Google utilise la technologie IA pour traduire le contenu dans votre langue préférée. Les traductions générées par IA peuvent contenir des erreurs.

Migrer vers les derniers modèles Gemini

Ce guide explique comment mettre à jour votre application vers la dernière version de Gemini. Ce guide suppose que votre application utilise déjà une ancienne version de Gemini. Pour savoir comment commencer à utiliser Gemini dans Gemini Enterprise Agent Platform, consultez Premiers pas avec Gemini Enterprise Agent Platform.

Ce guide n'explique pas comment faire passer votre application du SDK Vertex AI au SDK Google Gen AI actuel. Pour en savoir plus, consultez notre guide de migration vers le SDK Vertex AI.

À quels changements dois-je m'attendre ?

La mise à niveau de la plupart des applications d'IA générative vers la dernière version de Gemini ne nécessite que peu de modifications du code ou des requêtes. Cependant, certaines applications peuvent nécessiter des ajustements de requêtes. Il est difficile de prévoir ces changements sans tester d'abord vos requêtes avec la nouvelle version. Nous vous recommandons d'effectuer des tests approfondis avant de procéder à la migration complète. Pour obtenir des conseils sur la création de prompts efficaces, consultez nos conseils sur la stratégie de prompt. Utilisez notre checklist de l'état des prompts pour identifier et résoudre les problèmes liés aux prompts.

Mise à jour des rapports sur le nombre de jetons

Vous constaterez peut-être une augmentation du nombre de jetons signalés, car notre infrastructure améliorée capture désormais avec précision tous les composants de requête, y compris les métadonnées complexes telles que les schémas de réponse et les appels de fonction, qui étaient auparavant sous-comptés par l'ancien système.

Vous ne devez apporter des modifications de code importantes que pour certaines modifications destructives ou pour utiliser les nouvelles fonctionnalités de Gemini.

Vers quel modèle Gemini migrer ?

Le modèle Gemini que vous utilisez dépend des besoins de votre application :

Fonctionnalité	3.1 Pro	3.5 Flash-Lite	3.5 Flash	3.6 Flash	3.7 Flash	3.8 Flash	4 Argon
Étape de lancement	Aperçu	DG	DG	DG	DG	DG	DG
Modes d'entrée	Texte, image, audio, vidéo	Texte, image, audio, vidéo	Texte, image, audio, vidéo	Texte, image, audio, vidéo	Texte, image, audio, vidéo	Texte, image, audio, vidéo	Texte, image, audio, vidéo
Modes de sortie	Texte	Texte	Texte	Texte	Texte	Texte	Texte
Fenêtre de contexte, limite totale de jetons	1 048 576	1 048 576	1 048 576	1 048 576	1 048 576	1 048 576	1 048 576
Longueur de contexte de sortie	65 536	65 536	65 536	65 536	65 536	65 536	1 048 576
Ancrage avec la recherche Google
Appel de fonction
Exécution de code
Cache de contexte implicite
Mise en cache explicite du contexte
Inférence par lot
API Gemini Live
Réglage fin
Latence
Date de retrait		21 juillet 2027 ou après	19 mai 2027 ou après	19 novembre 2026	28 janvier 2027	À partir du 2 septembre 2027	13 octobre 2027 ou après

Avant de commencer la migration

Avant de commencer le processus de migration, tenez compte des points suivants :

Sécurité des informations (InfoSec), gouvernance et approbations réglementaires
Disponibilité par zone géographique
Différences de prix basées sur les modes et la tokenisation
Acheter ou modifier des commandes de débit provisionné
Affinage supervisé
Tests de régression

Approbations InfoSec, de gouvernance et réglementaires

Obtenez rapidement les approbations de vos équipes chargées de la sécurité des informations (InfoSec), des risques et de la conformité. Couvrez toutes les règles spécifiques de risque et de conformité, en particulier dans les secteurs réglementés tels que la santé et la finance.

Disponibilité selon l'emplacement

Les modèles Google et des partenaires, ainsi que les fonctionnalités d'IA générative sur Gemini Enterprise Agent Platform, sont disponibles via des points de terminaison régionaux spécifiques et un point de terminaison global. Les points de terminaison globaux couvrent le monde entier et offrent une disponibilité et une fiabilité supérieures à celles des régions uniques.

La disponibilité des points de terminaison régionaux varie selon le modèle. Pour en savoir plus sur chaque modèle, consultez notre guide des emplacements.

Différences de prix basées sur les modes et la tokenisation

Les tarifs varient selon le modèle Gemini. Notre page des tarifs indique les coûts pour toutes les modalités (texte, code, images, parole, etc.) par modèle.

Acheter ou modifier des commandes de débit provisionné

Si nécessaire, achetez du débit provisionné supplémentaire ou modifiez vos commandes de débit provisionné existantes.

Affinage supervisé

Les derniers modèles Gemini offrent une meilleure qualité de sortie. Cela peut signifier que votre application n'a plus besoin d'un modèle réglé. Si votre application utilise l'affinage supervisé avec un ancien modèle Gemini, testez-la d'abord avec le dernier modèle sans affinage et évaluez les résultats.

Si vous choisissez d'utiliser l'affinage supervisé, vous ne pouvez pas déplacer votre modèle affiné existant depuis d'anciennes versions de Gemini. Vous devez exécuter un nouveau job de réglage pour la nouvelle version de Gemini.

Lorsque vous réglez un nouveau modèle Gemini, commencez par les paramètres de réglage par défaut. Ne réutilisez pas les valeurs d'hyperparamètres des versions précédentes de Gemini, car le service de réglage est optimisé pour les dernières versions. La réutilisation d'anciens paramètres ne donnera probablement pas de résultats optimaux.

Test de régression

Lorsque vous passez à la dernière version de Gemini, vous devez effectuer trois principaux types de tests de régression :

Tests de régression du code : tests de régression pour l'ingénierie logicielle et le DevOps. Ce type de test de régression est toujours obligatoire.
Tests de régression des performances du modèle : tests de régression pour la data science ou le machine learning. Ces tests consistent à vérifier que la nouvelle version du modèle Gemini génère des sorties d'aussi bonne qualité que celles de la version précédente.

Les tests de régression des performances du modèle sont des évaluations du modèle effectuées lorsqu'un système ou son modèle sous-jacent change. des biais injustes :
- Tests des performances hors connexion : tests qui évaluent la qualité des sorties du modèle dans un environnement de test dédié, en fonction de différentes métriques de qualité.
- Tests des performances du modèle en ligne : tests qui évaluent la qualité des sorties du modèle dans un déploiement en ligne, en fonction des commentaires implicites ou explicites des utilisateurs.
Tests de charge : ces tests vérifient la capacité de l'application à gérer de nombreuses requêtes simultanées. Les tests de charge sont obligatoires pour les applications qui utilisent le débit provisionné.

Migrer vers la dernière version

Les sections suivantes décrivent les étapes à suivre pour migrer vers la dernière version de Gemini. Pour des résultats optimaux, suivez ces étapes dans l'ordre.

1. Exigences concernant l'évaluation et les tests du modèle

Préparez-vous à répéter toutes les évaluations pertinentes que vous avez effectuées lors de la création de votre application et toutes celles que vous avez effectuées depuis.
Si vos évaluations actuelles ne couvrent pas ou ne mesurent pas entièrement toutes les tâches effectuées par votre application, concevez et préparez d'autres évaluations. Vous pouvez utiliser notre guide d'évaluation et nos recettes d'évaluation pour vous aider à démarrer.
Si votre application implique le RAG, l'utilisation d'outils, des workflows agentiques complexes ou des chaînes de prompts, vérifiez que vos données d'évaluation existantes permettent d'évaluer chaque composant indépendamment. Si ce n'est pas le cas, rassemblez des exemples d'entrées-sorties pour chaque composant.
Si votre application est critique ou fait partie d'un système en temps réel plus vaste visible par l'utilisateur, incluez une évaluation en ligne.

2. Mettre à niveau le code et exécuter des tests

La mise à niveau de votre code nécessite trois modifications principales :

Passer au SDK Google Gen AI
Modifier vos appels Gemini
Corriger les modifications de code destructives

Les sections suivantes décrivent ces modifications plus en détail.

Passer au SDK Google Gen AI

Si votre application Gemini 1.x utilise le SDK Vertex AI, passez au SDK Google Gen AI. Pour en savoir plus, consultez notre guide de migration du SDK Vertex AI, qui inclut des exemples de code pour effectuer des appels similaires avec le SDK Google Gen AI. Les versions du SDK Vertex AI publiées après juin 2026 ne seront pas compatibles avec Gemini, et les nouvelles fonctionnalités de Gemini ne seront disponibles que dans le SDK Google Gen AI.

Nous vous recommandons vivement de passer à la version 2.0.0 ou ultérieure du SDK google-genai pour profiter de toutes les nouvelles fonctionnalités de Gemini 3.5 Flash et des modèles ultérieurs.

Si vous ne connaissez pas le SDK Google Gen AI, consultez le notebook Premiers pas avec l'IA générative de Google à l'aide du SDK Google Gen AI.

Modifier vos appels Gemini

Mettez à jour votre code de prédiction pour utiliser l'un des derniers modèles Gemini. Au minimum, vous devez remplacer le nom du point de terminaison du modèle.

Les modifications exactes du code varient en fonction de la façon dont vous avez créé votre application, et en particulier si vous avez utilisé le SDK Google Gen AI ou le SDK Vertex AI.

Une fois les modifications apportées, effectuez des tests de régression et d'autres tests logiciels pour vous assurer que votre code fonctionne comme prévu. Cette étape vérifie si le code fonctionne, mais pas la qualité des réponses du modèle.

Corriger les modifications de code destructives

Récupération dynamique : utilisez l'ancrage avec la recherche Google. Cette fonctionnalité nécessite le SDK Google Gen AI et n'est pas compatible avec le SDK Vertex AI.
Filtres de contenu : notez les paramètres de filtrage de contenu par défaut. Modifiez votre code s'il utilise un paramètre par défaut qui a changé.
Paramètre d'échantillonnage de jetons Top-K : les modèles postérieurs à gemini-1.0-pro-vision ne permettent pas de modifier le paramètre Top-K.
Raisonnement : Gemini 3 Pro et les modèles ultérieurs utilisent le paramètre thinking_level au lieu de thinking_budget. Pour en savoir plus, consultez Contrôler la réflexion du modèle.
Signatures de pensée : pour Gemini 3 Pro et les modèles ultérieurs, si une signature de pensée est attendue dans un tour, mais n'est pas fournie, le modèle renvoie une erreur au lieu d'un avertissement. Consultez Signatures de réflexion.
Résolution et tokenisation des contenus multimédias : Gemini 3 Pro et les modèles ultérieurs utilisent une longueur de séquence variable pour la tokenisation des contenus multimédias au lieu du Pan and Scan, et ont de nouvelles résolutions par défaut et de nouveaux coûts de jetons pour les images, les PDF et les vidéos. Consultez Compréhension des images et Compréhension des vidéos.
Métadonnées d'utilisation : pour Gemini 3 Pro et les modèles ultérieurs, le nombre de jetons PDF dans usage_metadata est indiqué sous la modalité IMAGE au lieu de DOCUMENT.
Segmentation d'image : la segmentation d'image n'est pas compatible avec Gemini 3 Pro et les modèles ultérieurs.
Réponses de fonction multimodales : pour Gemini 3 Pro et les modèles ultérieurs, vous pouvez inclure des données d'image et PDF dans les réponses de fonction. Consultez Réponses de fonction multimodales.
Traitement des PDF : pour Gemini 3 Pro et les modèles ultérieurs, l'OCR n'est pas utilisé par défaut lors du traitement des PDF numérisés.

À ce stade, ne modifiez que votre code. Vous devrez peut-être apporter d'autres modifications plus tard, mais attendez de commencer votre évaluation. Après vos évaluations, envisagez les ajustements suivants en fonction des résultats :

Si vous utilisiez la récupération dynamique, vous devrez peut-être ajuster les instructions système pour contrôler quand la recherche Google est utilisée (par exemple, "Only generate queries for the Google Search tool if the user asks about sports. Don't generate queries for any other topic."). Toutefois, attendez d'avoir procédé à l'évaluation avant de modifier les requêtes.
Si vous avez utilisé le paramètre Top-K, ajustez les autres paramètres d'échantillonnage de jetons, tels que Top-P, pour obtenir des résultats similaires.

3. Exécuter des évaluations hors connexion

Répétez les évaluations que vous avez effectuées lors du développement et du lancement de votre application, ainsi que toute évaluation hors connexion que vous avez effectuée depuis et toute évaluation supplémentaire que vous avez identifiée à l'étape 1. Si vous estimez que votre évaluation ne reflète pas pleinement votre application, effectuez une évaluation plus approfondie.

Si vous ne disposez pas d'une solution automatique pour exécuter des évaluations hors connexion, envisagez d'utiliser Gen AI Evaluation Service.

Si votre application utilise le réglage, effectuez une évaluation hors connexion avant de reconfigurer votre modèle avec la dernière version de Gemini. Les derniers modèles offrent une meilleure qualité de sortie, ce qui peut signifier que votre application n'a plus besoin d'un modèle réglé.

4. Évaluer les résultats de l'évaluation et régler vos requêtes et hyperparamètres

Si votre évaluation hors connexion révèle une baisse des performances de votre application, améliorez-la jusqu'à ce que ses performances correspondent à celles de l'ancien modèle. Pour ce faire :

Affiner vos requêtes de manière itérative pour améliorer les performances (méthode "hill-climbing"). Si vous débutez avec cette méthode, consultez la formation en ligne sur la méthode hill-climbing avec Gemini Vertex. L'optimiseur de prompts Gemini Enterprise Agent Platform (exemple de notebook) peut également vous aider.
Si votre application est affectée par des modifications destructives apportées à la récupération dynamique et aux valeurs top-K, essayez de modifier les paramètres d'échantillonnage des requêtes et des jetons.

5. Exécuter des tests de charge

Si votre application nécessite un débit minimal, effectuez un test de charge pour vous assurer que sa dernière version répond à vos exigences de débit.

Les tests de charge doivent être effectués avant l'évaluation en ligne, car cette dernière implique d'exposer le modèle au trafic réel. Pour effectuer cette étape, utilisez vos outils et votre instrumentation de test de charge existants.

Si votre application répond déjà aux besoins de débit, envisagez d'utiliser le débit provisionné. Vous aurez besoin d'un débit provisionné supplémentaire à court terme pour couvrir les tests de charge. Votre commande de débit provisionné actuelle sera utilisée pour gérer le trafic de production.

6. (Facultatif) Exécuter des évaluations en ligne

N'effectuez l'évaluation en ligne que si votre évaluation hors connexion indique une bonne qualité de sortie de Gemini et qu'elle est requise par votre application.

L'évaluation en ligne est un type spécifique de test en ligne. Essayez d'utiliser les outils et les méthodes existants de votre organisation pour l'effectuer. Exemple :

Si votre organisation effectue régulièrement des tests A/B, effectuez-en un pour comparer la version actuelle de votre application avec la dernière version de Gemini.
Si votre organisation utilise régulièrement des déploiements Canary, utilisez-les avec les derniers modèles et mesurez les changements de comportement des utilisateurs.

Vous pouvez également effectuer une évaluation en ligne en ajoutant de nouvelles fonctionnalités de commentaires et de mesure à votre application. Chaque application nécessite des méthodes de feedback différentes. Exemple :

Ajoutez des boutons "J'aime" et "Je n'aime pas" à côté des sorties du modèle, et comparez les taux entre un ancien modèle et les derniers modèles Gemini.
Présentez aux utilisateurs les sorties de l'ancien modèle et des derniers modèles côte à côte, et demandez-leur de choisir celles qu'ils préfèrent.
Mesurez la fréquence à laquelle les utilisateurs remplacent ou ajustent manuellement les sorties de l'ancien modèle par rapport à celles des modèles les plus récents.

Ces méthodes de commentaires nécessitent souvent d'exécuter la dernière version de Gemini en parallèle de votre version existante. Ce déploiement parallèle est parfois appelé "mode shadow" ou "déploiement bleu-vert".

Si les résultats de l'évaluation en ligne sont très différents de ceux de l'évaluation hors connexion, cela signifie que votre évaluation hors connexion ne couvre pas les aspects clés de l'environnement en direct ou de l'expérience utilisateur. Utilisez les résultats de l'évaluation en ligne pour créer une évaluation hors connexion qui s'en rapproche, puis revenez à l'étape 3.

Si vous utilisez le débit provisionné, vous devrez peut-être acheter temporairement du débit provisionné supplémentaire pour continuer à répondre aux besoins en débit des utilisateurs effectuant l'évaluation en ligne.

7. Déployer en production

Une fois que votre évaluation montre que le dernier modèle Gemini est aussi performant ou plus performant qu'un ancien modèle, remplacez la version existante de l'application par la nouvelle version. Suivez les procédures standards de votre organisation pour le déploiement en production.

Si vous utilisez le débit provisionné, modifiez votre commande de débit provisionné pour le modèle Gemini de votre choix. Si vous déployez votre application progressivement, utilisez le débit provisionné à court terme pour répondre aux besoins de débit des deux modèles Gemini.

Mises à jour des paramètres et bonnes pratiques dans Gemini 3.x

Les informations suivantes s'appliquent à tous les modèles Gemini 3.x, y compris Gemini 3.5 Flash. Elles ont été introduites avec Gemini 3 et sont listées ici à titre de rappel.

Paramètres d'échantillonnage (obsolètes)

temperature, top_p et top_k ne sont plus recommandés pour tous les modèles Gemini 3.x. Le modèle gère son propre échantillonnage pour des résultats optimaux. Supprimez ces paramètres de toutes les requêtes.

Pour maximiser le déterminisme, nous vous recommandons de définir une instruction système avec des règles explicites pour votre cas d'utilisation spécifique.

`thinking_budget` (obsolète)

Le paramètre numérique brut thinking_budget n'est plus recommandé pour tous les modèles Gemini 3.x et renvoie une erreur de validation HTTP 400 sur les modèles Gemini 4. Utilisez plutôt l'énumération de chaîne thinking_level.

Appel de fonction : correspondance stricte des réponses

L'API ne renvoie pas encore d'erreur, mais les réponses non concordantes entraînent le renvoi de réponses vides avec finish_reason: STOP dans la plupart des cas. Suivez toujours ces conventions :

Inclure id : chaque FunctionResponse doit inclure le id du FunctionCall correspondant.
Correspondance name : l'élément name de la réponse doit correspondre à l'élément name de l'appel.
Nombre de correspondances : renvoie exactement un FunctionResponse pour chaque FunctionCall reçu.

Réponses de fonction multimodales

Lorsque vous fournissez du contenu multimodal (comme des images) en réponse à un appel de fonction, incluez le contenu dans les parties de la réponse de la fonction, et non en dehors. Cela évite les comportements inattendus du modèle, comme la fuite de pensées.

Instructions intégrées avec réponse de la fonction

Si vous devez fournir des instructions de plate-forme avec les réponses de fonction, ajoutez-les à la fin du texte de la réponse de fonction, séparées par deux sauts de ligne, plutôt que sous forme de parties distinctes.

Réduire les appels d'outils inutiles

Si vous constatez une utilisation excessive des appels d'outils : 1. Réduisez le niveau de réflexion (medium, low ou minimal). 2. Ajoutez une instruction système pour limiter l'utilisation des outils (par exemple, "You have a limited action budget of <n> tool calls. Use them efficiently.").

Checklist de la migration

Utilisez les checklists suivantes comme référence rapide lors de la migration depuis des versions de modèle précédentes :

De Gemini 3.1 Pro (preview) à Gemini 4 Argon

Mettez à jour le nom du modèle : gemini-3.1-pro-preview → gemini-4-argon (ou gemini-4-argon-cyber-permissive pour les charges de travail de cybersécurité approuvées par Fairwind) et passez au dernier SDK Google Gen AI (google-genai >= 2.30.1 pour Python).
Tenez compte de la limite unifiée de 1 048 576 jetons pour les entrées et les sorties (où les sorties incluent le raisonnement, les appels de fonction et la réponse finale) et de la limite de 65 536 jetons pour les sorties d'une seule requête (32 768 jetons pour les appels HTTP directs sans streaming). Pour les sorties à un seul tour jusqu'à 1 048 576 jetons, configurez des décodages longs sur GenerateContent (gérés automatiquement dans le SDK Google Gen AI lorsque max_output_tokens est défini sur une valeur supérieure à 65 536, ou à l'aide de continuation_token dans les boucles personnalisées).
Remplacez thinking_budget et thinking_level="MINIMAL" (qui renvoient tous deux une erreur HTTP 400) par thinking_level défini sur LOW, MEDIUM (par défaut sur gemini-4-argon) ou HIGH (par défaut sur gemini-4-argon-cyber-permissive).
Supprimez les appels cached_content explicites. Placez les préfixes de requête statiques (6 144 jetons ou plus) au début des requêtes pour une mise en cache implicite automatique.
Supprimez les tours temperature, top_p, top_k, frequency_penalty, presence_penalty, candidate_count et model préremplis.
Pour en savoir plus, consultez Migrer depuis Gemini 3.1 Pro et le guide du développeur pour Gemini 4 Argon.

Depuis Gemini 3 Flash Preview

Mettre à jour le nom du modèle : gemini-3-flash-preview → gemini-3.5-flash.
Consultez les tarifs. Gemini 3.5 Flash est plus cher que Gemini 3 Flash Preview.
Supprimez temperature, top_p et top_k de votre configuration.
Remplacez thinking_budget par thinking_level.
Testez vos prompts. L'effort par défaut est passé de high à medium.
La préservation des pensées est désormais activée par défaut. Le contexte de raisonnement est conservé d'un tour à l'autre.
Réduisez les appels d'outils inutiles en ajustant le niveau de réflexion ou en ajoutant des instructions système.
Atténuer la flagornerie : si gemini-3.5-flash commence à montrer des signes de flagornerie, vous pouvez essayer d'atténuer ce comportement via ses instructions système en ajoutant ce qui suit : - Keep your responses concise. - Provide a summary of your work when you end your turn. Ground your response in the work you did. Keep your tone professional and avoid overconfident language, bragging, or overclaiming success. - AVOID using superlatives such as "perfectly", "flawlessly", "100% correct", "Summary of Accomplishments" etc. to summarize your work for the user. Be humble. - AVOID over-the-top politeness or complimenting the user excessively. - Format your responses in github-style markdown.

Depuis Gemini 2.5

Testez les charges de travail de PDF et de documents. La consommation de jetons pour les PDF peut augmenter.
Simplifiez les requêtes. Essayez thinking_level: "medium" ou "high" avec des prompts plus simples au lieu de prompts par chaîne de pensée complexes.
Exploitez l'utilisation combinée d'outils (recherche, contexte de l'URL, exécution de code, fonctions).
Déplacez le contenu multimodal dans les parties de la réponse de la fonction.
Ajoutez des instructions intégrées au texte de réponse de la fonction.

Améliorer les performances du modèle

Lors de la migration, appliquez ces conseils pour obtenir des performances optimales du modèle Gemini que vous avez choisi :

Pour tous les modèles Gemini 3, les paramètres d'échantillonnage (temperature, top_p et top_k) sont obsolètes. Le modèle gère son propre échantillonnage pour des résultats optimaux. Google recommande de supprimer ces paramètres de toutes les requêtes.
Examinez vos instructions système, vos requêtes et vos exemples d'apprentissage few-shot pour détecter les incohérences, les contradictions, ou les instructions et exemples non pertinents.
Testez un modèle plus puissant. Par exemple, si vous avez évalué un modèle Flash-Lite, essayez plutôt un modèle Flash ou Pro.
Examinez les résultats de l'évaluation automatisée pour vous assurer qu'ils correspondent à ceux du jugement humain, en particulier les résultats qui utilisent un modèle d'évaluation. Assurez-vous que les instructions de votre modèle d'évaluation sont claires, cohérentes et sans ambiguïté.
Pour améliorer les instructions du modèle d'évaluation, testez-les avec plusieurs personnes travaillant de manière isolée. Si ces personnes interprètent les instructions différemment et ont des jugements différents, les instructions de votre modèle d'évaluation ne sont pas claires.
Affiner le modèle.
Examinez les résultats de l'évaluation pour rechercher des tendances de types d'échecs spécifiques. En regroupant les échecs par modèle, type ou catégorie, vous pouvez obtenir des données d'évaluation plus ciblées et ainsi ajuster plus facilement les requêtes pour corriger ces erreurs.
Assurez-vous d'évaluer indépendamment les différents composants d'IA générative.
Essayez d'ajuster les paramètres d'échantillonnage des jetons.

Obtenir de l'aide

Si vous avez besoin d'aide, Google Cloud propose des formules d'assistance répondant à différents besoins, telles que la couverture 24h/24, 7j/7, l'assistance téléphonique et l'accès à un responsable de l'assistance technique. Pour plus d'informations, consultez la page sur l'assistanceGoogle Cloud .

Étapes suivantes

Guide