diff --git a/.nojekyll b/.nojekyll
index 75b8096..a359e39 100644
--- a/.nojekyll
+++ b/.nojekyll
@@ -1 +1 @@
-ad0c85a5
\ No newline at end of file
+eb78a10b
\ No newline at end of file
diff --git a/search.json b/search.json
index c0c8cf2..79d483d 100644
--- a/search.json
+++ b/search.json
@@ -354,14 +354,14 @@
     "href": "slides/fr/index.html#le-défi-de-la-responsabilité",
     "title": "Une introduction au MLOps avec MLflow",
     "section": "Le défi de la responsabilité",
-    "text": "Le défi de la responsabilité\n\n\nLe cycle de vie d’un modèle ML est complexe\nPlusieurs parties prenantes impliquées :\n\nData scientist\nIT/DevOps\nEquipes métiers\n\nExpertises et vocabulaire différents entre ces parties prenantes\n\n. . .\n➡️ Communication essentielle entre les équipes pour contrôler le modèle en production"
+    "text": "Le défi de la responsabilité\n\n\nLe cycle de vie d’un modèle ML est complexe\nPlusieurs parties prenantes impliquées :\n\nData scientist\nIT/DevOps\nEquipes métiers\n\nExpertises et vocabulaire différents entre ces parties prenantes\n\n➡️ Communication essentielle entre les équipes pour contrôler le modèle en production"
   },
   {
     "objectID": "slides/fr/index.html#pourquoi-surveiller-un-modèle-en-production",
     "href": "slides/fr/index.html#pourquoi-surveiller-un-modèle-en-production",
     "title": "Une introduction au MLOps avec MLflow",
     "section": "Pourquoi surveiller un modèle en production ?",
-    "text": "Pourquoi surveiller un modèle en production ?\n\n\nDétecter des données biaisées : adéquation entre les données de production et données d’entrainement\nAnticiper une instabilité du modèle : performance du modèle stable au fil du temps\nAméliorer de manière continue le modèle : ré-entrainements réguliers\n\n. . .\n⚠️ Le mot surveillance d’une application/modèle a des définitions différentes en fonction de l’équipe où l’on se trouve."
+    "text": "Pourquoi surveiller un modèle en production ?\n\n\nDétecter des données biaisées : adéquation entre les données de production et données d’entrainement\nAnticiper une instabilité du modèle : performance du modèle stable au fil du temps\nAméliorer de manière continue le modèle : ré-entrainements réguliers\n\n⚠️ Le mot surveillance d’une application/modèle a des définitions différentes en fonction de l’équipe où l’on se trouve."
   },
   {
     "objectID": "slides/fr/index.html#surveillance-selon-linformaticien",
@@ -375,14 +375,14 @@
     "href": "slides/fr/index.html#surveillance-selon-le-data-scientist",
     "title": "Une introduction au MLOps avec MLflow",
     "section": "Surveillance selon le data scientist",
-    "text": "Surveillance selon le data scientist\n::: {.nonincremental}\n\nSurveiller un modèle ML est partie intégrante de l’approche MLOps\nContrôle méthodologique du modèle\nPerformance en temps réel du modèle souvent impossible, utilisation de proxys :\n\ndonnées d’entrées (distributions des variables, analyse des données manquantes…)\nprédictions du modèle (distributions et statistiques descriptives des valeurs prédites)"
+    "text": "Surveillance selon le data scientist\n\n\nSurveiller un modèle ML est partie intégrante de l’approche MLOps\nContrôle méthodologique du modèle\nPerformance en temps réel du modèle souvent impossible, utilisation de proxys :\n\ndonnées d’entrées (distributions des variables, analyse des données manquantes…)\nprédictions du modèle (distributions et statistiques descriptives des valeurs prédites)"
   },
   {
     "objectID": "slides/fr/index.html#comment-surveiller-un-modèle-en-production",
     "href": "slides/fr/index.html#comment-surveiller-un-modèle-en-production",
     "title": "Une introduction au MLOps avec MLflow",
     "section": "Comment surveiller un modèle en production ?",
-    "text": "Comment surveiller un modèle en production ?\n::: {.nonincremental}\n\nIntégration de logs dans l’API\nRécupération et mise en forme des logs\nSuivi de métriques de ML\nMise en place d’un système d’alertes"
+    "text": "Comment surveiller un modèle en production ?\n\n\nIntégration de logs dans l’API\nRécupération et mise en forme des logs\nSuivi de métriques de ML\nMise en place d’un système d’alertes"
   },
   {
     "objectID": "slides/fr/index.html#application-5-1",
diff --git a/sitemap.xml b/sitemap.xml
index 02f9a76..6b3830a 100644
--- a/sitemap.xml
+++ b/sitemap.xml
@@ -2,10 +2,10 @@
 <urlset xmlns="http://www.sitemaps.org/schemas/sitemap/0.9">
   <url>
     <loc>https://github.com/InseeFrLab/formation-mlops/slides/fr/index.html</loc>
-    <lastmod>2023-11-22T11:09:40.754Z</lastmod>
+    <lastmod>2023-11-22T12:27:59.045Z</lastmod>
   </url>
   <url>
     <loc>https://github.com/InseeFrLab/formation-mlops/slides/en/index.html</loc>
-    <lastmod>2023-11-22T11:09:29.798Z</lastmod>
+    <lastmod>2023-11-22T12:27:48.925Z</lastmod>
   </url>
 </urlset>
diff --git a/slides/fr/index.html b/slides/fr/index.html
index d1989e5..e4bebe8 100644
--- a/slides/fr/index.html
+++ b/slides/fr/index.html
@@ -1581,7 +1581,6 @@ <h2>Le défi de la responsabilité</h2>
 </ul></li>
 <li><span class="orange"><strong>Expertises</strong></span> et <span class="orange"><strong>vocabulaire</strong></span> différents entre ces parties prenantes</li>
 </ul>
-<p>. . .</p>
 <p>➡️ <span class="orange"><strong>Communication</strong></span> essentielle entre les équipes pour <span class="orange"><strong>contrôler</strong></span> le modèle en production</p>
 </div>
 </section>
@@ -1593,7 +1592,6 @@ <h2>Pourquoi surveiller un modèle en production ?</h2>
 <li>Anticiper une <span class="orange"><strong>instabilité du modèle</strong></span> : performance du modèle stable au fil du temps</li>
 <li><span class="orange"><strong>Améliorer</strong></span> de manière continue le modèle : ré-entrainements réguliers</li>
 </ul>
-<p>. . .</p>
 <p>⚠️ Le mot <span class="red2"><strong>surveillance</strong></span> d’une application/modèle a des définitions différentes en fonction de l’équipe où l’on se trouve.</p>
 </div>
 </section>
@@ -1614,26 +1612,28 @@ <h2>Surveillance selon l’informaticien</h2>
 </section>
 <section id="surveillance-selon-le-data-scientist" class="slide level2" data-background-image="background.svg" data-background-size="contain">
 <h2>Surveillance selon le data scientist</h2>
-<p>::: {.nonincremental}</p>
+<div>
 <ul>
-<li class="fragment">Surveiller un modèle ML est partie intégrante de l’approche <span class="orange"><strong>MLOps</strong></span></li>
-<li class="fragment">Contrôle <span class="orange"><strong>méthodologique</strong></span> du modèle</li>
-<li class="fragment">Performance en <span class="orange"><strong>temps réel</strong></span> du modèle souvent impossible, utilisation de proxys :
+<li>Surveiller un modèle ML est partie intégrante de l’approche <span class="orange"><strong>MLOps</strong></span></li>
+<li>Contrôle <span class="orange"><strong>méthodologique</strong></span> du modèle</li>
+<li>Performance en <span class="orange"><strong>temps réel</strong></span> du modèle souvent impossible, utilisation de proxys :
 <ul>
-<li class="fragment"><span class="blue2"><strong>données d’entrées</strong></span> (distributions des variables, analyse des données manquantes…)</li>
-<li class="fragment"><span class="blue2"><strong>prédictions</strong></span> du modèle (distributions et statistiques descriptives des valeurs prédites)</li>
+<li><span class="blue2"><strong>données d’entrées</strong></span> (distributions des variables, analyse des données manquantes…)</li>
+<li><span class="blue2"><strong>prédictions</strong></span> du modèle (distributions et statistiques descriptives des valeurs prédites)</li>
 </ul></li>
 </ul>
+</div>
 </section>
 <section id="comment-surveiller-un-modèle-en-production" class="slide level2" data-background-image="background.svg" data-background-size="contain">
 <h2>Comment surveiller un modèle en production ?</h2>
-<p>::: {.nonincremental}</p>
+<div>
 <ul>
-<li class="fragment">Intégration de <span class="orange"><strong>logs</strong></span> dans l’API</li>
-<li class="fragment">Récupération et mise en forme des logs</li>
-<li class="fragment">Suivi de <span class="orange"><strong>métriques</strong></span> de ML</li>
-<li class="fragment">Mise en place d’un système d’<span class="orange"><strong>alertes</strong></span></li>
+<li>Intégration de <span class="orange"><strong>logs</strong></span> dans l’API</li>
+<li>Récupération et mise en forme des logs</li>
+<li>Suivi de <span class="orange"><strong>métriques</strong></span> de ML</li>
+<li>Mise en place d’un système d’<span class="orange"><strong>alertes</strong></span></li>
 </ul>
+</div>
 </section>
 <section id="application-5-1" class="slide level2 scrollable" data-background-image="background.svg" data-background-size="contain">
 <h2>Application 5</h2>