Les modèles graphiques gaussiens (GGM) constituent la pierre angulaire de l'analyse de dépendance en statistique. De nombreux GGM ont été formulés qui introduisent une pénalité pour induire la parcimonie dans la matrice de précision, le plus connu étant le LASSO graphique (GLasso). Dans le cadre bayésien, la pénalité GLasso peut être introduite par le choix d'a priori sur les éléments de la matrice de précision. Cependant, ces modèles bayésiens présentent une charge de calcul importante en raison de leur dépendance aux méthodes de Monte Carlo par chaînes de Markov (MCMC). Dans cette présentation, je propose une approche d'inférence variationnelle stochastique (SVI) pour le GLasso, qui évite les MCMC. Je décrirai les détails de cette approche et comment elle peut être utilisée pour obtenir des approximations du postérieur. Je présenterai les résultats de simulations vérifiant la fiabilité de l'inférence effectuée à l'aide de cette approche, ainsi qu'une comparaison des temps de calcul. Je présenterai également une brève application des données et comparerai les résultats de la SVI à ceux du GLasso bayésien classique.