> ## Documentation Index
> Fetch the complete documentation index at: https://wb-21fd5541-docs-hivemind-launch.mintlify.site/llms.txt
> Use this file to discover all available pages before exploring further.

# Suivre les versions de votre application avec des modèles

> Suivez les versions de votre application avec des modèles structurés qui combinent données et code.

Un `Model` est une combinaison de données (qui peuvent inclure la configuration, les poids d’un modèle entraîné ou d’autres informations) et de code qui définit le fonctionnement du modèle. En structurant votre code pour qu’il soit compatible avec cette API, vous bénéficiez d’un cadre structuré pour gérer les versions de votre application et suivre plus systématiquement vos expériences.

<Tabs>
  <Tab title="Python">
    Pour créer un modèle dans Weave, vous avez besoin des éléments suivants :

    * une classe qui hérite de `weave.Model`
    * des annotations de type pour tous les paramètres
    * une fonction `predict` typée avec le décorateur `@weave.op()`

    ```python lines theme={null}
    from weave import Model
    import weave

    class YourModel(Model):
        attribute1: str
        attribute2: int

        @weave.op()
        def predict(self, input_data: str) -> dict:
            # La logique du modèle va ici
            prediction = self.attribute1 + ' ' + input_data
            return {'pred': prediction}
    ```

    Vous pouvez appeler le modèle comme d’habitude avec :

    ```python lines theme={null}
    import weave
    weave.init('intro-example')

    model = YourModel(attribute1='hello', attribute2=5)
    model.predict('world')
    ```

    Cela permet de suivre la configuration du modèle ainsi que les entrées et les sorties chaque fois que vous appelez `predict()`.

    ## Gestion automatique des versions des modèles

    Lorsque vous modifiez les paramètres ou le code qui définit votre modèle, ces changements seront enregistrés et la version sera mise à jour.
    Cela vous permet de comparer les prédictions entre différentes versions de votre modèle. Utilisez cette fonctionnalité pour itérer sur vos prompts ou essayer le dernier LLM et comparer les prédictions selon différentes configurations.

    Par exemple, nous créons ici un nouveau modèle :

    ```python lines theme={null}
    import weave
    weave.init('intro-example')

    model = YourModel(attribute1='howdy', attribute2=10)
    model.predict('world')
    ```

    Après cet appel, vous verrez que vous avez maintenant deux versions de ce modèle dans l’UI, chacune avec des appels suivis distincts.

    ## Serve des modèles

    Pour servir un modèle, vous pouvez facilement lancer un serveur FastAPI en appelant :

    ```bash theme={null}
    weave serve <your model ref>
    ```

    Pour des instructions supplémentaires, voir [serve](/fr/weave/guides/tools/serve).

    ## Suivre les appels de production

    Pour séparer les appels de production, vous pouvez ajouter un attribut supplémentaire aux prédictions pour faciliter le filtrage dans l’UI ou l’API.

    ```python lines theme={null}
    with weave.attributes({'env': 'production'}):
        model.predict('world')
    ```
  </Tab>

  <Tab title="TypeScript">
    ```plaintext theme={null}
    Cette fonctionnalité n’est pas encore disponible en TypeScript.  Restez à l’écoute !
    ```
  </Tab>
</Tabs>