Leçon 6 — Récapitulatif et FAQ
Les cinq leçons en une page
Leçon 1 — ce que vous louez. Trois niveaux : de la machine brute au service prêt à l'emploi. Le calcul utile est bon marché ; ce qui coûte, ce sont les ressources réservées et non utilisées. Un GPU n'est presque jamais nécessaire à l'inférence.
Leçon 2 — les plateformes. Les trois grandes offrent les mêmes briques sous des noms différents. Le critère décisif n'est pas la comparaison de fonctionnalités mais où sont déjà vos données et vos compétences. Colab et les fournisseurs de GPU spécialisés couvrent l'essentiel des besoins d'apprentissage et d'expérimentation.
Leçon 3 — le coût. Cinq mécanismes de dérapage, dominés par les machines allumées sans travail et les points de terminaison provisionnés en permanence. Les instances spot divisent le coût d'entraînement par trois à cinq. Une alerte de budget se configure en deux minutes et se met presque toujours en place trop tard.
Leçon 4 — la sécurité. La responsabilité est partagée : le fournisseur sécurise le socle, vous sécurisez votre configuration. Les fuites viennent presque toujours de votre côté, donc elles sont évitables. La souveraineté se décompose en trois questions distinctes : où stocké, où traité, qui peut accéder juridiquement.
Leçon 5 — la dépendance. Cinq formes de degrés très inégaux. La gravité des données coûte le plus cher ; le format des modèles, le moins. Cinq décisions simples préservent l'essentiel de la portabilité sans sacrifier l'efficacité des services managés.
Glossaire
| Terme | Ce que cela veut dire |
|---|---|
| Instance | une machine virtuelle louée à l'heure ou à la seconde |
| Instance spot | une machine à forte remise, reprenable par le fournisseur à tout moment |
| Engagement de durée | une remise en échange d'un usage garanti sur un à trois ans |
| Stockage objet | le stockage de fichiers à grande échelle, facturé au gigaoctet-mois |
| Frais de sortie | le coût des données transférées hors du cloud |
| Point de terminaison | l'adresse réseau où un modèle déployé répond aux requêtes |
| Inférence sans serveur | un modèle facturé à la requête, sans machine réservée |
| Traitement par lots | des prédictions calculées en une passe sur un ensemble de données |
| Mise à l'échelle automatique | l'ajustement du nombre d'instances selon la charge |
| Notebook managé | un environnement de travail hébergé, prêt à l'emploi |
| Travail managé | un entraînement lancé par la plateforme, qui éteint la machine à la fin |
| AutoML | l'essai automatique de plusieurs modèles et réglages |
| Magasin de variables | le service qui stocke et sert les variables de façon cohérente |
| Registre de modèles | le catalogue versionné des modèles et de leurs métadonnées |
| Responsabilité partagée | la répartition de la sécurité entre fournisseur et client |
| Région | la zone géographique où les ressources sont physiquement situées |
| Zone de disponibilité | un centre de données isolé au sein d'une région |
| IAM | le système de gestion des identités et des droits d'accès |
| Moindre privilège | n'accorder que les droits strictement nécessaires |
| ONNX | un format ouvert d'échange de modèles entre environnements |
| Gravité des données | la tendance des traitements à se rapprocher des données volumineuses |
| Taux d'utilisation du GPU | la proportion de temps où le GPU calcule réellement |
Les 12 questions que les gens posent vraiment
1. Quelle plateforme choisir : AWS, Azure ou GCP ?
Celle où vos données sont déjà et où votre équipe a déjà des compétences. Ces deux critères l'emportent largement sur toute comparaison de fonctionnalités, parce que les trois offrent les mêmes briques. Si vous partez de zéro sans contrainte, le facteur suivant est l'écosystème de vos outils existants — un environnement Microsoft penchera naturellement vers Azure, un usage intensif de BigQuery vers GCP.
2. Colab suffit-il pour apprendre ?
Oui, complètement, et sans dépenser un euro. Un GPU gratuit dans le navigateur couvre l'ensemble d'un parcours d'apprentissage, y compris l'affinage de modèles de taille moyenne. Les limites arrivent avec les entraînements longs — la session se coupe — et l'absence de persistance. Ce sont des contraintes d'exploitation, pas d'apprentissage.
3. Faut-il un GPU pour l'inférence ?
Presque jamais, sauf pour les grands modèles génératifs. Un modèle de vision de taille moyenne ou un classifieur de texte répond en quelques dizaines de millisecondes sur processeur. C'est le levier d'économie le plus immédiat et le plus fréquemment ignoré : vérifiez avant de provisionner, ne supposez pas.
4. Vaut-il mieux acheter un GPU ou en louer ?
La location, sauf si vous entraînez plusieurs heures par jour, tous les jours. Le calcul est simple : comparez le prix d'achat au tarif horaire multiplié par votre usage réel, en ajoutant l'électricité, le refroidissement et l'obsolescence. Un usage occasionnel ne rentabilise jamais un achat, et le matériel loué est renouvelé sans effort de votre part.
5. Comment éviter de recevoir une facture surprise ?
Une alerte de budget avant de lancer la première machine, l'arrêt automatique sur inactivité sur tous les notebooks, et des travaux managés plutôt que des machines brutes pour les entraînements. Ces trois mesures prennent moins d'une heure à mettre en place et éliminent la grande majorité des dérapages.
6. Les instances spot sont-elles risquées ?
Pour l'entraînement, non, à condition de sauvegarder l'état régulièrement : une reprise coûte au maximum quelques minutes de travail. Pour l'inférence en production, oui : un service ne peut pas disparaître sans préavis. La remise de 60 à 90 % en fait le meilleur levier d'économie sur la partie expérimentation.
7. Le cloud est-il moins sûr que nos serveurs ?
L'infrastructure d'un grand fournisseur est généralement mieux sécurisée que celle d'une entreprise ordinaire : centres de données audités, correctifs appliqués, redondance. Le risque réel se déplace vers votre configuration, et c'est là que se produisent presque tous les incidents. La question n'est donc pas la sûreté intrinsèque du cloud mais votre rigueur de configuration.
8. Peut-on traiter des données de santé dans le cloud public ?
Cela dépend du cadre juridique applicable et de la qualification de l'hébergeur. Dans plusieurs pays, l'hébergement de données de santé exige une certification spécifique, et certains grands fournisseurs proposent des offres qualifiées, souvent opérées avec un partenaire local. Vérifiez la qualification avant de choisir, faites une analyse d'impact, et ne comptez jamais sur une réponse générique de page marketing.
9. Où mes données sont-elles vraiment traitées ?
Le choix de la région détermine le stockage, et le traitement peut différer selon les services : certains services managés ne sont pas disponibles partout, et la supervision peut transiter ailleurs. C'est à vérifier service par service dans la documentation contractuelle. C'est une des rares questions où l'imprécision expose réellement.
10. Sommes-nous enfermés si nous utilisons les services managés ?
Partiellement, et c'est souvent un bon échange. Ce qui compte est de garder les données dans des formats ouverts, le code d'entraînement dans des conteneurs standard et la logique métier dans votre code. Avec ces trois choix, un changement de fournisseur devient un projet difficile mais borné, plutôt qu'une réécriture complète.
11. Faut-il un ingénieur cloud pour faire de l'IA ?
Pas pour apprendre ni pour prototyper. Dès la production, oui — ou au moins quelqu'un qui en assume le rôle. Les compétences nécessaires ne sont pas exotiques : réseau, droits d'accès, conteneurs, surveillance, maîtrise des coûts. Le cours MLOps détaille les responsabilités correspondantes.
12. Combien coûte réellement un premier projet ?
Pour un prototype avec affinage d'un modèle existant et un point de terminaison à faible trafic, comptez de l'ordre de quelques dizaines à quelques centaines d'euros par mois — dominés par l'inférence, pas par l'entraînement. Ce sont les erreurs de configuration, pas l'ambition technique, qui font passer ce montant à plusieurs milliers.
Les cours premium couvrent AWS SageMaker, Azure Machine Learning et Google Vertex AI de bout en bout, avec des travaux pratiques, la maîtrise des coûts et le déploiement, et un certificat vérifiable après un examen de 40 questions. Inclus dans toutes les formules payantes.
Dernière étape — Passez le quiz et découvrez votre attestation →