scikit-learn.org/stable/modules/generated/sklearn.neighbors.KNeighborsClassifier.html\" target=\"_blank\"\u003Eclassifieur k plus proches voisins\u003C/a\u003E identifie un nombre déterminé d'exemples d'entraînement les plus similaires et attribue une classe en fonction de leurs votes. Pour la régression, il peut calculer la moyenne de leurs valeurs cibles.\u003C/p\u003E\r\n\u003Cp\u003ECette approche est parfois qualifiée d’apprentissage paresseux (lazy learning), car l’ajustement implique relativement peu d’estimation de paramètres. Le modèle conserve plutôt les exemples de référence et effectue une grande partie de son travail lors de l’inférence.\u003C/p\u003E\r\n\u003Cp\u003ELa méthode est simple à comprendre et peut représenter des frontières de décision irrégulières, mais son comportement dépend de la définition de la distance. Des caractéristiques mesurées sur des échelles très différentes peuvent fausser la similarité si elles ne sont pas standardisées, et des dimensions non pertinentes peuvent faire paraître éloignés des exemples réellement similaires.\u003C/p\u003E\r\n\u003Cp\u003EL’inférence peut également devenir coûteuse à mesure que les données de référence augmentent. Les techniques d’indexation et de recherche approximative des voisins réduisent le coût de la recherche, mais les modèles des plus proches voisins imposent à un système des exigences de stockage et de latence différentes de celles d’un modèle linéaire compact ou d’un arbre de décision.\u003C/p\u003E\r\n\u003Ch3\u003EModèles probabilistes\u003C/h3\u003E\r\n\u003Cp\u003ELes modèles probabilistes représentent les relations au moyen de distributions de probabilité. Plutôt que de produire uniquement une classe ou une estimation numérique, ils peuvent calculer la probabilité de plusieurs résultats ou représenter l’incertitude de variables cachées.\u003C/p\u003E\r\n\u003Cp\u003ELes classificateurs \u003Ca rel=\"noopener noreferrer\" href=\"https://scikit-learn.org/stable/modules/naive_bayes.html\" target=\"_blank\"\u003ENaive Bayes\u003C/a\u003E estiment une classe à partir de la probabilité conditionnelle des caractéristiques observées, en s’appuyant sur une hypothèse d’indépendance qui rend l’ajustement efficace. Les \u003Ca rel=\"noopener noreferrer\" href=\"https://scikit-learn.org/stable/modules/mixture.html\" target=\"_blank\"\u003Emodèles de mélanges gaussiens\u003C/a\u003E décrivent les données comme une combinaison de distributions de probabilité et sont souvent utilisés pour le clustering ou l’estimation de densité. Les \u003Ca rel=\"noopener noreferrer\" href=\"https://www.bayesserver.com/docs/introduction/bayesian-networks/\" target=\"_blank\"\u003Eréseaux bayésiens\u003C/a\u003E représentent des relations conditionnelles entre variables, tandis que les \u003Ca rel=\"noopener noreferrer\" href=\"https://www.sciencedirect.com/topics/materials-science/markov-model\" target=\"_blank\"\u003Emodèles de Markov\u003C/a\u003E cachés représentent des séquences dont les états sous-jacents ne sont pas directement observés.\u003C/p\u003E\r\n\u003Cp\u003ECes modèles sont utiles lorsque l’incertitude fait partie du problème plutôt que d’en être un résultat accessoire. Une prévision probabiliste, par exemple, peut estimer une distribution de demandes possibles au lieu d’une valeur ponctuelle unique.\u003C/p\u003E\r\n\u003Cp\u003ELeurs hypothèses peuvent les rendre efficaces sur le plan du calcul et interprétables, mais leur performance dépend de la mesure dans laquelle ces hypothèses décrivent raisonnablement les données. Une structure de dépendances simplifiée peut ne pas capturer des relations importantes, tandis qu’un modèle probabiliste plus expressif peut devenir difficile à estimer.\u003C/p\u003E\r\n\u003Ch3\u003EModèles de clustering\u003C/h3\u003E\r\n\u003Cp\u003ELes modèles de clustering trouvent des groupes d’observations similaires sans entraînement sur des étiquettes de classe connues. Comme aucune définition unique d’un cluster ne convient à tous les jeux de données, différentes méthodes recherchent différents types de structure.\u003C/p\u003E\r\n\u003Cp\u003E\u003Ca rel=\"noopener noreferrer\" href=\"https://scikit-learn.org/stable/modules/generated/sklearn.cluster.KMeans.html\" target=\"_blank\"\u003EK-means\u003C/a\u003E affecte les observations à un nombre spécifié de clusters, chacun représenté par un \u003Ca rel=\"noopener noreferrer\" href=\"https://engineeringstatics.org/Chapter_07-centroids.html\" target=\"_blank\"\u003Ecentroïde\u003C/a\u003E appris. Il fonctionne mieux lorsque la distance à un centroïde représente de manière significative l’appartenance et que les clusters présentent des formes et des échelles globalement compatibles.\u003C/p\u003E\r\n\u003Cp\u003ELe \u003Ca rel=\"noopener noreferrer\" href=\"https://scikit-learn.org/stable/modules/clustering.html\" target=\"_blank\"\u003Eclustering hiérarchique\u003C/a\u003E combine ou divise des groupes de manière répétée pour créer une structure imbriquée. Les praticiens peuvent inspecter cette hiérarchie à différents niveaux plutôt que de s’engager d’emblée sur un regroupement unique et plat.\u003C/p\u003E\r\n\u003Cp\u003ELes méthodes fondées sur la densité, dont \u003Ca rel=\"noopener noreferrer\" href=\"https://scikit-learn.org/stable/modules/generated/sklearn.cluster.DBSCAN.html\" target=\"_blank\"\u003EDBSCAN\u003C/a\u003E, identifient les régions contenant des observations très rapprochées et peuvent marquer les points isolés comme du bruit. Cela leur permet de trouver des formes de clusters que les méthodes fondées sur les centroïdes peuvent manquer, même si le résultat dépend des seuils de densité.\u003C/p\u003E\r\n\u003Cp\u003ELes clusters n’ont pas de signification métier intrinsèque. Après l’ajustement, les praticiens doivent inspecter les caractéristiques et les exemples associés à chaque groupe, vérifier la stabilité des groupes et leur pertinence pour l’analyse ou le processus prévu.\u003C/p\u003E\r\n\u003Ch3\u003EModèles de réduction de la dimensionnalité\u003C/h3\u003E\r\n\u003Cp\u003ELa réduction de la dimensionnalité représente les données à l’aide d’un nombre réduit de variables tout en préservant certains aspects de leur structure. La représentation obtenue peut soutenir la visualisation, le débruitage, la compression ou l’entraînement de modèles en aval.\u003C/p\u003E\r\n\u003Cp\u003EL’\u003Ca rel=\"noopener noreferrer\" href=\"https://cs357.cs.illinois.edu/textbook/notes/pca.html\" target=\"_blank\"\u003Eanalyse en composantes principales (ACP)\u003C/a\u003E apprend de nouveaux axes qui capturent des quantités progressivement plus faibles de variation dans l’entrée. Comme les composantes sont des combinaisons pondérées des caractéristiques d’origine, l’ACP peut condenser des mesures corrélées dans un espace de caractéristiques plus restreint.\u003C/p\u003E\r\n\u003Cp\u003ED’autres méthodes préservent des propriétés différentes. Certaines privilégient les voisinages locaux à des fins de visualisation, tandis que les autoencodeurs utilisent un réseau de neurones pour compresser une entrée en une représentation de dimension inférieure et la reconstruire.\u003C/p\u003E\r\n\u003Cp\u003ERéduire le nombre de caractéristiques peut diminuer les coûts de stockage et de calcul ou éliminer le bruit, mais peut aussi écarter de l’information. Les composantes apprises peuvent être plus difficiles à expliquer que les variables d’origine, et une représentation qui préserve la variance globale peut ne pas préserver les distinctions les plus importantes pour la tâche de prédiction.\u003C/p\u003E\r\n\u003Ch3\u003ERéseaux neuronaux\u003C/h3\u003E\r\n\u003Cp\u003EUn réseau neuronal se compose de couches qui transforment une entrée au moyen de poids appris et de fonctions non linéaires. Pendant l'entraînement, le réseau produit une sortie, calcule une perte et rétropropage les gradients afin qu'un optimiseur puisse mettre à jour ses paramètres.\u003C/p\u003E\r\n\u003Cp\u003EDifférentes architectures imposent des structures adaptées à différentes données :\u003C/p\u003E\r\n\u003Cul\u003E\r\n\u003Cli\u003ELes \u003Cb\u003Eréseaux à propagation\u003C/b\u003E avant transmettent l'information à travers une séquence de couches et prennent en charge les tâches générales de classification et de régression.\u003C/li\u003E\r\n\u003Cli\u003ELes \u003Cb\u003Eréseaux neuronaux convolutifs\u003C/b\u003E appliquent des filtres appris sur des entrées spatiales et sont couramment utilisés pour les images.\u003C/li\u003E\r\n\u003Cli\u003ELes réseaux neuronaux récurrents conservent un état au fil des séquences, même si les transformers gèrent désormais de nombreuses tâches autrefois confiées aux architectures récurrentes.\u003C/li\u003E\r\n\u003Cli\u003ELes transformers utilisent des mécanismes d’attention pour modéliser les relations entre les éléments d’une séquence ou d’une autre représentation tokenisée.\u003C/li\u003E\r\n\u003Cli\u003ELes autoencodeurs apprennent des représentations compressées en reconstruisant leurs entrées.\u003C/li\u003E\r\n\u003Cli\u003ELes réseaux neuronaux de graphes échangent des informations entre nœuds connectés pour modéliser des structures relationnelles.\u003C/li\u003E\r\n\u003C/ul\u003E\r\n\u003Cp\u003ELes réseaux de neurones peuvent apprendre des fonctions complexes et, avec suffisamment de données, extraire des représentations utiles à partir d'images, d'audio, de texte et d'autres entrées de haute dimension. Cette flexibilité s’accompagne souvent d’exigences plus élevées en données et en calcul, d’un réglage plus poussé et d’une interprétabilité moins directe que celle de modèles plus simples.\u003C/p\u003E\r\n\u003Cp\u003EL’architecture seule ne détermine pas la qualité. La construction des données, la conception de l’objectif, l’optimisation, la régularisation et l’évaluation influencent toutes la capacité d’un réseau neuronal à généraliser au-delà de ses exemples d’entraînement.\u003C/p\u003E\r\n\u003Ch3\u003EModèles de séries temporelles\u003C/h3\u003E\r\n\u003Cp\u003ELes modèles de séries temporelles tiennent compte de l’ordre dans lequel les observations surviennent. Un système de prévisions peut devoir représenter des tendances, des régularités saisonnières récurrentes, des effets différés et des variables externes qui évoluent au fil du temps.\u003C/p\u003E\r\n\u003Cp\u003ELes modèles statistiques tels que la \u003Ca rel=\"noopener noreferrer\" href=\"https://phdinds-aim.github.io/time_series_handbook/01_AutoRegressiveIntegratedMovingAverage/01_AutoRegressiveIntegratedMovingAverage.html\" target=\"_blank\"\u003Emoyenne mobile intégrée autorégressive (ARIMA)\u003C/a\u003E utilisent les valeurs passées et les régularités résiduelles pour estimer les observations futures. Les méthodes de lissage exponentiel modélisent des composantes telles que le niveau, la tendance et la saisonnalité. Les ensembles arborescents peuvent utiliser des caractéristiques construites à partir de décalages temporels et de fenêtres glissantes, tandis que les réseaux récurrents et les transformeurs peuvent apprendre des représentations temporelles à partir de séquences.\u003C/p\u003E\r\n\u003Cp\u003ELa sélection d’un modèle de séries temporelles revient souvent à trouver l’équilibre entre précision, interprétabilité et coût de calcul. \u003Ca href=\"https://www.snowflake.com/en/blog/engineering/time-series-forecasting-comparing-transform-techniques-tree-based-models\"\u003ESchmaus explique\u003C/a\u003E : « Les méthodes classiques, comme ARIMA et le lissage exponentiel, sont rapides à entraîner, très efficaces et simples à interpréter, tandis que les méthodes neuronales peuvent offrir une précision accrue et intégrer des entrées exogènes et des non-linéarités, au détriment toutefois de l’efficacité de l’entraînement et de l’inférence. »\u003C/p\u003E\r\n\u003Cp\u003EL’évaluation doit également préserver l’ordre temporel. Une \u003Ca rel=\"noopener noreferrer\" href=\"https://scikit-learn.org/stable/modules/generated/sklearn.model_selection.train_test_split.html\" target=\"_blank\"\u003Erépartition aléatoire entre entraînement et test\u003C/a\u003E peut laisser fuiter des informations futures dans l’entraînement et produire un résultat favorable de manière irréaliste. Les praticiens utilisent plutôt des jeux d’évaluation séparés chronologiquement ou des fenêtres d’évaluation glissantes qui reflètent plus fidèlement la manière dont les prévisions seront générées.\u003C/p\u003E\r\n\u003Ch3\u003EModèles de fondation\u003C/h3\u003E\r\n\u003Cp\u003EUn modèle de fondation est entraîné sur des données étendues, généralement à grande échelle, et conçu pour être adapté à de nombreuses tâches en aval. La catégorie inclut les LLM ainsi que des modèles entraînés pour les images, l’audio, les séquences biologiques et d’autres modalités.\u003C/p\u003E\r\n\u003Cp\u003ELa plupart des modèles de fondation utilisent des réseaux neuronaux et un pré-entraînement auto-supervisé. Au lieu de collecter une étiquette distincte rédigée par un humain pour chaque exemple, le processus d’entraînement dérive des objectifs à partir des données, comme la prédiction d’un token manquant ou l’alignement de représentations d’images et de textes apparentées.\u003C/p\u003E\r\n\u003Cp\u003EAprès le pré-entraînement, le modèle peut être adapté par prompting, récupération, fine-tuning ou ajout de couches spécifiques à une tâche. Cette réutilisation le distingue d’un modèle entraîné uniquement pour une tâche de prédiction délimitée.\u003C/p\u003E\r\n\u003Cp\u003EParmi les exemples figurent des LLM tels que GPT, Claude, Llama et Mistral, ainsi que des modèles multimodaux tels que Gemini et Qwen2.5-VL. La catégorie inclut également des modèles de génération d’images tels que Stable Diffusion et FLUX, des modèles de reconnaissance vocale tels que Whisper et des modèles de fondation biologiques tels qu’ESM. Bien que ces modèles prennent en charge des tâches très différentes, ils partagent la caractéristique d’un pré-entraînement étendu suivi d’une adaptation aux applications en aval par prompting, récupération, fine-tuning ou entraînement supplémentaire.\u003C/p\u003E\r\n","richText":true,":type":"snowflake-site/components/text","appliedCssClassNames":"text-color-text-05"},"callout_common-machine-learning-model-families_0":{"id":"text-062ada7b01","additionalClasses":"callout callout--warning","text":"\u003Cp\u003E\u003Cstrong\u003EPIÈGE COURANT\u003C/strong\u003E\u003C/p\u003E\n\u003Cp\u003EDe nombreuses équipes supposent qu’un modèle de fondation plus grand produira automatiquement le meilleur résultat, mais en réalité, un modèle plus petit ou spécifique à une tâche peut offrir une qualité comparable avec une latence, un coût et une complexité d’évaluation moindres.\u003C/p\u003E","richText":true,":type":"snowflake-site/components/text","appliedCssClassNames":"text-size-regular text-color-text-05"},"title_how-to-choose-the-right-machine-learning-model":{"id":"title-v2-722ff5e79e","additionalClasses":"anchor-title anchor-title--how-to-choose-the-right-machine-learning-model","type":"heading2","lines":["Comment choisir le bon modèle de machine learning"],":type":"snowflake-site/components/title-v2"},"text_how-to-choose-the-right-machine-learning-model_0":{"id":"text-1bf8ee1a90","text":"\u003Cp\u003ELa sélection d’un modèle est un processus empirique. Les différentes familles formulent des hypothèses différentes sur les données et introduisent des compromis différents ; les praticiens comparent donc généralement plusieurs candidats avant de sélectionner celui qui correspond le mieux à la tâche et aux exigences opérationnelles.\u003C/p\u003E\r\n\u003Ch3\u003EDéfinir la tâche et les critères d’évaluation\u003C/h3\u003E\r\n\u003Cp\u003EDéterminez d’abord si la sortie est une classe, une valeur numérique, un classement, un cluster, une prévision ou un résultat généré. Identifiez ensuite comment la sortie sera utilisée.\u003C/p\u003E\r\n\u003Cp\u003EDans un système de dépistage médical, par exemple, manquer un cas positif entraîne un coût très différent de celui de l’envoi d’un cas supplémentaire pour examen. En prévision de la demande, une sous-estimation peut être plus coûteuse qu'une surestimation de même ampleur. La métrique d’évaluation doit représenter ces conséquences plutôt que d’être simplement conventionnelle pour la tâche.\u003C/p\u003E\r\n\u003Ch3\u003EExaminer les données disponibles\u003C/h3\u003E\r\n\u003Cp\u003ELa taille de l'échantillon, les types de caractéristiques, le caractère épars des données, la qualité des étiquettes et la structure temporelle réduisent le nombre de candidats envisageables en pratique.\u003C/p\u003E\r\n\u003Cp\u003ELes ensembles arborescents fournissent souvent des références solides pour les données structurées présentant des relations de caractéristiques mixtes. Les modèles linéaires fonctionnent bien lorsque la relation est approximativement linéaire ou que la transparence est importante. Les SVM peuvent convenir aux données de taille modérée et de grande dimension, tandis que les réseaux neuronaux sont souvent envisagés lorsque de grandes quantités de données non structurées ou de grande dimension sont disponibles.\u003C/p\u003E\r\n\u003Cp\u003EIl s’agit toutefois de points de départ plutôt que de règles de sélection. \u003Ca rel=\"noopener noreferrer\" target=\"_blank\" href=\"https://arxiv.org/abs/2305.02997\"\u003EDans un benchmark couvrant 176 jeux de données tabulaires\u003C/a\u003E, la performance relative des réseaux neuronaux et des arbres à gradient boosting variait selon des caractéristiques telles que les distributions des caractéristiques, et un réglage modeste importait parfois plus que le choix entre les deux familles.\u003C/p\u003E\r\n\u003Ch3\u003EDéfinir tôt les contraintes opérationnelles\u003C/h3\u003E\r\n\u003Cp\u003EUn modèle qui produit la meilleure métrique hors ligne peut néanmoins être inadapté à son environnement de production. Les équipes peuvent devoir limiter :\u003C/p\u003E\r\n\u003Cul\u003E\r\n\u003Cli\u003ELe temps d’entraînement et le coût d’infrastructure\u003C/li\u003E\r\n\u003Cli\u003ELa latence d’inférence\u003C/li\u003E\r\n\u003Cli\u003ELa mémoire et la taille du modèle\u003C/li\u003E\r\n\u003Cli\u003ELa fréquence et le coût du réentraînement\u003C/li\u003E\r\n\u003Cli\u003ELes dépendances matérielles\u003C/li\u003E\r\n\u003Cli\u003ELes exigences d’explication\u003C/li\u003E\r\n\u003Cli\u003ELe volume et le schéma des requêtes de prédiction\u003C/li\u003E\r\n\u003C/ul\u003E\r\n\u003Cp\u003ELes compromis opérationnels changent souvent le modèle qui constitue le meilleur choix. Un modèle des plus proches voisins peut nécessiter peu d’entraînement mais reporter une plus grande partie du coût sur l’inférence, tandis qu’un ensemble peut améliorer la performance prédictive au détriment de la latence et de la mémoire. Un modèle linéaire plus simple peut donc être plus facile à auditer, à déployer et à réentraîner, même lorsqu’un candidat plus complexe produit un score légèrement meilleur.\u003C/p\u003E\r\n\u003Ch3\u003EÉtablir une référence simple\u003C/h3\u003E\r\n\u003Cp\u003EUne référence montre si une complexité supplémentaire produit un gain significatif. Pour la régression, cela peut commencer par la prédiction de la moyenne historique, puis par l’ajustement d’un modèle linéaire. Pour la classification, les praticiens peuvent comparer une règle de classe majoritaire, une régression logistique et un arbre de décision peu profond avant d’ajouter des ensembles ou des réseaux de neurones.\u003C/p\u003E\r\n\u003Cp\u003ELe modèle de référence permet également de tester le pipeline. Des résultats étonnamment bons peuvent révéler une fuite de données, tandis que des résultats étonnamment faibles peuvent mettre en évidence des problèmes d'étiquettes, de jointures, de construction de caractéristiques ou d'évaluation.\u003C/p\u003E\r\n\u003Ch3\u003EComparer les modèles dans des conditions homogènes\u003C/h3\u003E\r\n\u003Cp\u003ELes modèles candidats doivent utiliser les mêmes partitions de données et la même procédure d’évaluation. Le réglage des hyperparamètres doit s’effectuer sans consulter l’ensemble de test final, car des décisions répétées fondées sur la performance en test transforment cet ensemble en une source supplémentaire de feedback d’entraînement.\u003C/p\u003E\r\n\u003Cp\u003ELa validation croisée permet d’estimer comment la performance varie selon différents sous-ensembles des données, en particulier lorsque l’échantillon disponible est limité. Les données dépendantes du temps exigent des découpages qui préservent la chronologie.\u003C/p\u003E\r\n\u003Cp\u003ELa comparaison des modèles doit également prendre en compte la variabilité. Un score moyen légèrement supérieur peut ne pas être significatif lorsque les résultats varient fortement selon les partitions de validation croisée, les graines aléatoires ou les fenêtres temporelles.\u003C/p\u003E\r\n","richText":true,":type":"snowflake-site/components/text","appliedCssClassNames":"text-color-text-05"},"callout_how-to-choose-the-right-machine-learning-model_0":{"id":"text-3bbe748aaf","additionalClasses":"callout callout--tip","text":"\u003Cp\u003E\u003Cstrong\u003EASTUCE\u003C/strong\u003E\u003C/p\u003E\n\u003Cp\u003EUtilisez les mêmes découpages de données, les mêmes étapes de prétraitement et les mêmes métriques d’évaluation pour chaque candidat. Sinon, des différences dans l’expérimentation pourraient être prises à tort pour des différences de qualité entre les modèles.\u003C/p\u003E","richText":true,":type":"snowflake-site/components/text","appliedCssClassNames":"text-size-regular text-color-text-05"},"text_how-to-choose-the-right-machine-learning-model_1":{"id":"text-c85c17fd7b","text":"\u003Ch3\u003ETrouver l’équilibre entre sous-apprentissage et surapprentissage\u003C/h3\u003E\n\u003Cp\u003EUn modèle en sous-apprentissage est trop contraint pour capturer des relations importantes. Un modèle en surapprentissage apprend des régularités propres à son échantillon d’entraînement et se montre moins fiable sur de nouvelles données.\u003C/p\u003E\n\u003Cp\u003ECe phénomène est souvent décrit par le compromis biais-variance. Les estimateurs à biais élevé ont tendance à opérer des simplifications systématiques, tandis que les estimateurs à variance élevée réagissent fortement aux changements de l’ensemble d’entraînement. La famille de modèles, les hyperparamètres, la régularisation et le volume de données d’entraînement influent tous sur cet équilibre.\u003C/p\u003E\n\u003Cp\u003EL’objectif n’est pas de sélectionner le modèle le plus flexible, mais de trouver une flexibilité suffisante pour représenter le signal utile sans modéliser le bruit ni engendrer des coûts opérationnels que le gain ne saurait justifier.\u003C/p\u003E\n\u003Ch3\u003ETester dans les conditions de production attendues\u003C/h3\u003E\n\u003Cp\u003EAvant le déploiement, l'évaluation doit inclure les conditions que le modèle est susceptible de rencontrer : champs manquants, nouvelles catégories, caractéristiques retardées, volumes inhabituels et dérives de la distribution des entrées.\u003C/p\u003E\n\u003Cp\u003ELe chemin de mise à disposition mérite lui aussi d’être testé. Le prétraitement appliqué pendant l’entraînement doit être reproduit lors de l’inférence, les définitions des caractéristiques doivent rester homogènes et la latence doit être mesurée sur l’ensemble du chemin de requête, et non sur le seul calcul du modèle.\u003C/p\u003E\n\u003Cp\u003ELa sélection reste provisoire après le lancement. Une fois le modèle exposé aux données de production, la supervision peut montrer si les entrées, les prédictions et les résultats ressemblent toujours aux conditions dans lesquelles il a été évalué. \u003C/p\u003E","richText":true,":type":"snowflake-site/components/text","appliedCssClassNames":"text-color-text-05"},"title_limitations-of-machine-learning-models":{"id":"title-v2-3e3ec2194a","additionalClasses":"anchor-title anchor-title--limitations-of-machine-learning-models","type":"heading2","lines":["Limites des modèles de machine learning"],":type":"snowflake-site/components/title-v2"},"text_limitations-of-machine-learning-models_0":{"id":"text-a5cbb83c69","text":"\u003Cp\u003EUn modèle de machine learning encode les régularités présentes dans ses données d'entraînement. Il ne détermine pas de manière autonome si ces régularités sont complètes, causales ou adaptées à la décision à prendre. \u003C/p\u003E\n\u003Ch3\u003EReprésentation incomplète\u003C/h3\u003E\n\u003Cp\u003ELes données d’entraînement constituent un échantillon d’observations passées produites par des systèmes et des processus existants. Elles peuvent omettre des populations pertinentes, des conditions rares ou des variables non enregistrées. Un modèle entraîné à partir de cet échantillon peut obtenir de bons résultats sur un sous-ensemble de validation tout en restant peu fiable dans des contextes que les données sources représentaient à peine.\u003C/p\u003E\n\u003Ch3\u003ESurapprentissage et dérive de distribution\u003C/h3\u003E\n\u003Cp\u003EMême un modèle soigneusement évalué peut rencontrer des données de production qui diffèrent de ses données d’entraînement. Le comportement des clients évolue, les capteurs sont remplacés, les définitions en amont sont révisées et de nouveaux produits modifient la distribution des caractéristiques. Certaines dérives réduisent la performance globale, tandis que d’autres n’affectent qu’une population ou une condition d’exploitation particulière. C’est pourquoi un monitoring agrégé peut passer à côté d’une dégradation localisée.\u003C/p\u003E\n\u003Ch3\u003EBiais dans les données et les étiquettes\u003C/h3\u003E\n\u003Cp\u003ELes étiquettes historiques reflètent la manière dont les décisions antérieures ont été prises et mesurées. Si certains groupes ont bénéficié de moins d’opportunités, d’un suivi moins complet ou de normes d’examen différentes, l’étiquette résultante peut encoder ces différences.\u003C/p\u003E\n\u003Cp\u003ELe biais des données peut également s’introduire par l’échantillonnage, les valeurs manquantes, les variables proxy et le choix de la cible d’optimisation. L’atténuation exige d’examiner comment les données ont été produites, d’évaluer les résultats sur les groupes pertinents et d’analyser comment les sorties du modèle influencent la collecte de données ultérieure.\u003C/p\u003E\n\u003Ch3\u003EInterprétabilité limitée\u003C/h3\u003E\n\u003Cp\u003ELes modèles varient dans la facilité avec laquelle leurs mécanismes peuvent être inspectés. Les coefficients linéaires et les petits arbres de décision offrent des représentations relativement directes, tandis que les grands ensembles et les réseaux de neurones répartissent une prédiction sur de nombreux composants en interaction.\u003C/p\u003E\n\u003Cp\u003ELes méthodes d’explication a posteriori peuvent estimer l’influence des caractéristiques ou caractériser le comportement local, mais ces explications comportent leurs propres hypothèses et limites. Le niveau d’interprétabilité requis dépend de la décision, de l’audience et des exigences de gouvernance applicables.\u003C/p\u003E\n\u003Ch3\u003ECorrélation sans causalité\u003C/h3\u003E\n\u003Cp\u003ELes modèles prédictifs exploitent souvent des corrélations qui améliorent les estimations sans identifier le mécanisme qui les a produites. Une caractéristique peut être fortement prédictive parce qu'elle sert de proxy pour une autre variable ou parce qu'un processus métier antérieur a créé cette relation.\u003C/p\u003E\n\u003Cp\u003ECela peut suffire pour certaines tâches de prévision, mais moins lorsque l’organisation veut savoir quelle intervention modifiera le résultat. Les questions causales exigent des protocoles d’étude et des hypothèses qui dépassent la modélisation prédictive standard.\u003C/p\u003E\n\u003Ch3\u003ECoûts de maintenance\u003C/h3\u003E\n\u003Cp\u003EUn modèle est connecté à des pipelines de données, à une logique de caractéristiques, à une infrastructure de mise à disposition et à des définitions métier. Toute modification de l’un de ces composants peut affecter son comportement. Les équipes doivent conserver le contexte d'entraînement, versionner les artefacts des modèles, superviser le comportement en production et déterminer quand examiner, réentraîner ou retirer un modèle. La charge opérationnelle s’alourdit lorsqu’une organisation gère de nombreux modèles avec des propriétaires, des dépendances et des calendriers d’actualisation différents.\u003C/p\u003E","richText":true,":type":"snowflake-site/components/text","appliedCssClassNames":"text-color-text-05"},"title_building-and-running-machine-learning-models-on-snowflake":{"id":"title-v2-46ea167a8a","additionalClasses":"anchor-title anchor-title--building-and-running-machine-learning-models-on-snowflake","type":"heading2","lines":["Créer et exécuter des modèles de machine learning sur Snowflake"],":type":"snowflake-site/components/title-v2"},"text_building-and-running-machine-learning-models-on-snowflake_0":{"id":"text-f648c08d16","text":"\u003Cp\u003ELe développement de modèles fait appel à la préparation des données, à l’expérimentation, au calcul, à la gestion des versions et à l’inférence. Lorsque ces étapes sont réparties entre des environnements déconnectés, les équipes doivent reproduire les ensembles de données et la logique des caractéristiques, déplacer des artefacts entre les systèmes et reconstituer quelles entrées ont produit une version donnée du modèle.\u003C/p\u003E\r\n\u003Cp\u003E\u003Ca href=\"https://www.snowflake.com/fr/product/features/end-to-end-ml-workflows/\"\u003ESnowflake ML\u003C/a\u003E prend en charge ces étapes aux côtés des données d’entreprise gouvernées. Grâce aux capacités de Snowflake, les praticiens peuvent préparer des caractéristiques, entraîner des modèles, comparer des expérimentations, enregistrer des versions de modèles, exécuter l’inférence et monitorer le comportement en production.\u003C/p\u003E\r\n\u003Cp\u003ESnowpark fournit des API DataFrame pour interroger et traiter les données dans Snowflake en Python, Java ou Scala. Pour les workflows de machine learning en Python, les praticiens peuvent construire des transformations et travailler avec les données Snowflake sans avoir au préalable à exporter l'ensemble du jeu d'entraînement vers un système de traitement séparé.\u003C/p\u003E\r\n\u003Cp\u003EPour les charges de travail nécessitant des bibliothèques spécialisées, des CPU ou des GPU, Snowflake Container Runtime fournit des environnements préconfigurés et personnalisables pour l'expérimentation, l'entraînement de modèles, le réglage des hyperparamètres et l'inférence par lots. Les environnements sont versionnés, ce qui permet aux équipes de figer une charge de travail sur un runtime spécifique et de planifier les migrations vers des versions ultérieures.\u003C/p\u003E\r\n\u003Cp\u003EUne fois entraîné, un modèle peut être consigné dans Snowflake Model Registry avec ses métadonnées et ses versions. Le registre prend en charge les types de modèles courants, notamment scikit-learn, XGBoost, LightGBM, CatBoost, PyTorch, TensorFlow, Keras, les modèles MLflow et les pipelines Hugging Face, ainsi que les types de modèles personnalisés via l’interface CustomModel.\u003C/p\u003E\r\n\u003Cp\u003ELes modèles enregistrés peuvent exécuter l’inférence par lots dans un entrepôt virtuel Snowflake ou utiliser Snowpark Container Services pour les workloads qui exigent d’autres caractéristiques de calcul. Snowflake prend également en charge des services managés d’inférence en temps réel avec des points de terminaison HTTP dédiés pour les applications interactives à faible latence.\u003C/p\u003E\r\n\u003Cp\u003EConserver les versions et les métadonnées des modèles au sein de l’environnement gouverné offre également aux équipes une trace plus claire de ce qui sert les prédictions. Les contrôles d’accès peuvent déterminer qui gère ou invoque un modèle, tandis que les métriques et métadonnées stockées facilitent la comparaison et la gestion du cycle de vie. Le modèle reste un élément parmi d’autres du système de production, mais sa relation aux données, au calcul et à la gouvernance est plus facile à préserver lorsque ces composants opèrent via une plateforme partagée.\u003C/p\u003E\r\n","richText":true,":type":"snowflake-site/components/text","appliedCssClassNames":"text-color-text-05"},"title_selecting-models-with-confidence":{"id":"title-v2-fad5fb5ba1","additionalClasses":"anchor-title anchor-title--selecting-models-with-confidence","type":"heading2","lines":["Sélectionner des modèles en toute confiance"],":type":"snowflake-site/components/title-v2"},"text_selecting-models-with-confidence_0":{"id":"text-8e3b3555a8","text":"\u003Cp\u003ELes modèles de machine learning diffèrent par la manière dont ils représentent les relations, les données avec lesquelles ils fonctionnent bien et les compromis qu’ils introduisent. Cette diversité fait partie de la manière dont le machine learning d’entreprise se développe en pratique. Les entreprises ont besoin de la flexibilité nécessaire pour évaluer différentes familles, sélectionner le modèle adapté à chaque tâche et maintenir un portefeuille capable d’évoluer au gré des changements de données, d’exigences et de méthodes disponibles.\u003C/p\u003E","richText":true,":type":"snowflake-site/components/text","appliedCssClassNames":"text-color-text-05"},"callout_selecting-models-with-confidence_0":{"id":"text-4fb7b5d12d","additionalClasses":"callout callout--general","text":"\u003Cp\u003E\u003Cstrong\u003EÀ RETENIR\u003C/strong\u003E\u003C/p\u003E\n\u003Cp\u003ELe machine learning d’entreprise est rarement construit autour d’une seule famille de modèles. Il exige un portefeuille de modèles sélectionnés, évalués et maintenus pour des données, des tâches et des contraintes de production différentes.\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-a-machine-learning-model","text_what-is-a-machine-learning-model_0","svg_algorithm-vs-model","text_what-is-a-machine-learning-model_1","yt_what-is-a-machine-learning-model_0","title_how-machine-learning-models-work","text_how-machine-learning-models-work_0","card_v2_how-machine-learning-models-work_0","title_ways-to-classify-machine-learning-models","text_ways-to-classify-machine-learning-models_0","title_common-machine-learning-model-families","text_common-machine-learning-model-families_0","text","text_common-machine-learning-model-families_1","callout_common-machine-learning-model-families_0","title_how-to-choose-the-right-machine-learning-model","text_how-to-choose-the-right-machine-learning-model_0","callout_how-to-choose-the-right-machine-learning-model_0","text_how-to-choose-the-right-machine-learning-model_1","title_limitations-of-machine-learning-models","text_limitations-of-machine-learning-models_0","title_building-and-running-machine-learning-models-on-snowflake","text_building-and-running-machine-learning-models-on-snowflake_0","title_selecting-models-with-confidence","text_selecting-models-with-confidence_0","callout_selecting-models-with-confidence_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-054fc5c17d",":type":"snowflake-site/components/container",":items":{"text_943981956_copy_":{"id":"text-b5240563c1","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-d467352480","additionalClasses":"page-toc","text":"\u003Cul\u003E\u003Cli data-anchor=\"what-is-a-machine-learning-model\"\u003EQu’est-ce qu’un modèle de machine learning ?\u003C/li\u003E\u003Cli data-anchor=\"how-machine-learning-models-work\"\u003EComment fonctionnent les modèles de machine learning\u003C/li\u003E\u003Cli data-anchor=\"ways-to-classify-machine-learning-models\"\u003ELes différentes façons de classer les modèles de machine learning\u003C/li\u003E\u003Cli data-anchor=\"common-machine-learning-model-families\"\u003EFamilles courantes de modèles de machine learning\u003C/li\u003E\u003Cli data-anchor=\"how-to-choose-the-right-machine-learning-model\"\u003EComment choisir le bon modèle de machine learning\u003C/li\u003E\u003Cli data-anchor=\"limitations-of-machine-learning-models\"\u003ELimites des modèles de machine learning\u003C/li\u003E\u003Cli data-anchor=\"building-and-running-machine-learning-models-on-snowflake\"\u003ECréer et exécuter des modèles de machine learning sur Snowflake\u003C/li\u003E\u003Cli data-anchor=\"selecting-models-with-confidence\"\u003ESélectionner des modèles en toute confiance\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-3f0689ac09","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-b732dd387c","additionalClasses":"hub-faq__headline","type":"heading2","lines":["Foire aux questions"],":type":"snowflake-site/components/title-v2","appliedCssClassNames":"left-alignment"},"text_copy":{"id":"text-3b3ab71598","additionalClasses":"hub-faq__subheadline","text":"\u003Cp\u003ELes réponses des experts Snowflake à vos questions les plus fréquentes sur les modèles de machine 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-eb14d7997a","additionalClasses":"seo-hub__faqs","showDivider":false,"accordionItemsList":[{"title":"Quelle est la différence entre un modèle de machine learning et un algorithme ?","richText":"\u003Cp\u003EUn algorithme de machine learning est la procédure utilisée pour apprendre des régularités à partir des données. Le modèle est l'artefact entraîné produit par cette procédure, incluant les paramètres appris tels que les coefficients, les règles de séparation ou les poids du réseau de neurones.\u003C/p\u003E"},{"title":"Quels sont les principaux types de modèles de machine learning ?","richText":"\u003Cp\u003ELes modèles peuvent être catégorisés de plusieurs manières. Les approches d’apprentissage incluent l’apprentissage supervisé, non supervisé, semi-supervisé, auto-supervisé et par renforcement. Les familles de modèles courantes incluent les modèles linéaires, les arbres de décision, les ensembles d’arbres, les machines à vecteurs de support, les modèles des plus proches voisins, les modèles probabilistes et les réseaux de neurones.\u003C/p\u003E"},{"title":"Comment les modèles de machine learning sont-ils utilisés en production ?","richText":"\u003Cp\u003EUn modèle entraîné est intégré avec la logique de prétraitement et les dépendances nécessaires à l'inférence, puis déployé dans un workflow par lots, une application ou un point de terminaison de service. Les systèmes de production gèrent également les versions des modèles, les accès, les schémas d'entrée, la supervision des performances et les décisions de réentraînement ou de retrait.\u003C/p\u003E"},{"title":"ChatGPT est-il un modèle de machine learning ?","richText":"\u003Cp\u003EChatGPT est un modèle de machine learning : un grand modèle de langage (LLM), qui est un type de modèle de fondation entraîné pour prédire et générer du texte. Il s'agit d'une famille parmi d'autres ; la plupart des charges de travail en entreprise utilisent encore des modèles plus petits et spécifiques à une tâche, tels que les modèles linéaires, les arbres de décision et les ensembles gradient boosting.\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-2049a8960d","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-2aaadf63c0",":type":"snowflake-site/components/flexible-column-container/flexible-column-content-container",":items":{"title_v2":{"id":"title-v2-9e6037649e","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-cbac26368e","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-c22639363b","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-c9687b6b14","type":"heading5","lines":["Déploiement 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_1":{"id":"content-chip-104819926e","tagText":"WEBINAIRE","tagColor":"#29B5E8","cta":{"id":"cta","showOutboundIcon":false,"buttonLink":{"valid":true,"url":"https://www.snowflake.com/webinars/customer-webinars/rapid-customer-insights-with-scalable-ml-workflows-in-snowflake-2025-08-28/"},"linkTargetContentType":"GENERIC",":type":"snowflake-site/components/button","linkType":"SNOWFLAKE_EXTERNAL","text":"Lire la suite"},"headline":{"id":"title-v2-cd55687831","type":"heading5","lines":["Rapid Customer Insights with Scalable ML Workflows in Snowflake"],":type":"snowflake-site/components/title-v2"},":type":"snowflake-site/components/content-chip","appliedCssClassNames":"snowflake-content-chip-white-bg"},"resource_chip_2":{"id":"content-chip-d18cfc9fa7","tagText":"GUIDE","tagColor":"#71D3DC","cta":{"id":"cta","showOutboundIcon":false,"buttonLink":{"valid":true,"url":"https://www.snowflake.com/en/developers/guides/build-your-first-ml-model-in-snowflake-with-agentic-ml/"},"linkTargetContentType":"GENERIC",":type":"snowflake-site/components/button","linkType":"SNOWFLAKE_EXTERNAL","text":"Lire la suite"},"headline":{"id":"title-v2-2359849b4f","type":"heading5","lines":["Construisez votre premier modèle de ML dans Snowflake avec Agentic ML"],":type":"snowflake-site/components/title-v2"},":type":"snowflake-site/components/content-chip","appliedCssClassNames":"snowflake-content-chip-white-bg"},"resource_chip_3":{"id":"content-chip-0ca3b01510","tagText":"BLOG","tagColor":"#71D3DC","cta":{"id":"cta","showOutboundIcon":false,"buttonLink":{"valid":true,"url":"https://medium.com/snowflake/build-ml-models-anywhere-run-inference-in-snowflake-d87f3d350345"},"linkTargetContentType":"GENERIC",":type":"snowflake-site/components/button","linkType":"SNOWFLAKE_EXTERNAL","text":"Lire la suite"},"headline":{"id":"title-v2-e62aa798fe","type":"heading5","lines":["Construisez des modèles de ML n’importe où, exécutez l’inférence dans Snowflake"],":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_1158003461":{"id":"flexible-column-container-99199486dc","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-755144f25d",":type":"snowflake-site/components/flexible-column-container/flexible-column-content-container",":items":{"title_v2_copy_copy":{"id":"title-v2-6af637939d","additionalClasses":"hub-explore-topics-header__headline","type":"heading2","lines":["Explorez les sujets liés à l’IA"],":type":"snowflake-site/components/title-v2","appliedCssClassNames":"left-alignment"},"text_copy_copy":{"id":"text-e808754028","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_copy_copy","text_copy_copy"],"appliedCssClassNames":"snowflake-responsive-container-inner-padding-extra-small"},":type":"snowflake-site/components/flexible-column-container","isBlogPage":false,"isActiveTOC":false,"appliedCssClassNames":"snowflake-flexible-column-container-white-bg"},"flexible_column_cont_1377146023":{"id":"flexible-column-container-4e60a0bf43","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-755ea1c632",":type":"snowflake-site/components/flexible-column-container/flexible-column-content-container",":items":{"topic_card_0":{"id":"card-v2-9bac29f4bd","configurationStatus":{"configured":true,"message":""},"button":{"id":"button","showOutboundIcon":false,"buttonLink":{"valid":true,"url":"/fr/artificial-intelligence/machine-learning/"},"linkTargetContentType":"GENERIC",":type":"snowflake-site/components/button","linkType":"SNOWFLAKE_INTERNAL","text":"En savoir plus"},":type":"snowflake-site/components/card-v2","title":{"id":"title","type":"heading4","lines":["Machine learning"],":type":"snowflake-site/components/title-v2"},"type":"content-card","text":{"id":"text","text":"\u003Cp\u003ELe cycle de vie, les types et les bonnes pratiques du machine learning en entreprise.\u003C/p\u003E","richText":true,":type":"snowflake-site/components/text"},"layoutStyle":"vertical"}},":itemsOrder":["topic_card_0"]},"flexible_column_content_container_2":{"layout":"SIMPLE","id":"container-93ac0331bb",":type":"snowflake-site/components/flexible-column-container/flexible-column-content-container",":items":{"topic_card_1":{"id":"card-v2-1a89ce4153","configurationStatus":{"configured":true,"message":""},"button":{"id":"button","showOutboundIcon":false,"buttonLink":{"valid":true,"url":"/fr/artificial-intelligence/machine-learning/deep-learning/"},"linkTargetContentType":"GENERIC",":type":"snowflake-site/components/button","linkType":"SNOWFLAKE_INTERNAL","text":"En savoir plus"},":type":"snowflake-site/components/card-v2","title":{"id":"title","type":"heading4","lines":["Deep learning"],":type":"snowflake-site/components/title-v2"},"type":"content-card","text":{"id":"text","text":"\u003Cp\u003EComment fonctionnent les modèles de deep learning et comment ils s’intègrent aux cas d’usage de l’entreprise.\u003C/p\u003E","richText":true,":type":"snowflake-site/components/text"},"layoutStyle":"vertical"}},":itemsOrder":["topic_card_1"]},"flexible_column_content_container_3":{"layout":"SIMPLE","id":"container-390c34c071",":type":"snowflake-site/components/flexible-column-container/flexible-column-content-container",":items":{"topic_card_2":{"id":"card-v2-104133f7ca","configurationStatus":{"configured":true,"message":""},"button":{"id":"button","showOutboundIcon":false,"buttonLink":{"valid":true,"url":"/fr/artificial-intelligence/machine-learning/feature-engineering/"},"linkTargetContentType":"GENERIC",":type":"snowflake-site/components/button","linkType":"SNOWFLAKE_INTERNAL","text":"En savoir plus"},":type":"snowflake-site/components/card-v2","title":{"id":"title","type":"heading4","lines":["Ingénierie des caractéristiques"],":type":"snowflake-site/components/title-v2"},"type":"content-card","text":{"id":"text","text":"\u003Cp\u003ETechniques et processus pour transformer les données brutes en caractéristiques prêtes pour les modèles.\u003C/p\u003E","richText":true,":type":"snowflake-site/components/text"},"layoutStyle":"vertical"}},":itemsOrder":["topic_card_2"]},":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_939100716","flexible_column_cont_1398138236","flexible_column_cont_663228916","flexible_column_cont_1786318617","flexible_column_cont_1467213961","flexible_column_cont_912630531","flexible_column_cont_1158003461","flexible_column_cont_1377146023"],":type":"wcm/foundation/components/responsivegrid"},"modal_container":{"layout":"SIMPLE","id":"container-67178e0ba4",":type":"snowflake-site/components/modal/modal-container",":items":{},":itemsOrder":[]},"markup_editor_928258845":{"id":"markup-editor-5782033877","title":" ","cssUrl":"/conf/snowflake-site/settings/wcm/templates/base-page-template54/structure/_jcr_content/root/markup_editor_928258845.8af717f609d515f5.css",":type":"snowflake-site/components/markup-editor","isGSAPEnabled":false},"markup_editor_597730182":{"id":"markup-editor-77929a930a","title":" ","cssUrl":"/conf/snowflake-site/settings/wcm/templates/base-page-template54/structure/_jcr_content/root/markup_editor_597730182.353c4d10504d61ce.css",":type":"snowflake-site/components/markup-editor","isGSAPEnabled":false},"markup_editor":{"id":"markup-editor-a815474786","title":" ","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);});}})();","cssUrl":"/conf/snowflake-site/settings/wcm/templates/base-page-template54/structure/_jcr_content/root/markup_editor.d57edd1cc636c4e8.css",":type":"snowflake-site/components/markup-editor","isGSAPEnabled":true},"experiencefragment-footer":{"id":"experiencefragment-12901d8643","localizedFragmentVariationPath":"/content/experience-fragments/snowflake-site/language-masters/fr/site/footer/master/jcr:content","configured":true,":type":"snowflake-site/components/experiencefragment",":items":{"root":{"additionalClasses":"sf-footer","layout":"SIMPLE","id":"container-fd74fe33bf",":type":"snowflake-site/components/container",":items":{"container_copy_1510208642":{"additionalClasses":"sf-footer__inner","layout":"RESPONSIVE_GRID","columnCount":12,"columnClassNames":{"flexible_column_cont":"aem-GridColumn aem-GridColumn--default--12"},"gridClassNames":"aem-Grid aem-Grid--12 aem-Grid--default--12","id":"container-1b5f6f1c91",":type":"snowflake-site/components/container",":items":{"flexible_column_cont":{"id":"flexible-column-container-0924c44793","type":"1-column","alignColumns":"top","containerMaxWidth":"extra-large","topPadding":"medium","bottomPadding":"extra-small","spaceBetween":"small","reverseOnMobile":false,"carouselOnMobile":false,"propertiesCSSClasses":"sf-footer-grid","backgroundImageOption":"none","flexible_column_content_container_1":{"layout":"SIMPLE","id":"container-fb1e422a7f",":type":"snowflake-site/components/flexible-column-container/flexible-column-content-container",":items":{"container":{"additionalClasses":"sf-footer-grid__inner","layout":"RESPONSIVE_GRID","columnCount":12,"columnClassNames":{"container":"aem-GridColumn aem-GridColumn--default--12","container_1622723482":"aem-GridColumn aem-GridColumn--default--12","container_copy_copy_":"aem-GridColumn aem-GridColumn--default--12","container_copy_copy":"aem-GridColumn aem-GridColumn--default--12","container_copy":"aem-GridColumn aem-GridColumn--default--12"},"gridClassNames":"aem-Grid aem-Grid--12 aem-Grid--default--12","id":"container-1338fbc4a1",":type":"snowflake-site/components/container",":items":{"container_1622723482":{"additionalClasses":"sf-footer__column","layout":"RESPONSIVE_GRID","columnCount":12,"columnClassNames":{"container":"aem-GridColumn aem-GridColumn--default--12"},"gridClassNames":"aem-Grid aem-Grid--12 aem-Grid--default--12","id":"container-67cef3cd40",":type":"snowflake-site/components/container",":items":{"container":{"additionalClasses":"sf-footer__newsletter-group","layout":"RESPONSIVE_GRID","columnCount":12,"columnClassNames":{"text":"aem-GridColumn aem-GridColumn--default--12","marketo_v2":"aem-GridColumn aem-GridColumn--default--12"},"gridClassNames":"aem-Grid aem-Grid--12 aem-Grid--default--12","id":"container-d752dba6ad",":type":"snowflake-site/components/container",":items":{"text":{"id":"text-3db739c917","additionalClasses":"sf-footer__newsletter-title","text":"\u003Cp\u003E\u003Cb\u003EInscrivez-vous à notre newsletter mensuelle\u003C/b\u003E\u003C/p\u003E\r\n\u003Cp\u003ERestez informé(e) des dernières informations produit, des conseils d'experts et des ressources de Snowflake, directement dans votre boîte mail !\u003C/p\u003E\r\n","richText":true,":type":"snowflake-site/components/text","appliedCssClassNames":"text-size-regular text-color-text-04"},"marketo_v2":{"id":"marketo-v2-4083a19c35","marketoForm":{"hidden":null,"formId":"45871","edit":false,"successUrl":null,"script":null,"values":null},"munchkinId":"252-RFO-227","serverInstance":"252-RFO-227.mktoweb.com","marketoConfigured":true,"formConfigured":true,"partnerCampaignPage":false,":type":"snowflake-site/components/form/marketo-v2"}},":itemsOrder":["text","marketo_v2"],"appliedCssClassNames":"snowflake-responsive-container-inner-padding-small"}},":itemsOrder":["container"],"appliedCssClassNames":"snowflake-responsive-container-inner-padding-small"},"container":{"layout":"RESPONSIVE_GRID","columnCount":12,"columnClassNames":{"text_copy":"aem-GridColumn aem-GridColumn--default--12","text":"aem-GridColumn aem-GridColumn--default--12"},"gridClassNames":"aem-Grid aem-Grid--12 aem-Grid--default--12","id":"container-0a33ad9396",":type":"snowflake-site/components/container",":items":{"text":{"id":"text-7e4c73845b","additionalClasses":"sf-footer__link-group","text":"\u003Cp class=\"sf-footer__column-title\"\u003EProduit\u003C/p\u003E\r\n\u003Cul\u003E\r\n\u003Cli\u003E\u003Ca href=\"https://www.snowflake.com/fr/product/platform/\"\u003EPlateforme\u003C/a\u003E\u003C/li\u003E\r\n\u003Cli\u003E\u003Ca href=\"https://www.snowflake.com/fr/product/data-engineering/\"\u003EData engineering\u003C/a\u003E\u003C/li\u003E\r\n\u003Cli\u003E\u003Ca href=\"https://www.snowflake.com/fr/product/analytics/\"\u003EAnalytics\u003C/a\u003E\u003C/li\u003E\r\n\u003Cli\u003E\u003Ca href=\"https://www.snowflake.com/fr/product/ai/\"\u003EIA\u003C/a\u003E\u003C/li\u003E\r\n\u003Cli\u003E\u003Ca href=\"https://www.snowflake.com/fr/product/applications-and-collaboration/\"\u003EApplications et collaboration\u003C/a\u003E\u003C/li\u003E\r\n\u003Cli\u003E\u003Ca href=\"https://www.snowflake.com/fr/pricing-options/\"\u003ETarification\u003C/a\u003E\u003C/li\u003E\r\n\u003C/ul\u003E\r\n","richText":true,":type":"snowflake-site/components/text","appliedCssClassNames":"text-size-small text-color-text-04"},"text_copy":{"id":"text-451854cabf","additionalClasses":"sf-footer__link-group","text":"\u003Cp class=\"sf-footer__column-title\"\u003ESupport\u003C/p\u003E\r\n\u003Cul\u003E\r\n\u003Cli\u003E\u003Ca href=\"/en/support/\"\u003ESupport (EN)\u003C/a\u003E\u003C/li\u003E\r\n\u003Cli\u003E\u003Ca href=\"/en/support/\"\u003EPriority Support (EN)\u003C/a\u003E\u003C/li\u003E\r\n\u003Cli\u003E\u003Ca href=\"https://status.snowflake.com/\" target=\"_blank\" rel=\"noopener noreferrer\"\u003EStatut (EN)\u003C/a\u003E\u003C/li\u003E\r\n\u003C/ul\u003E\r\n","richText":true,":type":"snowflake-site/components/text","appliedCssClassNames":"text-size-small text-color-text-04"}},":itemsOrder":["text","text_copy"],"appliedCssClassNames":"snowflake-responsive-container-inner-padding-medium"},"container_copy_copy":{"layout":"RESPONSIVE_GRID","columnCount":12,"columnClassNames":{"text":"aem-GridColumn aem-GridColumn--default--12"},"gridClassNames":"aem-Grid aem-Grid--12 aem-Grid--default--12","id":"container-54fceb4c62",":type":"snowflake-site/components/container",":items":{"text":{"id":"text-b495c0c36c","additionalClasses":"sf-footer__link-group","text":"\u003Cp class=\"sf-footer__column-title\"\u003EPar secteur\u003C/p\u003E\r\n\u003Cul\u003E\r\n\u003Cli\u003E\u003Ca href=\"https://www.snowflake.com/fr/solutions/industries/advertising-media-entertainment/\"\u003EPublicité, médias et divertissement\u003C/a\u003E\u003C/li\u003E\r\n\u003Cli\u003E\u003Ca href=\"https://www.snowflake.com/fr/solutions/industries/financial-services/\"\u003EServices financiers\u003C/a\u003E\u003C/li\u003E\r\n\u003Cli\u003E\u003Ca href=\"https://www.snowflake.com/fr/solutions/industries/healthcare-and-life-sciences/\"\u003ESanté et sciences de la vie\u003C/a\u003E\u003C/li\u003E\r\n\u003Cli\u003E\u003Ca href=\"https://www.snowflake.com/fr/solutions/industries/manufacturing/\"\u003EIndustrie\u003C/a\u003E\u003C/li\u003E\r\n\u003Cli\u003E\u003Ca href=\"https://www.snowflake.com/fr/solutions/industries/public-sector/\"\u003ESecteur public\u003C/a\u003E\u003C/li\u003E\r\n\u003Cli\u003E\u003Ca href=\"https://www.snowflake.com/fr/solutions/industries/retail-consumer-goods/\"\u003ERetail et grande distribution\u003C/a\u003E\u003C/li\u003E\r\n\u003Cli\u003E\u003Ca href=\"https://www.snowflake.com/fr/solutions/industries/technology/\"\u003ETechnologie\u003C/a\u003E\u003C/li\u003E\r\n\u003C/ul\u003E\r\n","richText":true,":type":"snowflake-site/components/text","appliedCssClassNames":"text-size-small text-color-text-04"}},":itemsOrder":["text"],"appliedCssClassNames":"snowflake-responsive-container-inner-padding-small"},"container_copy":{"layout":"RESPONSIVE_GRID","columnCount":12,"columnClassNames":{"text":"aem-GridColumn aem-GridColumn--default--12"},"gridClassNames":"aem-Grid aem-Grid--12 aem-Grid--default--12","id":"container-2e65cb26e0",":type":"snowflake-site/components/container",":items":{"text":{"id":"text-64021c922d","additionalClasses":"sf-footer__link-group","text":"\u003Cp class=\"sf-footer__column-title\"\u003EEntreprise\u003C/p\u003E\r\n\u003Cul\u003E\r\n\u003Cli\u003E\u003Ca href=\"https://www.snowflake.com/fr/company/overview/about-snowflake/\"\u003EÀ propos de Snowflake\u003C/a\u003E\u003C/li\u003E\r\n\u003Cli\u003E\u003Ca href=\"https://www.snowflake.com/en/company/overview/leadership-and-board/\"\u003EDirection et CA (EN)\u003C/a\u003E\u003C/li\u003E\r\n\u003Cli\u003E\u003Ca href=\"https://careers.snowflake.com/us/en?_ga=2.189098923.1024280027.1746985324-1783381883.1746382047\"\u003ENous rejoindre (EN)\u003C/a\u003E\u003C/li\u003E\r\n\u003Cli\u003E\u003Ca rel=\"noopener noreferrer\" target=\"_blank\" href=\"https://investors.snowflake.com/overview/default.aspx\"\u003ERelations investisseurs (EN)\u003C/a\u003E\u003C/li\u003E\r\n\u003Cli\u003E\u003Ca href=\"https://trust.snowflake.com/\"\u003ETrust Center (EN)\u003C/a\u003E\u003C/li\u003E\r\n\u003Cli\u003E\u003Ca href=\"https://www.snowflake.com/brand-guidelines/\" target=\"_blank\"\u003EMarque (EN)\u003C/a\u003E\u003C/li\u003E\r\n\u003Cli\u003E\u003Ca href=\"https://www.snowflake.com/fr/contact/\"\u003ENous contacter\u003C/a\u003E\u003C/li\u003E\r\n\u003Cli\u003E\u003Ca href=\"https://www.snowflake.com/fr/news/\"\u003EActualités\u003C/a\u003E\u003C/li\u003E\r\n\u003Cli\u003E\u003Ca href=\"https://www.snowflake.com/en/company/overview/esg/\"\u003EESG (EN)\u003C/a\u003E\u003C/li\u003E\r\n\u003Cli\u003E\u003Ca href=\"https://www.snowflake.com/en/company/overview/snowflake-ventures/\"\u003ESnowflake Ventures (EN)\u003C/a\u003E\u003C/li\u003E\r\n\u003Cli\u003E\u003Ca href=\"https://www.snowflake.com/en/company/overview/end-data-disparity/\"\u003EEnd Data Disparity\u003C/a\u003E\u003C/li\u003E\r\n\u003C/ul\u003E\r\n","richText":true,":type":"snowflake-site/components/text","appliedCssClassNames":"text-size-small text-color-text-04"}},":itemsOrder":["text"],"appliedCssClassNames":"snowflake-responsive-container-inner-padding-small"},"container_copy_copy_":{"layout":"RESPONSIVE_GRID","columnCount":12,"columnClassNames":{"text":"aem-GridColumn aem-GridColumn--default--12"},"gridClassNames":"aem-Grid aem-Grid--12 aem-Grid--default--12","id":"container-0b4a7caa8d",":type":"snowflake-site/components/container",":items":{"text":{"id":"text-6c5cb09e98","additionalClasses":"sf-footer__link-group","text":"\u003Cp class=\"sf-footer__column-title\"\u003EDécouvrez\u003C/p\u003E\r\n\u003Cul\u003E\r\n\u003Cli\u003E\u003Ca href=\"https://snowflake.com/fr/resources/\"\u003EBibliothèque de ressources \u003C/a\u003E\u003C/li\u003E\r\n\u003Cli\u003E\u003Ca href=\"/en/webinars/demo/\"\u003EDémos live (EN)\u003C/a\u003E\u003C/li\u003E\r\n\u003Cli\u003E\u003Ca href=\"/fr/fundamentals/\"\u003EConcepts de base\u003C/a\u003E\u003C/li\u003E\r\n\u003Cli\u003E\u003Ca href=\"https://www.snowflake.com/en/resources/learn/training/\"\u003EFormation (EN)\u003C/a\u003E\u003C/li\u003E\r\n\u003Cli\u003E\u003Ca href=\"https://www.snowflake.com/en/resources/learn/certifications/\"\u003ECertifications (EN) \u003C/a\u003E\u003C/li\u003E\r\n\u003Cli\u003E\u003Ca rel=\"noopener noreferrer\" href=\"https://learn.snowflake.com/en/\" target=\"_blank\"\u003ESnowflake University (EN)\u003C/a\u003E\u003C/li\u003E\r\n\u003Cli\u003E\u003Ca rel=\"noopener noreferrer\" href=\"https://www.snowflake.comfr/developers/guides/\" target=\"_self\"\u003EGuides pour les développeurs\u003C/a\u003E\u003C/li\u003E\r\n\u003Cli\u003E\u003Ca rel=\"noopener noreferrer\" href=\"https://docs.snowflake.com/fr\" target=\"_blank\"\u003EDocumentation\u003C/a\u003E\u003C/li\u003E\r\n\u003Cli\u003E\u003Ca href=\"/fr/data-governance/\"\u003EGouvernance des données\u003C/a\u003E\u003C/li\u003E\r\n\u003C/ul\u003E\r\n","richText":true,":type":"snowflake-site/components/text","appliedCssClassNames":"text-size-small text-color-text-04"}},":itemsOrder":["text"],"appliedCssClassNames":"snowflake-responsive-container-inner-padding-small"}},":itemsOrder":["container_1622723482","container","container_copy_copy","container_copy","container_copy_copy_"],"appliedCssClassNames":"snowflake-responsive-container-inner-padding-small"}},":itemsOrder":["container"]},":type":"snowflake-site/components/flexible-column-container","isBlogPage":false,"isActiveTOC":false}},":itemsOrder":["flexible_column_cont"],"appliedCssClassNames":"snowflake-container snowflake-responsive-container-inner-padding-small"},"container_573483281_":{"additionalClasses":"sf-footer__bottom","layout":"RESPONSIVE_GRID","columnCount":12,"columnClassNames":{"container_112062425":"aem-GridColumn aem-GridColumn--default--12"},"gridClassNames":"aem-Grid aem-Grid--12 aem-Grid--default--12","id":"container-62395b2115",":type":"snowflake-site/components/container",":items":{"container_112062425":{"layout":"RESPONSIVE_GRID","columnCount":12,"columnClassNames":{"flexible_column_cont":"aem-GridColumn aem-GridColumn--default--12"},"gridClassNames":"aem-Grid aem-Grid--12 aem-Grid--default--12","id":"container-b9c4660ac4",":type":"snowflake-site/components/container",":items":{"flexible_column_cont":{"id":"flexible-column-container-435c9867cd","type":"1-column","alignColumns":"top","containerMaxWidth":"extra-large","topPadding":"none","bottomPadding":"none","spaceBetween":"small","reverseOnMobile":false,"carouselOnMobile":false,"backgroundImageOption":"none","flexible_column_content_container_1":{"layout":"SIMPLE","id":"container-9653bf92a5",":type":"snowflake-site/components/flexible-column-container/flexible-column-content-container",":items":{"container":{"additionalClasses":"sf-footer__legal-container","layout":"RESPONSIVE_GRID","columnCount":12,"columnClassNames":{"container":"aem-GridColumn aem-GridColumn--default--12","text_copy_copy_16360_26716402":"aem-GridColumn aem-GridColumn--default--12","markup_editor":"aem-GridColumn aem-GridColumn--default--12"},"gridClassNames":"aem-Grid aem-Grid--12 aem-Grid--default--12","id":"container-419c6cdcb5",":type":"snowflake-site/components/container",":items":{"container":{"layout":"RESPONSIVE_GRID","columnCount":12,"columnClassNames":{"image":"aem-GridColumn aem-GridColumn--default--12"},"gridClassNames":"aem-Grid aem-Grid--12 aem-Grid--default--12","id":"container-f07abb936d",":type":"snowflake-site/components/container",":items":{"image":{"id":"image-1df6fa24bb","additionalClasses":"sf-footer__logo","height":"64","src":"https://www.snowflake.com/content/experience-fragments/snowflake-site/language-masters/fr/site/footer/master/_jcr_content/root/container_573483281_/container_112062425/flexible_column_cont/flexible_column_content_container_1/container/container/image.coreimg.svg/1747882370694/nav-icon-snowflake-bug.svg","alt":"Snowflake logo","imageLink":{"valid":true,"url":"/en/"},"lazyEnabled":true,"isLcpImage":false,"width":"64",":type":"snowflake-site/components/image"}},":itemsOrder":["image"],"appliedCssClassNames":"snowflake-responsive-container-inner-padding-extra-small"},"text_copy_copy_16360_26716402":{"id":"text-cfbca8daae","additionalClasses":"sf-footer__legal-links","text":"\u003Cul\u003E\r\n\u003Cli\u003E© 2026 Snowflake Inc. Tous droits réservés\u003C/li\u003E\r\n\u003Cli\u003E\u003Ca href=\"https://www.snowflake.com/fr/legal/privacy/privacy-policy/\"\u003EAvis de confidentialité\u003C/a\u003E\u003C/li\u003E\r\n\u003Cli\u003E\u003Ca href=\"https://www.snowflake.com/en/legal/snowflake-site-terms/\"\u003EConditions d’utilisation du site\u003C/a\u003E\u003C/li\u003E\r\n\u003Cli\u003E\u003Ca href=\"https://info.snowflake.com/Preference-center.html\"\u003EPréférences de communication\u003C/a\u003E\u003C/li\u003E\r\n\u003Cli\u003E\u003Cbutton id=\"ot-sdk-btn\" class=\"ot-sdk-show-settings\"\u003EParamètres des cookies\u003C/button\u003E\u003C/li\u003E\r\n\u003Cli\u003E\u003Ca href=\"https://www.snowflake.com/fr/legal/privacy/privacy-policy/#12\"\u003ENe pas partager mes informations personnelles\u003C/a\u003E\u003C/li\u003E\r\n\u003Cli\u003E\u003Ca href=\"https://www.snowflake.com/fr/legal/\"\u003EDocuments légaux\u003C/a\u003E\u003C/li\u003E\r\n\u003C/ul\u003E\r\n","richText":true,":type":"snowflake-site/components/text","appliedCssClassNames":"text-size-small text-color-text-04"},"markup_editor":{"id":"markup-editor-6e5d6f1e47","title":" ","htmlContent":"\u003Cdiv class=\"sf-footer__social\"\u003E\r\n\u003Cdiv data-testid=\"snowflake-footer-twitter\" class=\"snowflake-button-icon snowflake-button-white snowflake-footer-social-item\"\u003E\u003Cdiv class=\"snowflake-button-icon \"\u003E\u003Ca href=\"https://x.com/Snowflake\" data-testid=\"button-external\" aria-label=\"X (Twitter)\" role=\"button\" class=\"snowflake-button-container\" title=\"X (Twitter)\" tabindex=\"0\" target=\"_blank\" rel=\"noreferrer\"\u003E\u003Cdiv data-testid=\"button-icon-wrapper\"\u003E\u003Csvg xmlns=\"http://www.w3.org/2000/svg\" fill=\"none\" viewBox=\"0 0 59 53\" class=\"button-icon\"\u003E\u003Cpath fill=\"currentColor\" d=\"M46.614 0h9.044L35.8 22.49 59 53H40.795L26.54 34.46 10.223 53H1.18l21.036-24.055L0 0h18.657l12.878 16.937zM43.45 47.72h5.013L16.023 5.085h-5.387z\"\u003E\u003C/path\u003E\u003C/svg\u003E\u003C/div\u003E\u003C/a\u003E\u003Cdiv\u003E\u003C/div\u003E\u003C/div\u003E\u003C/div\u003E\u003Cdiv data-testid=\"snowflake-footer-linkedin\" class=\"snowflake-button-icon snowflake-button-white snowflake-footer-social-item\"\u003E\u003Cdiv class=\"snowflake-button-icon \"\u003E\u003Ca href=\"https://www.linkedin.com/company/3653845\" data-testid=\"button-external\" aria-label=\"LinkedIn\" role=\"button\" class=\"snowflake-button-container\" title=\"LinkedIn\" tabindex=\"0\" target=\"_blank\" rel=\"noreferrer\"\u003E\u003Cdiv data-testid=\"button-icon-wrapper\"\u003E\u003Csvg xmlns=\"http://www.w3.org/2000/svg\" fill=\"currentColor\" viewBox=\"0 0 24 24\" class=\"button-icon\"\u003E\u003Cpath d=\"M22.223 0H1.772C.792 0 0 .773 0 1.73v20.536C0 23.222.792 24 1.772 24h20.451c.98 0 1.777-.778 1.777-1.73V1.73C24 .773 23.203 0 22.223 0ZM7.12 20.452H3.558V8.995H7.12v11.457ZM5.34 7.434a2.064 2.064 0 1 1 0-4.125 2.063 2.063 0 0 1 0 4.125Zm15.112 13.018h-3.558v-5.57c0-1.326-.024-3.037-1.852-3.037-1.851 0-2.133 1.449-2.133 2.944v5.663H9.356V8.995h3.413v1.566h.047c.473-.9 1.636-1.852 3.365-1.852 3.605 0 4.27 2.372 4.27 5.457v6.286Z\"\u003E\u003C/path\u003E\u003C/svg\u003E\u003C/div\u003E\u003C/a\u003E\u003Cdiv\u003E\u003C/div\u003E\u003C/div\u003E\u003C/div\u003E\u003Cdiv data-testid=\"snowflake-footer-facebook\" class=\"snowflake-button-icon snowflake-button-white snowflake-footer-social-item\"\u003E\u003Cdiv class=\"snowflake-button-icon \"\u003E\u003Ca href=\"https://www.facebook.com/snowflakedb/\" data-testid=\"button-external\" aria-label=\"Facebook\" role=\"button\" class=\"snowflake-button-container\" title=\"Facebook\" tabindex=\"0\" target=\"_blank\" rel=\"noreferrer\"\u003E\u003Cdiv data-testid=\"button-icon-wrapper\"\u003E\u003Csvg xmlns=\"http://www.w3.org/2000/svg\" fill=\"currentColor\" viewBox=\"0 0 24 24\" class=\"button-icon\"\u003E\u003Cpath d=\"M24 12c0-6.627-5.373-12-12-12S0 5.373 0 12c0 5.99 4.388 10.954 10.125 11.854V15.47H7.078V12h3.047V9.356c0-3.007 1.792-4.668 4.533-4.668 1.312 0 2.686.234 2.686.234v2.953H15.83c-1.491 0-1.956.925-1.956 1.875V12h3.328l-.532 3.469h-2.796v8.385C19.612 22.954 24 17.99 24 12Z\"\u003E\u003C/path\u003E\u003C/svg\u003E\u003C/div\u003E\u003C/a\u003E\u003Cdiv\u003E\u003C/div\u003E\u003C/div\u003E\u003C/div\u003E\u003Cdiv data-testid=\"snowflake-footer-youtube\" class=\"snowflake-button-icon snowflake-button-white snowflake-footer-social-item\"\u003E\u003Cdiv class=\"snowflake-button-icon \"\u003E\u003Ca href=\"https://www.youtube.com/user/snowflakecomputing\" data-testid=\"button-external\" aria-label=\"YouTube\" role=\"button\" class=\"snowflake-button-container\" title=\"YouTube\" tabindex=\"0\" target=\"_blank\" rel=\"noreferrer\"\u003E\u003Cdiv data-testid=\"button-icon-wrapper\"\u003E\u003Csvg xmlns=\"http://www.w3.org/2000/svg\" fill=\"currentColor\" viewBox=\"0 0 24 24\" class=\"button-icon\"\u003E\u003Cpath d=\"M23.76 7.2s-.233-1.655-.955-2.381c-.914-.956-1.936-.961-2.405-1.017-3.356-.244-8.395-.244-8.395-.244h-.01s-5.039 0-8.395.244c-.469.056-1.49.06-2.405 1.017C.473 5.545.244 7.2.244 7.2S0 9.145 0 11.086v1.819c0 1.94.24 3.886.24 3.886s.233 1.654.95 2.38c.915.957 2.115.924 2.65 1.027 1.92.183 8.16.24 8.16.24s5.044-.01 8.4-.249c.469-.056 1.49-.06 2.405-1.017.722-.727.956-2.381.956-2.381S24 14.85 24 12.905v-1.819c0-1.94-.24-3.886-.24-3.886ZM9.52 15.113V8.367l6.483 3.385-6.483 3.36Z\"\u003E\u003C/path\u003E\u003C/svg\u003E\u003C/div\u003E\u003C/a\u003E\u003Cdiv\u003E\u003C/div\u003E\u003C/div\u003E\u003C/div\u003E\r\n\u003C/div\u003E","cssUrl":"/content/experience-fragments/snowflake-site/language-masters/fr/site/footer/master/_jcr_content/root/container_573483281_/container_112062425/flexible_column_cont/flexible_column_content_container_1/container/markup_editor.a1b733f3995ad01d.css",":type":"snowflake-site/components/markup-editor","isGSAPEnabled":false}},":itemsOrder":["container","text_copy_copy_16360_26716402","markup_editor"],"appliedCssClassNames":"snowflake-responsive-container-inner-padding-none"}},":itemsOrder":["container"]},":type":"snowflake-site/components/flexible-column-container","isBlogPage":false,"isActiveTOC":false}},":itemsOrder":["flexible_column_cont"],"appliedCssClassNames":"snowflake-container snowflake-responsive-container-inner-padding-small"}},":itemsOrder":["container_112062425"],"appliedCssClassNames":"snowflake-responsive-container-inner-padding-none"},"markup_editor_copy":{"id":"markup-editor-616b716e1e","title":"New css","cssContent":"body:has(.snowflake-skip-to-content[style]) #subNav,.pushdown-banner-dismissed #subNav{top:var(--scroll-padding-top) !important;transition:300ms ease top}body:has(.snowflake-skip-to-content[style*=\"58\"]) #subNav{top:34px !important}body:has(.snowflake-skip-to-content[style*=\"82\"]) #subNav{top:58px !important}body:has(.snowflake-skip-to-content[style*=\"130\"]) #subNav{top:106px !important}body:has(.snowflake-skip-to-content[style*=\"138\"]) #subNav{top:114px !important}body:has(.snowflake-skip-to-content[style*=\"146\"]) #subNav{top:122px !important}.sf-footer .mktoFormRow .mktoHtmlText span{font-family:'Lato',sans-serif !important}.snowflake-button-primary.snowflake-button-blue .snowflake-button-container{justify-content:center}.related-chip-25{background-color:#fff;border:1px solid rgba(204,204,204,.5);border-radius:8px;padding:20px;position:relative}.related-chip-25:hover{box-shadow:rgba(152,162,179,.1) 0 10px 20px 0}.related-chip-25:hover::after{right:24px;transition:300ms ease right}.related-chip-25::after{content:'';display:block;transition:300ms ease right;background-image:url(\"data:image/svg+xml,%3Csvg width='8' height='14' viewBox='0 0 8 14' fill='none' xmlns='http://www.w3.org/2000/svg'%3E%3Cpath fill-rule='evenodd' clip-rule='evenodd' d='M7.66699 7C7.66699 6.6571 7.53559 6.32825 7.30169 6.08578L2.34446 .947072C1.84529 .429617 1.0164 .429617 .517219 .947072C.0427878 1.43887 .042788 2.21798 .517219 2.70978L4.65591 7L.51722 11.2902C.0427889 11.782 .0427887 12.5611 .51722 13.0529C1.0164 13.5704 1.84529 13.5704 2.34447 13.0529L7.30169 7.91421C7.53559 7.67175 7.66699 7.34289 7.66699 7Z' fill='%2329B5E8'/%3E%3C/svg%3E%0A\");width:8px;height:14px;display:block;position:absolute;right:30px;top:50%;transform:translateY(-50%);background-size:contain;background-position:center;background-repeat:no-repeat}.related-chip-25 .heading-5-v2{font-size:22px;line-height:1.4}.related-chip-25 .snowflake-content-chip-image{width:48px}.related-chip-25 .snowflake-content-chip-image__image{aspect-ratio:1;height:auto;object-fit:contain}.related-chip-25 .snowflake-content-chip-button{display:none}.related-chip-25:hover::after{right:24px;transition:300ms ease right}.related-chip-25 .snowflake-content-chip-content-without-tag{flex-grow:1;padding-right:24px}.related-chip-25::after{content:'';display:block;transition:300ms ease right;background-image:url(\"data:image/svg+xml,%3Csvg width='8' height='14' viewBox='0 0 8 14' fill='none' xmlns='http://www.w3.org/2000/svg'%3E%3Cpath fill-rule='evenodd' clip-rule='evenodd' d='M7.66699 7C7.66699 6.6571 7.53559 6.32825 7.30169 6.08578L2.34446 .947072C1.84529 .429617 1.0164 .429617 .517219 .947072C.0427878 1.43887 .042788 2.21798 .517219 2.70978L4.65591 7L.51722 11.2902C.0427889 11.782 .0427887 12.5611 .51722 13.0529C1.0164 13.5704 1.84529 13.5704 2.34447 13.0529L7.30169 7.91421C7.53559 7.67175 7.66699 7.34289 7.66699 7Z' fill='%2329B5E8'/%3E%3C/svg%3E%0A\");width:8px;height:14px;display:block;position:absolute;right:30px;top:50%;transform:translateY(-50%);background-size:contain;background-position:center;background-repeat:no-repeat}.related-chip-25 .heading-5-v2{font-size:22px;line-height:1.1}.related-chip-25 .snowflake-content-chip-image{width:48px;flex-shrink:0}.related-chip-25 .snowflake-content-chip-image__image{aspect-ratio:1;height:auto;object-fit:contain}.related-chip-25 .snowflake-content-chip-button{display:none}.case-study-25.small-logo .snowflake-case-study-card-logo img{width:60px !important}.swiper-slide .case-study-25{width:95%;margin-left:auto;margin-right:auto}.case-study-25 .snowflake-case-study-card-logo img{width:140px !important;height:auto !important;transform:none !important;margin:24px 0 8px 0}.case-study-25 .snowflake-case-study-card-image__image{object-position:left center}.case-study-25 .snowflake-case-study-card-information-container{padding-right:24px}.case-study-25 ul{list-style-type:none;padding:0;margin:8px 0 0 0}.case-study-25 li{font-size:15px !important;line-height:1.3 !important;display:flex;flex-direction:column;border-left:4px solid var(--ui-01);padding-left:24px;margin-top:24px;color:#535862;gap:4px}.case-study-25 li b{display:block;font-family:'Texta',sans-serif;font-weight:900 !important;font-size:48px !important;line-height:.9 !important;color:var(--ui-01)}.case-study-25 .snowflake-case-study-card-description p{color:#535862}.case-study-25 .snowflake-case-study-card-description p:nth-child(2):not(:has(a)){color:#000;font-family:Texta;font-size:30px !important;line-height:1 !important;font-style:normal;font-weight:700;text-indent:-8px}.case-study-25.is-story .snowflake-case-study-card-description p:nth-child(2):not(:has(a)){text-indent:0}.case-study-25 .snowflake-case-study-card-key-card{background-color:transparent}.case-study-25 .snowflake-case-study-card-button{display:none}.case-study-25{border-radius:24px;overflow:hidden}@media screen and (min-width:1024px){.case-study-25 .snowflake-case-study-card-left-container{position:static;width:60%;min-height:0}.case-study-25 .snowflake-case-study-card-right-container::after{content:'';display:block;width:60%;max-width:340px;padding-bottom:50%;background-image:url(\"data:image/svg+xml,%3Csvg xmlns='http://www.w3.org/2000/svg' fill='none' viewBox='0 0 22 16' class='snowflake-pushdown-banner-placeholder-arrow'%3E%3Cpath fill='%2329B5E8' fill-rule='evenodd' d='M17.865 8.756c.088-.274.124-.555.118-.834a2.551 2.551 0 0 0-1.3-2.142L7.887.76C6.645.055 5.063.475 4.35 1.7a2.535 2.535 0 0 0 .947 3.494l4.916 2.809-4.916 2.801a2.543 2.543 0 0 0-.947 3.502c.713 1.222 2.295 1.64 3.537.934l8.796-5.024a2.541 2.541 0 0 0 1.182-1.46Z' clip-rule='evenodd'%3E%3C/path%3E%3C/svg%3E\");background-size:contain;background-repeat:no-repeat;position:absolute;top:-10%;left:-20%}.case-study-25 .snowflake-case-study-card-right-container{max-width:none;width:40%;position:absolute;top:-5%;right:-5%;z-index:0;height:110%}}@media screen and (min-width:768px){.case-study-25 li{max-width:50%}.case-study-25 ul{display:flex;gap:48px}}.snowflake-text.section-eyebrow p{margin-left:auto;margin-right:auto;margin-bottom:16px !important}.snowflake-text.section-eyebrow p,.snowflake-text.eyebrow-text p{text-transform:uppercase;font-family:'Texta',sans-serif !important;font-weight:800 !important;letter-spacing:.025em;margin-bottom:12px;line-height:1.1 !important}.snowflake-title-v2.dynamic .heading-2-v2 span.snowflake-title-v2-line{font-size:clamp(2.5rem,4.5vw,4rem) !important;line-height:.82 !important}.checklist ul{padding:0;margin:0}.checklist ul li{list-style-type:none;padding-left:32px;position:relative}.checklist ul li:not(:last-child){margin-bottom:1em}.checklist ul li::before{content:'';display:inline-block;width:20px;height:20px;background-image:url(\"data:image/svg+xml,%3Csvg width='24' height='25' viewBox='0 0 24 25' fill='none' xmlns='http://www.w3.org/2000/svg'%3E%3Crect y='.985352' width='24' height='24' rx='12' fill='%23D4F0FA'/%3E%3Cpath d='M7.28613 13.2967L10.7147 16.7253L17.5718 9.86816' stroke='%2329B5E8' stroke-width='2' stroke-linecap='round' stroke-linejoin='round'/%3E%3C/svg%3E%0A\");background-size:contain;background-repeat:no-repeat;position:absolute;top:3px;left:0}.last-line-blue .snowflake-typographyv2 .snowflake-title-v2-line:last-child{color:var(--ui-01)}.snowflake-text p sup{line-height:0}.snowflake-title-v2.lowercase .heading-3-v2{font-size:28px;line-height:1;text-transform:none;font-weight:700}.snowflake-title-v2.lowercase .heading-2-v2{font-size:32px;line-height:1;text-transform:none;font-weight:700}.content-chip-new{border:1px solid rgba(204,204,204,.5);border-radius:16px;overflow:hidden}.content-chip-new .snowflake-image-container{border-radius:0;display:none}.content-chip-new .snowflake-content-chip-image{margin-right:0;max-width:180px;flex-shrink:0}.content-chip-new .snowflake-content-chip-content{padding:24px}.content-chip-new .black-blue-text-color .snowflake-title-v2-line:first-child{font-size:24px;line-height:1.1}.content-chip-new .black-blue-text-color .snowflake-title-v2-line:not(:first-child){font-family:'Lato',sans-serif;font-size:17px;color:#535862 !important;font-weight:500;line-height:1.45;margin-top:8px;display:none}div.snowflake-text a{font-weight:normal;color:var(--ui-01);text-decoration:underline;text-underline-offset:4px;text-decoration-style:dotted !important;text-decoration-color:transparent;transition:300ms ease text-decoration-color}div.snowflake-text a:hover{text-decoration-color:var(--ui-01);transition:300ms ease text-decoration-color}.footer-nav__link-group .snowflake-button-container,.subnav__item--button,.snowflake-card-v2-advanced-button .snowflake-button-container{justify-content:flex-start}.button-container\u003E.container\u003E.cmp-container\u003E.aem-container{align-items:center}.button-container\u003E.container\u003E.cmp-container\u003E.aem-container .snowflake-button-primary+.snowflake-button-link{margin-left:12px !important}.snowflake-button-regular.snowflake-button-link .snowflake-button-container{font-size:18px !important;text-align:left;justify-content:flex-start;line-height:1.4 !important}body .snowflake-card-v2-advanced{border:1px solid rgba(204,204,204,.5);border-radius:var(--spacing-02);transition:300ms ease all}body .snowflake-card-v2-advanced:hover{transform:translateY(-10px);box-shadow:rgba(152,162,179,.1) 0 10px 20px 0;transition:300ms ease all}body .snowflake-card-v2-advanced-inner{border-bottom:none}body .snowflake-card-v2-advanced-image{line-height:0}body .snowflake-card-v2-advanced-image__image{aspect-ratio:16 / 9}body .snowflake-card-v2-advanced-content{position:relative}body .snowflake-card-v2-advanced-content::after{content:'';display:block;position:absolute;bottom:0;left:0;transition:300ms ease all;width:20%;height:4px;background-color:var(--ui-01);opacity:0}body .snowflake-card-v2-advanced:hover .snowflake-card-v2-advanced-content::after{width:100%;opacity:1;transition:300ms ease all}body .snowflake-card-v2-advanced .snowflake-button-link.snowflake-button-blue .snowflake-button-container\u003E.link-icon{transition:300ms ease transform}body .snowflake-card-v2-advanced:hover .snowflake-button-link.snowflake-button-blue .snowflake-button-container\u003E.link-icon{transform:translateX(4px);transition:300ms ease transform}.six-columns\u003E.container\u003E.cmp-container\u003E.aem-container,.three-columns\u003E.container\u003E.cmp-container\u003E.aem-container,.four-columns\u003E.container\u003E.cmp-container\u003E.aem-container,.five-columns\u003E.container\u003E.cmp-container\u003E.aem-container{display:flex;flex-wrap:wrap;gap:24px}.six-columns.align-center\u003E.container\u003E.cmp-container\u003E.aem-container,.three-columns.align-center\u003E.container\u003E.cmp-container\u003E.aem-container,.four-columns.align-center\u003E.container\u003E.cmp-container\u003E.aem-container,.five-columns.align-center\u003E.container\u003E.cmp-container\u003E.aem-container{justify-content:center}.three-columns\u003E.container\u003E.cmp-container\u003E.aem-container\u003Ediv{width:100%;margin:0 !important}.six-columns\u003E.container\u003E.cmp-container\u003E.aem-container\u003Ediv,.four-columns\u003E.container\u003E.cmp-container\u003E.aem-container\u003Ediv,.five-columns\u003E.container\u003E.cmp-container\u003E.aem-container\u003Ediv{width:calc(50% - 12px);margin:0 !important}@media screen and (min-width:768px){.three-columns\u003E.container\u003E.cmp-container\u003E.aem-container\u003Ediv{width:calc(50% - 12px)}.six-columns\u003E.container\u003E.cmp-container\u003E.aem-container\u003Ediv,.four-columns\u003E.container\u003E.cmp-container\u003E.aem-container\u003Ediv,.five-columns\u003E.container\u003E.cmp-container\u003E.aem-container\u003Ediv{width:calc(33.333% - 16px)}}@media screen and (min-width:1024px){.snowflake-title-v2.lowercase .heading-3-v2{font-size:34px}.snowflake-title-v2.lowercase.larger .heading-2-v2{font-size:44px;line-height:.95}.three-columns\u003E.container\u003E.cmp-container\u003E.aem-container\u003Ediv{width:calc(33.333% - 16px)}.four-columns\u003E.container\u003E.cmp-container\u003E.aem-container\u003Ediv{width:calc(25% - 18px)}.five-columns\u003E.container\u003E.cmp-container\u003E.aem-container\u003Ediv{width:calc(20% - 19.2px)}.six-columns\u003E.container\u003E.cmp-container\u003E.aem-container\u003Ediv{width:calc(16.6666% - 20px)}.snowflake-title-v2.lowercase .heading-3-v2{font-size:28px !important}}@media screen and (min-width:1200px){.snowflake-title-v2.lowercase .heading-2-v2{font-size:40px}.content-chip-new .snowflake-content-chip-content{padding:32px}.content-chip-new .snowflake-image-container,.content-chip-new .black-blue-text-color .snowflake-title-v2-line:not(:first-child){display:block}}.promo-banner-25{border-radius:16px;overflow:hidden}.promo-banner-25 .snowflake-premium-content-banner-image-container{position:relative;max-width:380px}.promo-banner-25 .snowflake-text{color:#535862}.promo-banner-25 .snowflake-premium-content-banner-image__image{transform:translateY(8px);transition:300ms ease transform;border-radius:0;width:85%;margin:0 auto;display:block;position:relative;z-index:1}.promo-banner-25 .snowflake-premium-content-banner-image__link:hover .snowflake-premium-content-banner-image__image{transform:translateY(0);transition:300ms ease transform}.promo-banner-25 .snowflake-premium-content-banner-image__inner{height:auto;padding-top:24px}.promo-banner-25 .snowflake-premium-content-banner-image__link{position:relative;z-index:1;height:auto}.promo-banner-25 .snowflake-premium-content-banner-image__link::after{content:'';display:block;position:absolute;clip-path:polygon(0 0,66% 0,100% 100%,0 100%);bottom:0;left:0;width:100%;height:100%;background:var(--ui-01);transition:300ms ease width}.promo-banner-25 .snowflake-premium-content-banner-image__link:hover::after{width:110%;transition:300ms ease width}.sf-footer .snowflake-marketo-form .mktoFormRow .mktoFieldWrap select{background-position:95% 50%}.sf-footer__disclaimers .text-size-small .snowflake-text p{color:#fff !important;font-size:10px !important;opacity:.8}@media screen and (min-width:768px){.sf-footer__disclaimers .text-size-small .snowflake-text p{font-size:12px !important}}@media screen and (max-width:1023px){.mobile-top-padding{padding-top:64px}}@media (max-width:799px){.sf-footer .snowflake-marketo-form .mktoButtonWrap.mktoNative .mktoButton{width:100% !important}.sf-footer__logo{text-align:center;display:block;margin:0 auto}}.customer-card .snowflake-card-v2-advanced-image{aspect-ratio:4.35 / 1}.customer-card .snowflake-card-v2-advanced-image__image{width:100%;height:100%;padding-left:8px;object-fit:contain;object-position:left center;margin:0 !important;aspect-ratio:initial}.customer-card .snowflake-card-v2-advanced-image__inner{height:110px}.customer-card .snowflake-card-v2-advanced-tag-indicator{display:none}.pc-hero .snowflake-container-arrow-small-gray-image{top:-34% !important;width:18% !important}.pc-hero .snowflake-container-arrow-small-gray-image path{fill:var(--ui-01);opacity:1}@media screen and (max-width:767px){.mobile-padding-top{padding-top:64px}.hide-mobile{display:none !important}.pc-hero{padding-top:52px}.pc-hero .snowflake-text p,.pc-hero .left-alignment .snowflake-title-v2-line,.pc-hero h1 span{text-align:center !important}}div.snowflake-pushdown-banner-button{margin-top:0}.snowflake-flexible-column-container-items-alignment-match-height .download-card,.snowflake-flexible-column-container-items-alignment-match-height .download-card\u003E.container{height:100%}.download-card div.code-toolbar\u003E.toolbar .copy-to-clipboard-button{background-color:white;border:1px solid #a9e1f6;margin-right:4px;top:6px;border-radius:16px;height:26px;width:40px}.download-card .snowflake-code-snippet\u003Ediv.code-toolbar\u003E.toolbar\u003E.toolbar-item\u003Ebutton:before{content:'';background-image:url(\"data:image/svg+xml,%3Csvg xmlns='http://www.w3.org/2000/svg' width='16' height='16' viewBox='0 0 24 24' fill='none' stroke-width='2' stroke-linecap='round' stroke-linejoin='round'%3E%3Crect x='9' y='9' width='13' height='13' rx='2' ry='2' style='stroke:%23249EDC;'%3E%3C/rect%3E%3Cpath d='M5 15H4a2 2 0 0 1-2-2V4a2 2 0 0 1 2-2h9a2 2 0 0 1 2 2v1' style='stroke:%23249EDC;'%3E%3C/path%3E%3C/svg%3E\");background-size:auto 65%;background-position:center;background-repeat:no-repeat;top:0;left:0;width:100%;height:100%}.download-card .snowflake-code-snippet\u003Ediv.code-toolbar\u003E.toolbar\u003E.toolbar-item\u003Ebutton:hover:before{background-image:url(\"data:image/svg+xml,%3Csvg xmlns='http://www.w3.org/2000/svg' width='16' height='16' viewBox='0 0 24 24' fill='none' stroke-width='2' stroke-linecap='round' stroke-linejoin='round'%3E%3Crect x='9' y='9' width='13' height='13' rx='2' ry='2' style='stroke:%23fff;'%3E%3C/rect%3E%3Cpath d='M5 15H4a2 2 0 0 1-2-2V4a2 2 0 0 1 2-2h9a2 2 0 0 1 2 2v1' style='stroke:%23fff;'%3E%3C/path%3E%3C/svg%3E\")}.download-card\u003Ediv{background-color:#fff;border:1px solid #ccc;border-radius:8px;padding:24px}.download-chip__headline{border-bottom:1px solid #ccc;padding-bottom:16px;margin-bottom:16px}.download-chip{padding:8px 12px !important;border-radius:4px;transition:300ms ease background-color}.download-chip .black-blue-text-color .snowflake-title-v2-line{color:#000 !important;padding-right:24px;font-family:'Lato',sans-serif;font-size:14px !important;font-weight:500 !important}.download-chip .black-blue-text-color .snowflake-title-v2-line:not(:first-child){opacity:.6;font-style:italic !important}.download-chip .snowflake-content-chip-button{display:none}.download-chip.is-external-link{background-size:16px 16px;background-image:url(\"data:image/svg+xml,%3Csvg width='15' height='15' viewBox='0 0 15 15' fill='none' xmlns='http://www.w3.org/2000/svg'%3E%3Cpath d='M1.06055 13.0607L11.8605 2.26067M13.0605 10.6607V1.06067H3.46055' stroke='%23249EDC' stroke-width='2.12132' stroke-linecap='round' stroke-linejoin='round'/%3E%3C/svg%3E%0A\")}.download-chip{background-image:url(\"data:image/svg+xml,%3Csvg width='18' height='18' viewBox='0 0 18 18' fill='none' xmlns='http://www.w3.org/2000/svg'%3E%3Cg clip-path='url(%23clip0_883_7979)'%3E%3Cpath d='M3.375 16.875H14.625' stroke='%23249EDC' stroke-width='1.40625' stroke-linecap='round' stroke-linejoin='round'/%3E%3Cpath d='M9 1.125V11.25' stroke='%23249EDC' stroke-width='1.40625' stroke-linecap='round' stroke-linejoin='round'/%3E%3Cpath d='M4.5 7.875L9 12.375L13.5 7.875' stroke='%23249EDC' stroke-width='1.40625' stroke-linecap='round' stroke-linejoin='round'/%3E%3C/g%3E%3Cdefs%3E%3CclipPath id='clip0_883_7979'%3E%3Crect width='18' height='18' fill='white'/%3E%3C/clipPath%3E%3C/defs%3E%3C/svg%3E%0A\");background-size:24px auto;background-repeat:no-repeat;background-position:calc(100% - 12px) center}.download-chip__headline{display:flex;gap:16px;flex-direction:row !important;flex-wrap:nowrap}.download-chip__headline::before{content:'';display:inline-block;width:24px;height:24px;background-position:center;background-image:url(\"data:image/svg+xml,%3Csvg width='21' height='21' viewBox='0 0 21 21' fill='none' xmlns='http://www.w3.org/2000/svg'%3E%3Cpath fill-rule='evenodd' clip-rule='evenodd' d='M7.50005 9.89999C8.13657 9.89999 8.74702 9.64713 9.19711 9.19704C9.64719 8.74696 9.90005 8.13651 9.90005 7.49999V2.69999C9.90005 2.06347 9.64719 1.45302 9.19711 1.00293C8.74702 .552844 8.13657 .299988 7.50005 .299988H2.70005C2.06353 .299988 1.45308 .552844 1.00299 1.00293C.552905 1.45302 .300049 2.06347 .300049 2.69999V7.49999C.300049 8.13651 .552905 8.74696 1.00299 9.19704C1.45308 9.64713 2.06353 9.89999 2.70005 9.89999H7.50005ZM7.50005 7.49999H2.70005V2.69999H7.50005V7.49999Z' fill='%23249EDC' stroke='white' stroke-width='.6'/%3E%3Cpath fill-rule='evenodd' clip-rule='evenodd' d='M7.50005 20.3C8.13657 20.3 8.74702 20.0472 9.19711 19.5971C9.64719 19.147 9.90005 18.5365 9.90005 17.9V13.1C9.90005 12.4635 9.64719 11.853 9.19711 11.403C8.74702 10.9529 8.13657 10.7 7.50005 10.7H2.70005C2.06353 10.7 1.45308 10.9529 1.00299 11.403C.552905 11.853 .300049 12.4635 .300049 13.1V17.9C.300049 18.5365 .552905 19.147 1.00299 19.5971C1.45308 20.0472 2.06353 20.3 2.70005 20.3H7.50005ZM7.50005 17.9H2.70005V13.1H7.50005V17.9Z' fill='%23249EDC' stroke='white' stroke-width='.6'/%3E%3Cpath fill-rule='evenodd' clip-rule='evenodd' d='M17.9001 9.89999C18.5366 9.89999 19.147 9.64713 19.5971 9.19704C20.0472 8.74696 20.3001 8.13651 20.3001 7.49999V2.69999C20.3001 2.06347 20.0472 1.45302 19.5971 1.00293C19.147 .552844 18.5366 .299988 17.9001 .299988H13.1001C12.4636 .299988 11.8531 .552844 11.403 1.00293C10.9529 1.45302 10.7001 2.06347 10.7001 2.69999V7.49999C10.7001 8.13651 10.9529 8.74696 11.403 9.19704C11.8531 9.64713 12.4636 9.89999 13.1001 9.89999H17.9001ZM17.9001 7.49999H13.1001V2.69999H17.9001V7.49999Z' fill='%23249EDC' stroke='white' stroke-width='.6'/%3E%3Cpath fill-rule='evenodd' clip-rule='evenodd' d='M17.9001 20.3C18.5366 20.3 19.147 20.0472 19.5971 19.5971C20.0472 19.147 20.3001 18.5365 20.3001 17.9V13.1C20.3001 12.4635 20.0472 11.853 19.5971 11.403C19.147 10.9529 18.5366 10.7 17.9001 10.7H13.1001C12.4636 10.7 11.8531 10.9529 11.403 11.403C10.9529 11.853 10.7001 12.4635 10.7001 13.1V17.9C10.7001 18.5365 10.9529 19.147 11.403 19.5971C11.8531 20.0472 12.4636 20.3 13.1001 20.3H17.9001ZM17.9001 17.9H13.1001V13.1H17.9001V17.9Z' fill='%23249EDC' stroke='white' stroke-width='.6'/%3E%3C/svg%3E%0A\");background-size:contain;background-repeat:no-repeat}.download-chip__headline.is-cli::before{background-image:url(\"data:image/svg+xml,%3Csvg width='24' height='24' viewBox='0 0 24 24' fill='none' xmlns='http://www.w3.org/2000/svg'%3E%3Cpath d='M4 17L10 11L4 5' stroke='%23000' stroke-width='2' stroke-linecap='round' stroke-linejoin='round'/%3E%3Cpath d='M12 19H20' stroke='%23000' stroke-width='2' stroke-linecap='round' stroke-linejoin='round'/%3E%3C/svg%3E%0A\")}.download-card pre[class*=language-]{padding:8px 12px;background-color:var(--ui-background-05);overflow:hidden}.download-chip__headline.is-windows,.download-chip__headline.is-mac{gap:12px}.download-chip__headline.is-windows::before{width:16px;height:20px;background-image:url(\"data:image/svg+xml,%3Csvg width='4875' height='4875' viewBox='0 0 4875 4875' fill='none' xmlns='http://www.w3.org/2000/svg'%3E%3Cg clip-path='url(%23clip0_122_201)'%3E%3Cpath d='M0 0H2311V2310H0V0ZM2564 0H4875V2310H2564V0ZM0 2564H2311V4875H0V2564ZM2564 2564H4875V4875H2564' fill='%23000'/%3E%3C/g%3E%3C/svg%3E\")}.download-chip__headline.is-mac::before{width:16px;height:20px;background-image:url(\"data:image/svg+xml,%3Csvg version='1.1' id='Layer_1' xmlns:x='ns_extend;' xmlns:i='ns_ai;' xmlns:graph='ns_graphs;' xmlns='http://www.w3.org/2000/svg' xmlns:xlink='http://www.w3.org/1999/xlink' x='0' y='0' viewBox='0 0 41.5 51' style='enable-background:new 0 0 41.5 51;' xml:space='preserve'%3E%3Cmetadata%3E%3Csfw xmlns='ns_sfw;'%3E%3Cslices%3E%3C/slices%3E%3CsliceSourceBounds bottomLeftOrigin='true' height='51' width='41.5' x='166.1' y='-208.1'%3E%3C/sliceSourceBounds%3E%3C/sfw%3E%3C/metadata%3E%3Cg%3E%3Cpath d='M40.2,17.4c-3.4,2.1-5.5,5.7-5.5,9.7c0,4.5,2.7,8.6,6.8,10.3c-.8,2.6-2,5-3.5,7.2c-2.2,3.1-4.5,6.3-7.9,6.3s-4.4-2-8.4-2 c-3.9,0-5.3,2.1-8.5,2.1s-5.4-2.9-7.9-6.5C2,39.5,.1,33.7,0,27.6c0-9.9,6.4-15.2,12.8-15.2c3.4,0,6.2,2.2,8.3,2.2 c2,0,5.2-2.3,9-2.3C34.1,12.2,37.9,14.1,40.2,17.4z M28.3,8.1C30,6.1,30.9,3.6,31,1c0-.3,0-.7-.1-1c-2.9,.3-5.6,1.7-7.5,3.9 c-1.7,1.9-2.7,4.3-2.8,6.9c0,.3,0,.6,.1,.9c.2,0,.5,.1,.7,.1C24.1,11.6,26.6,10.2,28.3,8.1z'%3E%3C/path%3E%3C/g%3E%3C/svg%3E\")}.download-chip__headline.is-desktop::before{background-image:url(\"data:image/svg+xml,%3Csvg width='24' height='24' viewBox='0 0 24 24' fill='none' xmlns='http://www.w3.org/2000/svg'%3E%3Cg opacity='.8'%3E%3Cpath d='M1.5 21H22.5V18H1.5V21Z' fill='%23000' stroke='white' stroke-width='.75'/%3E%3Cpath fill-rule='evenodd' clip-rule='evenodd' d='M19.5 15C20.2956 15 21.0587 14.6839 21.6213 14.1213C22.1839 13.5587 22.5 12.7956 22.5 12V6C22.5 5.20435 22.1839 4.44129 21.6213 3.87868C21.0587 3.31607 20.2956 3 19.5 3H4.5C3.70435 3 2.94129 3.31607 2.37868 3.87868C1.81607 4.44129 1.5 5.20435 1.5 6V12C1.5 12.7956 1.81607 13.5587 2.37868 14.1213C2.94129 14.6839 3.70435 15 4.5 15H19.5ZM19.5 12H4.5V6H19.5V12Z' fill='%23000' stroke='white' stroke-width='.75'/%3E%3C/g%3E%3C/svg%3E%0A\")}.download-card .snowflake-code-snippet,.download-card .snowflake-code-snippet code,.download-card .snowflake-code-snippet pre{font-size:14px;color:#000;text-shadow:none !important}.download-chip:hover{background-color:var(--ui-background-05) !important;transition:300ms ease background-color}",":type":"snowflake-site/components/markup-editor","isGSAPEnabled":false}},":itemsOrder":["container_copy_1510208642","container_573483281_","markup_editor_copy"],"appliedCssClassNames":"ui-background-02"}},":itemsOrder":["root"],"classNames":"aem-xf"},"experiencefragment":{"id":"experiencefragment-978abb0456","localizedFragmentVariationPath":"/content/experience-fragments/snowflake-site/language-masters/fr/site/footer-legal-disclaimers/master/jcr:content","configured":true,":type":"snowflake-site/components/experiencefragment",":items":{"root":{"additionalClasses":"sf-footer__disclaimers","layout":"RESPONSIVE_GRID","columnCount":12,"columnClassNames":{"container":"aem-GridColumn aem-GridColumn--default--12"},"gridClassNames":"aem-Grid aem-Grid--12 aem-Grid--default--12","id":"container-1a0fe9ce96",":type":"snowflake-site/components/container",":items":{"container":{"layout":"RESPONSIVE_GRID","columnCount":12,"columnClassNames":{"flexible_column_cont":"aem-GridColumn aem-GridColumn--default--12"},"gridClassNames":"aem-Grid aem-Grid--12 aem-Grid--default--12","id":"container-3bc8f1878b",":type":"snowflake-site/components/container",":items":{"flexible_column_cont":{"id":"flexible-column-container-0f16d8c003","type":"1-column","alignColumns":"top","containerMaxWidth":"extra-large","topPadding":"none","bottomPadding":"none","spaceBetween":"small","reverseOnMobile":false,"carouselOnMobile":false,"backgroundImageOption":"none","flexible_column_content_container_1":{"additionalClasses":"sf-footer__disclaimers-inner","layout":"SIMPLE","id":"container-086a679d78",":type":"snowflake-site/components/flexible-column-container/flexible-column-content-container",":items":{"simple_stat_referenc_1538552089":{"configurationStatus":{"configured":true,"message":""},":type":"snowflake-site/components/simple-stat","statNumber":null,"statDescription":null,"statDisclaimer":{"id":"cf-disclaimer","text":"\u003Cp\u003E* Private preview, † Public preview, ‡ Bientôt disponible\u003C/p\u003E","richText":true,":type":"snowflake-site/components/text"}}},":itemsOrder":["simple_stat_referenc_1538552089"]},":type":"snowflake-site/components/flexible-column-container","isBlogPage":false,"isActiveTOC":false}},":itemsOrder":["flexible_column_cont"],"appliedCssClassNames":"snowflake-container snowflake-responsive-container-inner-padding-small"}},":itemsOrder":["container"]}},":itemsOrder":["root"],"classNames":"aem-xf"}},":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/models","isPasswordProtected":false,"analyticsContentTags":["snowflake-site:taxonomy/content-type/fundamentals"],"analyticsEnabled":true,"coveoConfig":{"searchHub":"snowflake.com","organizationId":"snowflakecomputingproduction8neljofn","apiKey":"xx335921a6-2a0a-40f2-a167-e390b4766c3d","pipeline":"snowflake.com"},"analyticsDebugMode":false,"analyticsData":{"excludeFromAnalytics":false,"subCategory":"machine-learning","pageType":"content","templateName":"base-page-template54","siteName":"snowflake","pageUrl":"/fr/artificial-intelligence/machine-learning/models/","language":"fr","category":"artificial-intelligence","pageName":"Modèles de machine learning : types, fonctionnement et comment choisir","contentTags":["snowflake-site:taxonomy/content-type/fundamentals"]},"publicationThemeClass":"","locale":"fr"}