{"templateName":"base-page-template54","cssClassNames":"page basicpage summit-page","allowedRenditionsWidth":["320","480","640","768","960","1200","1440","1920"],"description":"Un guide complet sur l'intelligence artificielle, couvrant les types d'IA, son fonctionnement, les cas d'usage, la gouvernance en entreprise et les données qui la sous-tendent.\r\n","language":"fr","title":"Intelligence artificielle : Guide complet | Snowflake","analyticsPageType":"homepage","analyticsCategory":"general","analyticsSubCategory":"","excludeFromAnalytics":false,":hierarchyType":"page",":path":"/content/snowflake-site/global/fr/artificial-intelligence",":mappedPath":"/fr/artificial-intelligence/",":type":"snowflake-site/components/structure/page",":items":{"root":{"columnCount":12,"columnClassNames":{"markup_editor_928258845":"aem-GridColumn aem-GridColumn--default--12","experiencefragment-banner":"aem-GridColumn aem-GridColumn--default--12","experiencefragment-header":"aem-GridColumn aem-GridColumn--default--12","responsivegrid":"aem-GridColumn aem-GridColumn--default--12","markup_editor_597730182":"aem-GridColumn aem-GridColumn--default--12","experiencefragment-footer":"aem-GridColumn aem-GridColumn--default--12","experiencefragment":"aem-GridColumn aem-GridColumn--default--12","modal_container":"aem-GridColumn aem-GridColumn--default--12","markup_editor":"aem-GridColumn aem-GridColumn--default--12"},"gridClassNames":"aem-Grid aem-Grid--12 aem-Grid--default--12",":items":{"experiencefragment-banner":{"id":"experiencefragment-9b2fe15587","localizedFragmentVariationPath":"/content/experience-fragments/snowflake-site/language-masters/fr/site/pushdown-banner/master/jcr:content","configured":true,":type":"snowflake-site/components/experiencefragment","xfModelPath":"/content/experience-fragments/snowflake-site/language-masters/fr/site/pushdown-banner/master.xfmodel.json?callerPage=/content/snowflake-site/global/fr/artificial-intelligence"},"experiencefragment-header":{"id":"experiencefragment-f910e18b4d","localizedFragmentVariationPath":"/content/experience-fragments/snowflake-site/language-masters/fr/site/mega-nav-header/master/jcr:content","configured":true,":type":"snowflake-site/components/experiencefragment","xfModelPath":"/content/experience-fragments/snowflake-site/language-masters/fr/site/mega-nav-header/master.xfmodel.json?callerPage=/content/snowflake-site/global/fr/artificial-intelligence"},"responsivegrid":{"columnCount":12,"columnClassNames":{"container_copy":"aem-GridColumn aem-GridColumn--default--12","container_626207224_":"aem-GridColumn aem-GridColumn--default--12"},"gridClassNames":"aem-Grid aem-Grid--12 aem-Grid--default--12",":items":{"container_copy":{"layout":"RESPONSIVE_GRID","columnCount":12,"columnClassNames":{"container":"aem-GridColumn aem-GridColumn--default--12"},"gridClassNames":"aem-Grid aem-Grid--12 aem-Grid--default--12","id":"hero",":type":"snowflake-site/components/container",":items":{"container":{"layout":"RESPONSIVE_GRID","columnCount":12,"columnClassNames":{"flexible_column_cont":"aem-GridColumn aem-GridColumn--default--12","flexible_column_cont_841934424":"aem-GridColumn aem-GridColumn--default--12","flexible_column_cont_1454163424":"aem-GridColumn aem-GridColumn--default--12"},"gridClassNames":"aem-Grid aem-Grid--12 aem-Grid--default--12","id":"container-df4f30d678",":type":"snowflake-site/components/container",":items":{"flexible_column_cont":{"id":"flexible-column-container-9b5c734e73","type":"1-column","alignColumns":"top","containerMaxWidth":"extra-large","topPadding":"extra-small","bottomPadding":"none","spaceBetween":"small","reverseOnMobile":false,"carouselOnMobile":false,"backgroundImageOption":"none","flexible_column_content_container_1":{"layout":"SIMPLE","id":"container-78b13eaf9f",":type":"snowflake-site/components/flexible-column-container/flexible-column-content-container",":items":{"breadcrumb":{"id":"breadcrumb-a5aad1f5bd","items":[{"id":"breadcrumb-a5aad1f5bd-item-cb93a03c0a","link":{"valid":true,"url":"/fr/"},"active":false,"current":false,"title":"Français",":type":"snowflake-site/components/structure/page","appliedCssClassNames":"summit-page"},{"id":"breadcrumb-a5aad1f5bd-item-8fdfff6b6b","link":{"valid":true,"url":"/fr/artificial-intelligence/"},"active":true,"current":true,"title":"Intelligence artificielle",":type":"snowflake-site/components/structure/page","appliedCssClassNames":"summit-page"}],":type":"snowflake-site/components/breadcrumb"}},":itemsOrder":["breadcrumb"]},":type":"snowflake-site/components/flexible-column-container","isBlogPage":false,"isActiveTOC":false},"flexible_column_cont_1454163424":{"id":"flexible-column-container-4065c73f1e","type":"2-column-even","alignColumns":"center","containerMaxWidth":"extra-large","topPadding":"small","bottomPadding":"medium","spaceBetween":"small","reverseOnMobile":false,"carouselOnMobile":false,"backgroundImageOption":"none","flexible_column_content_container_1":{"additionalClasses":"seo-pillar-hero__content","layout":"SIMPLE","id":"container-ace42fac87",":type":"snowflake-site/components/flexible-column-container/flexible-column-content-container",":items":{"text_copy":{"id":"text-5975c76ef1","additionalClasses":"eyebrow-text","text":"\u003Cp style=\"padding-top: 8.0px;\"\u003EGuide de référence\u003C/p\u003E\n","richText":true,":type":"snowflake-site/components/text","appliedCssClassNames":"text-size-regular text-color-text-02"},"title_v2":{"id":"title-v2-4f083183a4","additionalClasses":"hub-hero__headline","type":"heading1","lines":["Intelligence artificielle : le guide complet"],":type":"snowflake-site/components/title-v2","appliedCssClassNames":"left-alignment"},"text":{"id":"text-4ec4440c69","additionalClasses":"seo-hub-hero__subheadline","text":"\u003Cp\u003EL’IA d’entreprise est déjà en production, mais l’architecture, la stratégie data et la gouvernance sont encore en phase de rattrapage. Ce guide décrit comment les systèmes d'IA sont conçus, dans quels cas ils réussissent ou échouent, et ce que les entreprises doivent prendre en compte pour les gérer efficacement.\u003C/p\u003E\n","richText":true,":type":"snowflake-site/components/text","appliedCssClassNames":"text-color-text-05"},"container":{"additionalClasses":"hub-hero__authors","layout":"RESPONSIVE_GRID","columnCount":12,"columnClassNames":{"content_chip_copy":"aem-GridColumn aem-GridColumn--default--12","content_chip":"aem-GridColumn aem-GridColumn--default--12"},"gridClassNames":"aem-Grid aem-Grid--12 aem-Grid--default--12","id":"container-2636a511a0",":type":"snowflake-site/components/container",":items":{"content_chip_copy":{"id":"content-chip-ea33aa777f","cta":{"id":"cta","showOutboundIcon":false,"linkTargetContentType":"GENERIC",":type":"snowflake-site/components/button","linkType":"SNOWFLAKE_INTERNAL","text":"Lire la biographie"},"image":{"id":"image","height":"800","src":"https://www.snowflake.com/adobe/dynamicmedia/deliver/dm-aid--d2c1126d-3244-486b-9007-1d2bc56e1893/laurie-macpherson.jpg?quality=85&preferwebp=true","lazyEnabled":true,"alt":"Laurie MacPherson","width":"800",":type":"snowflake-site/components/image"},"headline":{"id":"title","type":"heading5","lines":["Laurie MacPherson","Technical Writer, Snowflake"],":type":"snowflake-site/components/title-v2"},":type":"snowflake-site/components/content-chip"},"content_chip":{"id":"content-chip-93712a43c7","cta":{"id":"cta","showOutboundIcon":false,"buttonLink":{"valid":true,"url":"https://www.snowflake.com/en/blog/authors/tracy-kabuya/"},"linkTargetContentType":"GENERIC",":type":"snowflake-site/components/button","linkType":"SNOWFLAKE_EXTERNAL","text":"Lire la biographie"},"image":{"id":"image","height":"709","src":"https://www.snowflake.com/adobe/dynamicmedia/deliver/dm-aid--9ad7a3c0-e23e-4370-bc36-f59a5fe02eff/img-1817.jpg?quality=85&preferwebp=true","lazyEnabled":true,"alt":"Tracy Kabuya","width":"709",":type":"snowflake-site/components/image"},"headline":{"id":"title","type":"heading5","lines":["Tracy Kabuya","Contributrice locale, Snowflake"],":type":"snowflake-site/components/title-v2"},":type":"snowflake-site/components/content-chip"}},":itemsOrder":["content_chip_copy","content_chip"],"appliedCssClassNames":"snowflake-responsive-container-inner-padding-small"}},":itemsOrder":["text_copy","title_v2","text","container"],"appliedCssClassNames":"snowflake-responsive-container-inner-padding-small"},"flexible_column_content_container_2":{"additionalClasses":"seo-hub-hero__video","layout":"SIMPLE","id":"container-a4cb065374",":type":"snowflake-site/components/flexible-column-container/flexible-column-content-container",":items":{"youtube":{"id":"embed-f6282f89bf","youtubeVideoId":"-HWNc-Hd90U","layout":"responsive","youtubeAspectRatio":"56.25","youtubeAutoPlay":false,"youtubeLoop":false,"youtubeMute":false,"youtubePlaysInline":false,"youtubeRel":false,"embeddableResourceType":"core/wcm/components/embed/v1/embed/embeddable/youtube","type":"EMBEDDABLE",":type":"snowflake-site/components/youtube"}},":itemsOrder":["youtube"]},":type":"snowflake-site/components/flexible-column-container","isBlogPage":false,"isActiveTOC":false},"flexible_column_cont_841934424":{"id":"flexible-column-container-5023fdc43b","type":"1-column","alignColumns":"top","containerMaxWidth":"extra-large","topPadding":"extra-small","bottomPadding":"medium","spaceBetween":"small","reverseOnMobile":false,"carouselOnMobile":false,"propertiesCSSClasses":"border-top","backgroundImageOption":"none","flexible_column_content_container_1":{"additionalClasses":"related-topics-outer-container","layout":"SIMPLE","id":"container-979ae5bb2f",":type":"snowflake-site/components/flexible-column-container/flexible-column-content-container",":items":{"text_894059747":{"id":"text-540e32a9e9","text":"\u003Cp\u003ESujets sur l'intelligence artificielle :\u003C/p\u003E\n","richText":true,":type":"snowflake-site/components/text","appliedCssClassNames":"text-size-regular text-color-text-05"},"text":{"id":"text-d48bacc8f8","additionalClasses":"related-topics","text":"\u003Cul\u003E\n\u003Cli\u003E\u003Ca href=\"https://www.snowflake.com/fr/artificial-intelligence/ai-governance/ai-compliance/\"\u003EConformité\u003C/a\u003E\u003C/li\u003E\n\u003Cli\u003E\u003Ca href=\"https://www.snowflake.com/fr/artificial-intelligence/ai-governance/ai-ethics/\"\u003EÉthique de l’IA\u003C/a\u003E\u003C/li\u003E\n\u003Cli\u003E\u003Ca href=\"https://www.snowflake.com/en/artificial-intelligence/ai-governance/\"\u003EGouvernance de l’IA\u003C/a\u003E\u003C/li\u003E\n\u003Cli\u003E\u003Ca href=\"https://www.snowflake.com/fr/artificial-intelligence/business\"\u003EL’IA en entreprise\u003C/a\u003E\u003C/li\u003E\n\u003Cli\u003E\u003Ca href=\"https://www.snowflake.com/fr/artificial-intelligence/observability/\"\u003EObservabilité de l’IA\u003C/a\u003E\u003C/li\u003E\n\u003Cli\u003E\u003Ca href=\"https://www.snowflake.com/fr/artificial-intelligence/ai-governance/ai-risk-management/\"\u003EGestion des risques :\u003C/a\u003E\u003C/li\u003E\n\u003Cli\u003E\u003Ca href=\"https://www.snowflake.com/en/artificial-intelligence/ai-governance/ai-traceability/\"\u003ETraçabilité par IA\u003C/a\u003E\u003C/li\u003E\n\u003Cli\u003E\u003Ca href=\"https://www.snowflake.com/fr/artificial-intelligence/ai-governance/ai-transparency/\"\u003ETransparence\u003C/a\u003E\u003C/li\u003E\n\u003Cli\u003E\u003Ca href=\"https://www.snowflake.com/fr/artificial-intelligence/ai-governance/algorithmic-bias/\"\u003EBiais algorithmiques\u003C/a\u003E\u003C/li\u003E\n\u003Cli\u003E\u003Ca href=\"https://www.snowflake.com/fr/artificial-intelligence/ai-governance/algorithmic-bias/\"\u003EDeep learning\u003C/a\u003E\u003C/li\u003E\n\u003Cli\u003E\u003Ca href=\"https://www.snowflake.com/fr/artificial-intelligence/ai-governance/eu-ai-act/\"\u003ERèglement européen sur l'IA\u003C/a\u003E\u003C/li\u003E\n\u003Cli\u003E\u003Ca href=\"https://www.snowflake.com/fr/artificial-intelligence/machine-learning/feature-engineering/\"\u003EIngénierie des caractéristiques\u003C/a\u003E\u003C/li\u003E\n\u003Cli\u003E\u003Ca href=\"https://www.snowflake.com/fr/artificial-intelligence/ai-governance/iso-42001/\"\u003EISO/IEC 42001\u003C/a\u003E\u003C/li\u003E\n\u003Cli\u003E\u003Ca href=\"https://www.snowflake.com/fr/artificial-intelligence/machine-learning/\"\u003EMachine learning\u003C/a\u003E\u003C/li\u003E\n\u003Cli\u003E\u003Ca href=\"https://www.snowflake.com/fr/artificial-intelligence/machine-learning/inference/\"\u003EInférence\u003C/a\u003E\u003C/li\u003E\n\u003Cli\u003E\u003Ca href=\"https://www.snowflake.com/fr/artificial-intelligence/machine-learning/mlops/\"\u003EMLOps\u003C/a\u003E\u003C/li\u003E\n\u003Cli\u003E\u003Ca href=\"https://www.snowflake.com/fr/artificial-intelligence/ai-governance/responsible-ai/\"\u003EIA responsable\u003C/a\u003E\u003C/li\u003E\n\u003C/ul\u003E\n","richText":true,":type":"snowflake-site/components/text","appliedCssClassNames":"text-size-small"}},":itemsOrder":["text_894059747","text"]},":type":"snowflake-site/components/flexible-column-container","isBlogPage":false,"isActiveTOC":false}},":itemsOrder":["flexible_column_cont","flexible_column_cont_1454163424","flexible_column_cont_841934424"],"appliedCssClassNames":"snowflake-container"}},":itemsOrder":["container"],"appliedCssClassNames":"ui-background-05 snowflake-responsive-container-inner-padding-small"},"container_626207224_":{"layout":"RESPONSIVE_GRID","columnCount":12,"columnClassNames":{"container_1561483981_602520842":"aem-GridColumn aem-GridColumn--default--12","container_805795510":"aem-GridColumn aem-GridColumn--default--12","container_1561483981":"aem-GridColumn aem-GridColumn--default--12"},"gridClassNames":"aem-Grid aem-Grid--12 aem-Grid--default--12","id":"hubBody",":type":"snowflake-site/components/container",":items":{"container_805795510":{"layout":"RESPONSIVE_GRID","columnCount":12,"columnClassNames":{"flexible_column_cont":"aem-GridColumn aem-GridColumn--default--12"},"gridClassNames":"aem-Grid aem-Grid--12 aem-Grid--default--12","id":"container-b5aa7aff1f",":type":"snowflake-site/components/container",":items":{"flexible_column_cont":{"id":"flexible-column-container-c643b5e107","type":"2-column-60-40","alignColumns":"top","containerMaxWidth":"extra-large","topPadding":"medium","bottomPadding":"large","spaceBetween":"small","reverseOnMobile":false,"carouselOnMobile":false,"propertiesCSSClasses":"hub-body","backgroundImageOption":"none","flexible_column_content_container_1":{"additionalClasses":"longform-content","layout":"SIMPLE","id":"container-df770f7b3f",":type":"snowflake-site/components/flexible-column-container/flexible-column-content-container",":items":{"text_1521899678":{"id":"text-5f93da123d","additionalClasses":"callout callout--general","text":"\u003Cp\u003E\u003Cb\u003EDÉFINITION DE L’INTELLIGENCE ARTIFICIELLE\u003C/b\u003E\u003C/p\u003E\r\n\u003Cp\u003EL’intelligence artificielle désigne le vaste champ de systèmes capables d’effectuer des tâches associées au raisonnement humain, comme la reconnaissance de formes, la prédiction, la compréhension du langage et l’aide à la décision.\u003C/p\u003E\r\n","richText":true,":type":"snowflake-site/components/text","appliedCssClassNames":"text-size-regular text-color-text-05"},"text":{"id":"text-5820633baa","text":"\u003Cp\u003ELa plupart des grandes organisations ont désormais dépassé le stade initial de leur démarche en intelligence artificielle : elles disposent de modèles en production, de projets pilotes en cours, et de travaux de gouvernance qui peinent encore à suivre le rythme des déploiements. Les équipes doivent désormais décider comment choisir les bonnes architectures d'IA, dépendances de données et stratégie d'évaluation, tout en appliquant des contrôles cohérents en matière de gouvernance, de sécurité et d’exploitation tout au long du cycle de vie de l’IA, souvent mis en œuvre au moyen de pratiques \u003Ca href=\"https://www.snowflake.com/fr/fundamentals/mlops/\"\u003EMLOps\u003C/a\u003E telles que les pipelines de déploiement, la supervision et la gestion des versions de modèles.\u003C/p\u003E\r\n\u003Cp\u003ECela exige plus qu’une stratégie générale d’IA. Les modèles prédictifs, les classificateurs de documents, les applications RAG et les systèmes agentiques sont conçus différemment, présentent des modes de défaillance distincts et sollicitent différemment les données, l’infrastructure et la supervision. Les décisions concernant ce qu’il faut développer, mettre à l’échelle et gouverner doivent tenir compte de ces différences sans pour autant morceler les dispositifs de contrôle de l'entreprise.\u003C/p\u003E\r\n\u003Cp\u003ECe guide constitue un point de repère pour cette démarche. Il aborde les principales disciplines de l’IA, comment les systèmes sont entraînés et évalués, où les entreprises les déploient efficacement et quels facteurs liés à la gouvernance, à la sécurité et aux données déterminent si un déploiement tient dans le temps.\u003C/p\u003E\r\n","richText":true,":type":"snowflake-site/components/text","appliedCssClassNames":"text-color-text-05"},"title_v2_1818028417":{"id":"title-v2-27590e4396","additionalClasses":"anchor title anchor-title--what-is-artificial-intelligence","type":"heading2","lines":["Qu’est-ce que l’intelligence artificielle ?"],":type":"snowflake-site/components/title-v2","appliedCssClassNames":"left-alignment"},"text_copy":{"id":"text-de71a6546d","text":"\u003Cp\u003EL’intelligence artificielle n’est pas une discipline unique, mais un vaste domaine composé de nombreuses sous-disciplines imbriquées. Par exemple, le \u003Ca href=\"https://www.snowflake.com/fr/artificial-intelligence/machine-learning/\"\u003Emachine learning\u003C/a\u003E (ML) est un sous-ensemble de l’IA, c’est-à-dire des systèmes qui apprennent des régularités à partir de données, plutôt que de suivre des règles explicites. Le deep learning est un sous-ensemble du ML, c’est-à-dire \u003Ca href=\"https://www.snowflake.com/en/fundamentals/neural-network/\"\u003Edes réseaux de neurones\u003C/a\u003E à couches qui apprennent des représentations de données complexes et de haute dimension. L’IA générative est un produit du deep learning, c’est-à-dire des modèles de fondation qui produisent de nouveaux résultats au lieu de classer les entrées existantes.\u003C/p\u003E\r\n\u003Cp\u003EChaque couche hérite des exigences de qualité des données, d’infrastructure et d’évaluation de la couche supérieure. Un déploiement d’IA générative est aussi un déploiement de ML, avec tout ce que cela implique.\u003C/p\u003E\r\n\u003Cp\u003ELe domaine distingue également l’IA étroite de l’intelligence artificielle générale (IAG). L’IA étroite, qui décrit chaque système d’IA actuellement en production, est optimisée pour une tâche ou un domaine spécifique. Les décisions d’entreprise concernant l’IA impliquent toujours une IA étroite, ainsi que les frameworks de gouvernance, les pratiques d’évaluation et les modèles de risque qui s’y appliquent. L’IAG, un système capable de raisonner et d’apprendre dans des domaines arbitraires au niveau humain ou supérieur, demeure un objectif de recherche.\u003C/p\u003E\r\n","richText":true,":type":"snowflake-site/components/text","appliedCssClassNames":"text-color-text-05"},"quote_item_1152526200":{"id":"quote-item-1f832fdf6b","alignment":"left","layout":"simple","quoteSourceName":"Baris Gultekin","quoteSourceTitle":"VP Produit, IA chez Snowflake","showQuoteIcon":true,"quote":"L'IA ouvre la voie à de nouvelles perspectives pour les entreprises, leur permettant d'extraire des informations de données non structurées qu'elles ne pouvaient tout simplement pas exploiter auparavant.","showHangingPunctuation":false,":type":"snowflake-site/components/quote-item"},"title_v2_copy_1903657955":{"id":"title-v2-d86041ca45","additionalClasses":"anchor-title anchor-title--how-does-artificial-intelligence-work","type":"heading2","lines":["Comment fonctionne l’intelligence artificielle ?"],":type":"snowflake-site/components/title-v2","appliedCssClassNames":"left-alignment"},"text_copy_copy":{"id":"text-6d33262e8b","text":"\u003Cp\u003ELa plupart des systèmes d’IA suivent la même boucle fondamentale : les données entrent, un modèle en apprend, puis ce modèle est ensuite utilisé pour générer des prédictions ou des sorties sur de nouvelles données. Les trois phases, à savoir l’entraînement, l’inférence et le fine-tuning, comportent chacune des exigences distinctes en matière d’\u003Ca href=\"https://www.snowflake.com/en/fundamentals/ai-infrastructure/\"\u003Einfrastructure\u003C/a\u003E et \u003Ca href=\"https://www.snowflake.com/fr/data-governance/\"\u003Ede gouvernance\u003C/a\u003E.\u003C/p\u003E\r\n\u003Cp\u003EL’\u003Cb\u003Eentraînement\u003C/b\u003E désigne le processus consistant à exposer un modèle à de grandes quantités de données, étiquetées ou non, afin qu’il puisse apprendre à reconnaître des régularités. Pour les systèmes de deep learning, cela implique généralement des architectures de type transformer qui utilisent des mécanismes d’attention pour apprendre quelles parties de l’entrée sont les plus pertinentes pour une sortie donnée. L’entraînement des modèles de fondation, c’est-à-dire les grands modèles de base qui sous-tendent la plupart des applications d’IA générative, nécessite des capacités de calcul à une échelle qui n'a longtemps été accessible qu'aux grandes organisations de recherche et aux fournisseurs de services cloud.\u003C/p\u003E\r\n\u003Cp\u003EL’\u003Cb\u003Einférence\u003C/b\u003E correspond au moment où un modèle entraîné est utilisé. Un utilisateur soumet une requête, le modèle génère une réponse et cette réponse est renvoyée en temps quasi réel. La latence, le coût et la fiabilité de l’inférence sont des préoccupations opérationnelles qui deviennent importantes à grande échelle, en particulier pour les applications destinées aux clients.\u003C/p\u003E\r\n\u003Cp\u003E\u003Cb\u003ELe fine-tuning\u003C/b\u003E adapte un modèle pré-entraîné à un domaine ou à une tâche spécifique en utilisant un ensemble de données plus petit et ciblé. C’est une approche courante pour les entreprises qui souhaitent tirer parti des capacités d’un modèle de fondation sans entraîner un modèle depuis zéro, mais elle introduit un risque de dérive du modèle si les données de fine-tuning diffèrent des entrées en production au fil du temps.\u003C/p\u003E\r\n\u003Cp\u003ELe véritable goulot d’étranglement dans le déploiement de l’IA est rarement le modèle lui-même. Dans une enquête \u003Ca rel=\"noopener noreferrer\" target=\"_blank\" href=\"https://www.technologyreview.com/2025/10/23/1125651/redefining-data-engineering-in-the-age-of-ai/\"\u003EMIT Technology Review Insights\u003C/a\u003E menée auprès de 400 hauts responsables data et technologies, 45 % des répondants ont cité la complexité d’intégration et 40 % ont cité la gouvernance des données comme les plus grands défis des initiatives d’IA. La qualité des données, la gouvernance et l’infrastructure de calcul façonnent les résultats de manière plus cohérente que la sélection des modèles.\u003C/p\u003E\r\n","richText":true,":type":"snowflake-site/components/text","appliedCssClassNames":"text-color-text-05"},"text_2059046899":{"id":"text-a44be96d24","additionalClasses":"callout callout--general","text":"\u003Cul\u003E\n\u003Cli\u003E\u003Cb\u003E45 % \u003C/b\u003Edes dirigeants citent la complexité d’intégration comme un défi majeur dans les initiatives d’IA.\u003C/li\u003E\n\u003Cli\u003E\u003Cb\u003E40 %\u003C/b\u003E citent la gouvernance des données comme le principal obstacle à la réussite de l’IA.\u003C/li\u003E\n\u003Cli\u003E\u003Cb\u003E37 %\u003C/b\u003E du temps consacré au data engineering est désormais consacré à des projets d’IA (contre 19 % en 2023).\u003C/li\u003E\n\u003C/ul\u003E\n","richText":true,":type":"snowflake-site/components/text"},"quote_item":{"id":"quote-item-3d3a4ecee4","alignment":"left","layout":"simple","quoteSourceName":"Jennifer Belissent","quoteSourceTitle":"Principal Data Strategist, Snowflake","showQuoteIcon":true,"quote":"Mesurer la valeur que l'IA apporte est essentiel pour justifier les investissements qui y sont consacrés, hiérarchiser ses applications et mettre en balance ses bénéfices futurs et ses risques potentiels.","showHangingPunctuation":false,":type":"snowflake-site/components/quote-item"},"text_1948751468":{"id":"text-0a581cae52","additionalClasses":"callout callout--warning","text":"\u003Cp\u003E\u003Cb\u003EPIÈGE COURANT\u003C/b\u003E\u003C/p\u003E\n\u003Cp\u003ELes équipes qui se concentrent sur la sélection ou le fine-tuning de modèles avant de construire des bases solides en matière de données, d’évaluation et de gouvernance sont souvent confrontées à des problèmes de production difficiles à diagnostiquer et à résoudre.\u003C/p\u003E\n","richText":true,":type":"snowflake-site/components/text","appliedCssClassNames":"text-size-regular text-color-text-05"},"text_2049864016":{"id":"text-fe9ee64fc2","text":"\u003Cp\u003E\u003Ci\u003E\u003Cu\u003E\u003C/u\u003ERegardez un tutoriel vidéo pour vous lancer avec Snowflake Cortex Agents :\u003C/i\u003E\u003C/p\u003E\n","richText":true,":type":"snowflake-site/components/text","appliedCssClassNames":"text-color-text-05"},"youtube_1156321798":{"id":"embed-e52599b34f","youtubeVideoId":"SDqyB-yWaAE","layout":"responsive","youtubeAspectRatio":"56.25","youtubeAutoPlay":false,"youtubeLoop":false,"youtubeMute":false,"youtubePlaysInline":false,"youtubeRel":false,"embeddableResourceType":"core/wcm/components/embed/v1/embed/embeddable/youtube","type":"EMBEDDABLE",":type":"snowflake-site/components/youtube"},"title_v2_copy":{"id":"title-v2-fbad41afde","additionalClasses":"anchor-title anchor-title--types-of-ai","type":"heading2","lines":["Quels sont les différents types d'IA ?"],":type":"snowflake-site/components/title-v2","appliedCssClassNames":"left-alignment"},"text_copy_copy_831105251":{"id":"text-a8e5dfae55","text":"\u003Cp\u003ELes chercheurs classent généralement les systèmes d’IA en quatre catégories en fonction de leurs capacités de mémoire et de raisonnement :\u003C/p\u003E\r\n\u003Cp\u003E\u003Cb\u003ERéactif → Mémoire limitée → Théorie de l’esprit → Conscience de soi\u003C/b\u003E\u003C/p\u003E\r\n\u003Cp\u003EEn pratique, tous les systèmes actuellement en production relèvent des deux premiers types.\u003C/p\u003E\r\n\u003Ctable\u003E\r\n\u003Cthead\u003E\u003Ctr\u003E\u003Cth\u003EType\u003C/th\u003E\r\n\u003Cth\u003EDescription\u003C/th\u003E\r\n\u003Cth\u003EPar exemple :\u003C/th\u003E\r\n\u003C/tr\u003E\u003C/thead\u003E\u003Ctbody\u003E\u003Ctr\u003E\u003Ctd\u003E\u003Cb\u003ERéactif\u003C/b\u003E\u003C/td\u003E\r\n\u003Ctd\u003ERépond aux entrées sans mémoire des interactions passées\u003C/td\u003E\r\n\u003Ctd\u003EAlertes d’anomalies en temps réel, filtres anti-spam\u003C/td\u003E\r\n\u003C/tr\u003E\u003Ctr\u003E\u003Ctd\u003E\u003Cb\u003EMémoire limitée\u003C/b\u003E\u003C/td\u003E\r\n\u003Ctd\u003EUtilise des données historiques pour éclairer les décisions actuelles\u003C/td\u003E\r\n\u003Ctd\u003ESystèmes de recommandation, modèles de détection des fraudes\u003C/td\u003E\r\n\u003C/tr\u003E\u003Ctr\u003E\u003Ctd\u003E\u003Cb\u003EThéorie de l’esprit\u003C/b\u003E\u003C/td\u003E\r\n\u003Ctd\u003EComprendrait l’intention humaine et l’état émotionnel\u003C/td\u003E\r\n\u003Ctd\u003EN’existe pas encore en dehors de la recherche\u003C/td\u003E\r\n\u003C/tr\u003E\u003Ctr\u003E\u003Ctd\u003E\u003Cb\u003EConscience de soi\u003C/b\u003E\u003C/td\u003E\r\n\u003Ctd\u003EA une conscience subjective et une connaissance de soi\u003C/td\u003E\r\n\u003Ctd\u003EThéorique\u003C/td\u003E\r\n\u003C/tr\u003E\u003C/tbody\u003E\u003C/table\u003E\r\n\u003Cp\u003EL’implication pratique : l’IA d’aujourd’hui fonctionne dans des contextes limités. Un modèle performant sur une tâche le doit au fait qu’il a été entraîné pour cette tâche et évalué sur des données similaires à ce qu’il rencontre en production. Les systèmes qui semblent généraliser sont généralement soit de très grands modèles à mémoire limitée, soit des systèmes spécialisés dotés d'une large couverture d'entraînement — et non une intelligence générale.\u003C/p\u003E\r\n","richText":true,":type":"snowflake-site/components/text","appliedCssClassNames":"text-color-text-05"},"title_v2_565269666":{"id":"title-v2-ca2bfc6511","additionalClasses":"anchor-title anchor-title--core-ai-disciplines","type":"heading2","lines":["Quelles sont les grandes disciplines de l'IA?"],":type":"snowflake-site/components/title-v2","appliedCssClassNames":"left-alignment"},"text_1898884637":{"id":"text-2306b1a3c4","text":"\u003Cp\u003ELes disciplines suivantes représentent les principales branches de l’IA appliquée. Chacune possède ses propres méthodes, benchmarks et modes de défaillance. Pour les équipes qui développent ou évaluent des systèmes d'IA, comprendre sur quelle discipline s'appuie une application donnée est le point de départ pour poser les bonnes questions sur les exigences en matière de données, les critères d'évaluation et les risques.\u003C/p\u003E\r\n\u003Cp\u003E\u003Cb\u003ELe machine learning\u003C/b\u003E entraîne des modèles statistiques sur des données historiques pour classer les entrées, prédire les résultats ou faire émerger des régularités. Les décisions clés en matière de conception (ingénierie de caractéristiques, réglage hyperparamétrique, méthodes d'ensemble) impliquent toutes des compromis entre la complexité du modèle, son interprétabilité et sa capacité de généralisation. La plupart des analyses prédictives d’entreprise reposent sur le ML.\u003C/p\u003E\r\n\u003Cp\u003E\u003Cb\u003ELe deep learning\u003C/b\u003E utilise des réseaux de neurones à nombreuses couches pour apprendre les représentations de données complexes : images, données audio, texte, signaux de séries temporelles. Plusieurs techniques fondamentales, notamment la descente de gradient et la rétropropagation, permettent à ces réseaux d'apprendre des caractéristiques automatiquement, sans nécessiter d'ingénierie explicite. Le deep learning alimente la plupart de ce qui est actuellement décrit comme l’IA dans les applications grand public. \u003Ca href=\"https://www.snowflake.com/en/fundamentals/deep-learning/\"\u003EEn savoir plus sur le deep learning\u003C/a\u003E\u003C/p\u003E\r\n\u003Cp\u003ELe \u003Cb\u003Etraitement automatique du langage naturel\u003C/b\u003E (NLP) permet aux systèmes d’interpréter, de classer et de générer du langage humain. Le NLP moderne repose en grande partie sur des modèles de langage de type transformer et sous-tend des applications allant de la classification de documents aux interfaces conversationnelles en passant par la génération de code. \u003Ca href=\"https://www.snowflake.com/fr/fundamentals/natural-language-processing/\"\u003EEn savoir plus sur le traitement du langage naturel\u003C/a\u003E\u003C/p\u003E\r\n\u003Cp\u003ELa \u003Cb\u003Evision par ordinateur\u003C/b\u003E applique l'apprentissage profond aux données visuelles (images et vidéos) pour des tâches telles que la détection d'objets, la classification d'images, l'identification de défauts et la reconnaissance faciale. Elle est largement déployée dans le contrôle qualité en fabrication, l'imagerie médicale, les systèmes autonomes et l'analytique du commerce de détail. \u003Ca href=\"https://www.snowflake.com/en/fundamentals/computer-vision/\"\u003EEn savoir plus sur la vision par ordinateur\u003C/a\u003E\u003C/p\u003E\r\n\u003Cp\u003E\u003Cb\u003EL’apprentissage par renforcement\u003C/b\u003E entraîne des agents à prendre des décisions séquentielles en récompensant les résultats souhaités. Il constitue le socle de la robotique, des systèmes de recommandation et des méthodes d'apprentissage par renforcement à partir des retours humains (RLHF) utilisées pour aligner les grands modèles de langage. \u003Ca href=\"https://www.snowflake.com/en/fundamentals/reinforcement-learning/\"\u003EEn savoir plus sur l'apprentissage par renforcement >\u003C/a\u003E\u003C/p\u003E\r\n\u003Cp\u003EL’\u003Cb\u003EIA générative\u003C/b\u003E utilise de grands modèles de fondation, souvent appelés \u003Ca href=\"https://www.snowflake.com/fr/fundamentals/large-language-model/\"\u003Egrands modèles de langage\u003C/a\u003E (LLM) lorsqu’ils sont appliqués au texte, pour produire de nouveaux contenus : texte, code, images, audio et données synthétiques. Les capacités clés comprennent l'apprentissage zéro-shot (exécution de tâches sans exemples d'entraînement spécifiques à la tâche) et le prompting par chaîne de pensée (guidage des modèles pour raisonner étape par étape face à un problème). La vitesse d’adoption a dépassé la pratique d’évaluation dans de nombreuses entreprises, un risque de gouvernance qui apparaît en production avant d’apparaître dans la planification. \u003Ca href=\"https://www.snowflake.com/en/fundamentals/generative-ai/\"\u003EEn savoir plus sur l’IA générative >\u003C/a\u003E\u003C/p\u003E\r\n\u003Cp\u003EL’\u003Cb\u003EIA multimodale\u003C/b\u003E combine les entrées entre les différentes modalités (texte, images, audio et vidéo) dans un espace d’enchâssement partagé, permettant à un seul modèle de raisonner sur plusieurs types de données. Il représente la frontière actuelle du développement de modèles de fondation et est de plus en plus pertinent pour les applications qui ont besoin de traiter ensemble des documents, des diagrammes et des médias non structurés.\u003C/p\u003E\r\n","richText":true,":type":"snowflake-site/components/text","appliedCssClassNames":"text-color-text-05"},"title_v2_2089711109":{"id":"title-v2-82710de587","additionalClasses":"anchor-title anchor-title--ai-agents-and-agentic-systems","type":"heading2","lines":["Agents d’IA et systèmes agentiques"],":type":"snowflake-site/components/title-v2","appliedCssClassNames":"left-alignment"},"text_1819706580":{"id":"text-960a3daedd","text":"\u003Cp\u003EUn agent d’IA est bien plus performant qu’un simple chatbot. Un agent peut planifier sur plusieurs étapes, utiliser des outils externes, récupérer du contexte à partir de sources externes et effectuer des actions. Par exemple, un chatbot d’assistance client peut répondre à des questions, mais un agent peut recevoir une demande de renseignements, récupérer l’historique du compte pertinent, croiser une base de connaissances, rédiger une résolution et ouvrir un ticket d’assistance, le plus souvent de manière autonome.\u003C/p\u003E\r\n\u003Cp\u003EC’est également cette capacité qui fait des systèmes agentiques la catégorie la plus risquée au sein de la pile d’\u003Ca href=\"https://www.snowflake.com/en/fundamentals/enterprise-ai/\"\u003EIA d’entreprise\u003C/a\u003E. Les erreurs s'amplifient au fil des étapes, de sorte qu'une supervision humaine doit être planifiée avant le déploiement.\u003C/p\u003E\r\n\u003Cp\u003EPar ailleurs, les agents d’IA ne se valent que par la qualité des informations auxquelles ils peuvent accéder : la \u003Ca href=\"https://www.snowflake.com/en/blog/easy-button-context-rich-ai-agents/\"\u003Equalité de récupération, la gestion du contexte et la fiabilité des outils\u003C/a\u003E sont aussi importantes que le modèle lui-même. Un agent qui exploite des données obsolètes, incomplètes ou de faible portée produit rapidement des erreurs assurées et plausibles.\u003C/p\u003E\r\n\u003Cp\u003EL’IA agentique est le domaine de l’IA d’entreprise qui évolue le plus rapidement à l’heure actuelle, et les frameworks de gouvernance sont encore en train de le rattraper. Les équipes qui créent des systèmes agentiques doivent définir le périmètre, les procédures d'escalade et les modes de défaillance avant le déploiement, et non après. \u003Ca href=\"https://www.snowflake.com/en/fundamentals/ai-agents/\"\u003EEn savoir plus sur l’IA >\u003C/a\u003E\u003C/p\u003E\r\n","richText":true,":type":"snowflake-site/components/text","appliedCssClassNames":"text-color-text-05"},"title_v2_1848786618":{"id":"title-v2-c0b56a36bd","additionalClasses":"anchor-title anchor-title--enterprise-ai-use-cases","type":"heading2","lines":["Cas d’usage de l’IA d’entreprise"],":type":"snowflake-site/components/title-v2","appliedCssClassNames":"left-alignment"},"text_992156203":{"id":"text-ba1f98f530","text":"\u003Cp\u003EL’adoption de l’IA d’entreprise tend à se concentrer là où le flux de travail, les entrées de données et les critères d’évaluation sont bien compris. Les exemples ci-dessous se concentrent sur les domaines dans lesquels l’IA est déjà appliquée dans la production, plutôt que sur des expériences spéculatives ou en phase de démarrage.\u003C/p\u003E\r\n\u003Cp\u003E\u003Cb\u003EL’aide à la décision\u003C/b\u003E augmente le jugement des analystes et des opérateurs avec des recommandations générées par les modèles, telles que l’évaluation des risques, la souscription de crédit, l’aide à la décision clinique, l’optimisation de la chaîne d’approvisionnement.\u003C/p\u003E\r\n\u003Cp\u003E\u003Cb\u003EL’automatisation\u003C/b\u003E gère des tâches à fort volume et adjacentes aux règles : traitement de documents, tri des e-mails, routage des tickets d’assistance, saisie de données, révision du code. La valeur réside dans le débit et la constance, pas dans la nouveauté.\u003C/p\u003E\r\n\u003Cp\u003E\u003Cb\u003ELa génération de contenu\u003C/b\u003E s’appuie sur l’IA générative pour produire des brouillons, des résumés, des traductions, des descriptions de produits et de la documentation interne à grande échelle. Les infrastructures de contrôle et d’évaluation de la qualité comptent davantage ici que la sélection des modèles.\u003C/p\u003E\r\n\u003Cp\u003E\u003Cb\u003ELa personnalisation\u003C/b\u003E alimente les moteurs de recommandation, la tarification dynamique, le marketing individualisé et les expériences adaptatives des produits. Ces systèmes sont souvent les déploiements de ML les plus anciens d’une entreprise et sont porteurs de la dette technique la plus ancienne.\u003C/p\u003E\r\n\u003Cp\u003ELa \u003Cb\u003Edétection des fraudes et des anomalies\u003C/b\u003E utilise le deep learning pour identifier les régularités qui s’écartent de la référence : fraude financière, intrusion réseau, défauts de fabrication, problèmes de qualité des données.\u003C/p\u003E\r\n\u003Cp\u003E\u003Cb\u003ELa prévision\u003C/b\u003E applique des modèles de séries temporelles et le ML à la planification de la demande, à la gestion de la capacité, à la projection financière et à la modélisation des risques.\u003C/p\u003E\r\n\u003Cp\u003E\u003Ci\u003ERegardez cette présentation pour comprendre comment l’IA générative et le calcul accéléré transforment chaque secteur :\u003C/i\u003E\u003C/p\u003E\r\n","richText":true,":type":"snowflake-site/components/text","appliedCssClassNames":"text-color-text-05"},"youtube_1030707130":{"id":"embed-febb4a0e34","youtubeVideoId":"O8sQxPgw8Ws","layout":"responsive","youtubeAspectRatio":"56.25","youtubeAutoPlay":false,"youtubeLoop":false,"youtubeMute":false,"youtubePlaysInline":false,"youtubeRel":false,"embeddableResourceType":"core/wcm/components/embed/v1/embed/embeddable/youtube","type":"EMBEDDABLE",":type":"snowflake-site/components/youtube"},"card_v2":{"id":"card-v2-9553d74b44","additionalClasses":"seo-customer","configurationStatus":{"configured":true,"message":""},":type":"snowflake-site/components/card-v2","text":{"id":"text","text":"\u003Cp\u003ETS Imagine, une entreprise spécialisée dans les logiciels de trading financier et de gestion des risques, a automatisé le traitement des e-mails entrants et le triage des tickets de support grâce à Snowflake Cortex AI RAG, ce qui lui a permis de récupérer 4 000 heures de travail manuel par an et de réduire ses coûts de 30 %.\u003C/p\u003E\n","richText":true,":type":"snowflake-site/components/text"},"layoutStyle":"horizontal","title":{"id":"title","type":"heading4","lines":["TÉMOIGNAGE CLIENT : TS Imagine"],":type":"snowflake-site/components/title-v2"},"button":{"id":"button","showOutboundIcon":false,"buttonLink":{"valid":true,"url":"https://www.snowflake.com/en/customers/all-customers/case-study/ts-imagine/"},"linkTargetContentType":"GENERIC",":type":"snowflake-site/components/button","linkType":"SNOWFLAKE_EXTERNAL","text":"Lire le témoignage"},"image":{"id":"image","height":"351","src":"https://www.snowflake.com/adobe/dynamicmedia/deliver/dm-aid--3b812ed0-848d-4714-96e8-ce82ea5f8ebb/ts-imagine%25403x.png?quality=85&preferwebp=true","lazyEnabled":true,"alt":"TSImagine Logo","width":"624",":type":"snowflake-site/components/image"},"type":"content-card"},"title_v2_copy_copy":{"id":"title-v2-f561926d46","additionalClasses":"anchor-title anchor-title--ai-governance-risk-and-security","type":"heading2","lines":["Gouvernance, risques et sécurité de l’IA"],":type":"snowflake-site/components/title-v2","appliedCssClassNames":"left-alignment"},"text_copy_copy_83110":{"id":"text-bd3e34dd9d","text":"\u003Cp\u003ELa gouvernance de l’IA n’est plus un exercice de planification pour un déploiement futur. De nombreuses entreprises gouvernent désormais des systèmes déjà en production, notamment des modèles et des applications conçus avant que les dispositifs de contrôle de l'entreprise, les structures de responsabilité et les pratiques de supervision ne soient pleinement définis.\u003C/p\u003E\r\n\u003Cp\u003ELe contexte réglementaire a rendu cette question plus urgente. Le \u003Ca href=\"https://www.snowflake.com/en/artificial-intelligence/ai-governance/eu-ai-act/\"\u003Erèglement européen sur l'IA\u003C/a\u003E (EU AI Act) établit des exigences différenciées en fonction du niveau de risque : les systèmes utilisés dans le recrutement, le crédit, l’application de la loi et les infrastructures critiques sont soumis aux obligations les plus strictes. Le \u003Ca href=\"https://csrc.nist.gov/projects/risk-management/about-rmf\" target=\"_blank\" rel=\"noopener noreferrer\"\u003Ecadre de gestion des risques liés à l’IA du NIST\u003C/a\u003E offre une structure volontaire mais largement adoptée pour identifier, évaluer et gérer les risques liés à l’IA tout au long du cycle de vie des modèles. Tous deux partent du principe que la gouvernance commence dès la conception, et non dès le déploiement. Cela signifie que les entreprises qui ont sauté cette étape développent désormais rétroactivement les structures qui auraient dû primer.\u003C/p\u003E\r\n\u003Cp\u003ELes risques liés à l’IA en entreprise se répartissent en trois catégories :\u003C/p\u003E\r\n\u003Cul\u003E\r\n\u003Cli\u003E\u003Cb\u003ELe risque lié aux données\u003C/b\u003E couvre la qualité des données d'entraînement, les biais, la provenance et la confidentialité.\u003C/li\u003E\r\n\u003Cli\u003E\u003Cb\u003ELe risque lié aux modèles\u003C/b\u003E couvre la précision, le calibrage, la dérive et l’interprétabilité.\u003C/li\u003E\r\n\u003Cli\u003E\u003Cb\u003ELe risque opérationnel\u003C/b\u003E couvre les effets en aval des sorties des modèles sur les décisions, les personnes et les systèmes.\u003C/li\u003E\r\n\u003C/ul\u003E\r\n\u003Cp\u003ELa gestion de ces risques nécessite une évaluation systématique, à savoir des processus définis pour tester le comportement du modèle avant son déploiement, le superviser en production et détecter la dérive avant qu’elle ne devienne un problème métier.\u003C/p\u003E\r\n\u003Cp\u003ELe même schéma se retrouve dans les déploiements en entreprise : les équipes qui investissent tôt dans les évaluations détectent les modes de défaillance avant qu'ils n'atteignent la production, tandis que celles qui ne le font pas se retrouvent à remonter aux sources des problèmes à partir des réclamations des utilisateurs.\u003C/p\u003E\r\n","richText":true,":type":"snowflake-site/components/text","appliedCssClassNames":"text-color-text-05"},"quote_item_1218174521":{"id":"quote-item-d7c4c0d076","alignment":"left","layout":"simple","quoteSourceName":"Jennifer Belissent","quoteSourceTitle":"Principal Data Strategist, Snowflake","showQuoteIcon":true,"quote":"Pour étendre l'utilisation de l'IA de manière efficace, et accroître la valeur qu'elle génère, il faut opérationnaliser et industrialiser. Cela exige un alignement entre la technologie et le métier, une coordination des ressources, ainsi qu'une standardisation des politiques et des processus.","showHangingPunctuation":false,":type":"snowflake-site/components/quote-item"},"text_1896381897":{"id":"text-6337a0e60f","text":"\u003Cp\u003E\u003Ca href=\"https://www.snowflake.com/fr/artificial-intelligence/ai-governance/\"\u003EEn savoir plus sur la gouvernance de l’IA \u003E\u003C/a\u003E | \u003Ca href=\"https://www.snowflake.com/en/fundamentals/ai-security/\"\u003EEn savoir plus sur la sécurité de l’IA \u003E\u003C/a\u003E\u003C/p\u003E\n","richText":true,":type":"snowflake-site/components/text"},"title_v2_copy_copy_1670228814":{"id":"title-v2-3f38585717","additionalClasses":"anchor-title anchor-title--the-data-foundation-behind-ai","type":"heading2","lines":["Données et IA : qualité, gouvernance et infrastructure"],":type":"snowflake-site/components/title-v2","appliedCssClassNames":"left-alignment"},"text_copy_copy_83110_19424502":{"id":"text-14a2fb667c","text":"\u003Cp\u003ELa qualité de l’IA est fonction de la qualité des données. Cette relation s’applique à toutes les disciplines abordées dans ce guide : un modèle de deep learning entraîné sur des données non représentatives échouera de la même manière qu’une régression logistique entraînée sur des données erronées, et ce de manière encore moins lisible.\u003C/p\u003E\r\n\u003Cp\u003ELes exigences en matière de données pour l’IA moderne vont au-delà des jeux de données propres et étiquetés. Elles comprennent des contrôles d'accès gouvernés (afin que les modèles soient entraînés sur des données que les équipes sont autorisées à utiliser), des définitions métier claires (afin que les caractéristiques aient la même signification dans les environnements d'entraînement et de production), le lignage et la provenance (afin que les équipes puissent retracer le comportement d'un modèle jusqu'à ses données d'entrée), ainsi qu'une infrastructure performante capable de fournir des données aux modèles lors de l'inférence sans introduire de latence ni de goulots d'étranglement.\u003C/p\u003E\r\n\u003Cp\u003ELa réalité opérationnelle est que le travail de data engineering s’est considérablement orienté vers l’IA. L’étude Technology Review Insights du MIT a révélé que les data engineers consacrent désormais 37 % de leur temps à des projets d’IA, contre 19 % en 2023, soit près du double en deux ans. Ce changement pousse les équipes des plateformes data à rendre les données prêtes pour l’IA disponibles de manière fiable, et pas seulement théoriquement accessibles.\u003C/p\u003E\r\n","richText":true,":type":"snowflake-site/components/text","appliedCssClassNames":"text-color-text-05"},"card_v2_946526351":{"id":"card-v2-4e99369c46","additionalClasses":"seo-customer","configurationStatus":{"configured":true,"message":""},":type":"snowflake-site/components/card-v2","text":{"id":"text","text":"\u003Cp\u003EState Street a réalisé un gain de productivité de 25 fois dans ses opérations de données en déployant la détection d'anomalies par deep learning sur Snowflake, en détectant 100 % des exceptions réelles tout en éliminant 87 % des faux positifs. Les coûts de main-d’œuvre d’intégration des clients ont chuté de 50 %.\u003C/p\u003E\n","richText":true,":type":"snowflake-site/components/text"},"layoutStyle":"horizontal","title":{"id":"title","type":"heading4","lines":["TÉMOIGNAGE CLIENT : State Street"],":type":"snowflake-site/components/title-v2"},"button":{"id":"button","showOutboundIcon":false,"buttonLink":{"valid":true,"url":"https://www.snowflake.com/en/customers/all-customers/case-study/state-street/"},"linkTargetContentType":"GENERIC",":type":"snowflake-site/components/button","linkType":"SNOWFLAKE_EXTERNAL","text":"Lire le témoignage"},"image":{"id":"image","height":"351","src":"https://www.snowflake.com/adobe/dynamicmedia/deliver/dm-aid--d747d8ae-ec39-45c3-b3f3-c4c3f9a7e443/state-street%25403x.png?quality=85&preferwebp=true","lazyEnabled":true,"alt":"State Street logo","width":"624",":type":"snowflake-site/components/image"},"type":"content-card"},"text_copy_copy_83110_69230348":{"id":"text-e7dda28cd1","text":"\u003Cp\u003E\u003Ca href=\"https://www.snowflake.com/fr/product/ai/\"\u003EEn savoir plus sur Snowflake pour l’IA \u003E\u003C/a\u003E\u003C/p\u003E\n","richText":true,":type":"snowflake-site/components/text","appliedCssClassNames":"text-color-text-05"},"title_v2_copy_copy_1534133931":{"id":"title-v2-49545ec7bf","additionalClasses":"anchor-title anchor-title--history-of-ai","type":"heading2","lines":["Histoire de l’IA"],":type":"snowflake-site/components/title-v2","appliedCssClassNames":"left-alignment"},"text_copy_copy_83110_670475437":{"id":"text-98264b6606","additionalClasses":"callout callout--general","text":"\u003Cdiv\u003E \u003C/div\u003E\r\n\u003Cul\u003E\r\n\u003Cli\u003E\u003Cb\u003E1950\u003C/b\u003E — Alan Turing, pionnier de l’informatique, introduit le test de Turing pour mesurer l’intelligence des machines\u003C/li\u003E\r\n\u003Cli\u003E\u003Cb\u003E1956\u003C/b\u003E – La conférence de Dartmouth crée le terme « intelligence artificielle »\u003C/li\u003E\r\n\u003Cli\u003E\u003Cb\u003E1997\u003C/b\u003E — Deep Blue d’IBM bat le champion du monde d’échecs, Garry Kasparov.\u003C/li\u003E\r\n\u003Cli\u003E\u003Cb\u003E2012\u003C/b\u003E – AlexNet remporte le concours ImageNet et le deep learning devient le paradigme dominant de la vision par ordinateur\u003C/li\u003E\r\n\u003Cli\u003E\u003Cb\u003E2017\u003C/b\u003E – Des chercheurs de Google présentent l’architecture de type transformer dans « Attention Is All You Need »\u003C/li\u003E\r\n\u003Cli\u003E\u003Cb\u003E2022\u003C/b\u003E – Lancement de ChatGPT et intégration de l’IA générative dans les conversations d’entreprise\u003C/li\u003E\r\n\u003Cli\u003E\u003Cb\u003E2024+\u003C/b\u003E – Les systèmes d’IA agentique deviennent la prochaine frontière du déploiement des entreprises\u003C/li\u003E\r\n\u003C/ul\u003E\r\n","richText":true,":type":"snowflake-site/components/text","appliedCssClassNames":"text-color-text-05"},"title_v2_685568339":{"id":"title-v2-4e535df00b","additionalClasses":"anchor-title anchor-title--next-steps","type":"heading2","lines":["Prochaines étapes"],":type":"snowflake-site/components/title-v2","appliedCssClassNames":"left-alignment"},"text_1142311968":{"id":"text-3b63515b1f","text":"\u003Cp\u003EUne IA d'entreprise fiable repose sur l'environnement opérationnel autour du modèle : les méthodes d'évaluation, l'accès aux données gouvernées, les pratiques de supervision, les structures de responsabilité et les procédures d'escalade en cas de sorties incorrectes, de dérive, de dégradation des performances et de comportement non souhaité. Les guides ci-dessous traitent des disciplines qui aident les systèmes d’IA à passer de déploiements isolés à des services de production fiables.\u003C/p\u003E\r\n","richText":true,":type":"snowflake-site/components/text","appliedCssClassNames":"text-color-text-05"},"text_617860334":{"id":"text-fdfa567310","additionalClasses":"callout callout--general","text":"\u003Cp\u003E\u003Cb\u003EÀ RETENIR\u003C/b\u003E\u003C/p\u003E\n\u003Cp\u003EL'IA d'entreprise a plus de chances de réussir lorsque les organisations alignent l'architecture, les données, l'évaluation et la gouvernance sur l'ensemble du cycle de vie, en reconnaissant que des systèmes d'IA différents imposent des exigences différentes mais doivent néanmoins opérer dans le cadre de dispositifs de contrôle cohérents.\u003C/p\u003E\n","richText":true,":type":"snowflake-site/components/text","appliedCssClassNames":"text-size-regular text-color-text-05"}},":itemsOrder":["text_1521899678","text","title_v2_1818028417","text_copy","quote_item_1152526200","title_v2_copy_1903657955","text_copy_copy","text_2059046899","quote_item","text_1948751468","text_2049864016","youtube_1156321798","title_v2_copy","text_copy_copy_831105251","title_v2_565269666","text_1898884637","title_v2_2089711109","text_1819706580","title_v2_1848786618","text_992156203","youtube_1030707130","card_v2","title_v2_copy_copy","text_copy_copy_83110","quote_item_1218174521","text_1896381897","title_v2_copy_copy_1670228814","text_copy_copy_83110_19424502","card_v2_946526351","text_copy_copy_83110_69230348","title_v2_copy_copy_1534133931","text_copy_copy_83110_670475437","title_v2_685568339","text_1142311968","text_617860334"],"appliedCssClassNames":"snowflake-responsive-container-inner-padding-medium"},"flexible_column_content_container_2":{"additionalClasses":"hub-sidebar","layout":"SIMPLE","id":"container-bf0ae8f9a6",":type":"snowflake-site/components/flexible-column-container/flexible-column-content-container",":items":{"container":{"additionalClasses":"sticky-sidebar","layout":"RESPONSIVE_GRID","columnCount":12,"columnClassNames":{"text_943981956_copy_":"aem-GridColumn aem-GridColumn--default--12","text_copy":"aem-GridColumn aem-GridColumn--default--12"},"gridClassNames":"aem-Grid aem-Grid--12 aem-Grid--default--12","id":"container-e1b021ebcd",":type":"snowflake-site/components/container",":items":{"text_943981956_copy_":{"id":"text-05f6e2ae23","additionalClasses":"eyebrow-text","text":"\u003Cp\u003EDans ce guide\u003C/p\u003E\n","richText":true,":type":"snowflake-site/components/text"},"text_copy":{"id":"text-6124ead15a","additionalClasses":"page-toc","text":"\u003Cul\u003E\r\n\u003Cli data-anchor=\"what-is-artificial-intelligence\"\u003EQu’est-ce que l’intelligence artificielle ?\u003C/li\u003E\r\n\u003Cli data-anchor=\"how-does-artificial-intelligence-work\"\u003EComment fonctionne l’intelligence artificielle ?\u003C/li\u003E\r\n\u003Cli data-anchor=\"types-of-ai\"\u003EQuels sont les différents types d'IA ?\u003C/li\u003E\r\n\u003Cli data-anchor=\"core-ai-disciplines\"\u003EDisciplines fondamentales de l’IA\u003C/li\u003E\r\n\u003Cli data-anchor=\"ai-agents-and-agentic-systems\"\u003EAgents d’IA et systèmes agentiques\u003C/li\u003E\r\n\u003Cli data-anchor=\"enterprise-ai-use-cases\"\u003ECas d’usage de l’IA d’entreprise\u003C/li\u003E\r\n\u003Cli data-anchor=\"ai-governance-risk-and-security\"\u003EGouvernance, risques et sécurité de l’IA\u003C/li\u003E\r\n\u003Cli data-anchor=\"the-data-foundation-behind-ai\"\u003EDonnées et IA : qualité, gouvernance et infrastructure\u003C/li\u003E\r\n\u003Cli data-anchor=\"history-of-ai\"\u003EHistoire de l’IA\u003C/li\u003E\r\n\u003Cli data-anchor=\"next-steps\"\u003EProchaines étapes\u003C/li\u003E\r\n\u003C/ul\u003E\r\n","richText":true,":type":"snowflake-site/components/text","appliedCssClassNames":"text-size-small text-color-text-05"}},":itemsOrder":["text_943981956_copy_","text_copy"],"appliedCssClassNames":"snowflake-responsive-container-inner-padding-small"}},":itemsOrder":["container"],"appliedCssClassNames":"snowflake-responsive-container-inner-padding-small"},":type":"snowflake-site/components/flexible-column-container","isBlogPage":false,"isActiveTOC":false}},":itemsOrder":["flexible_column_cont"],"appliedCssClassNames":"snowflake-container snowflake-responsive-container-inner-padding-small"},"container_1561483981":{"layout":"RESPONSIVE_GRID","columnCount":12,"columnClassNames":{"container":"aem-GridColumn aem-GridColumn--default--12"},"gridClassNames":"aem-Grid aem-Grid--12 aem-Grid--default--12","id":"topics",":type":"snowflake-site/components/container",":items":{"container":{"layout":"RESPONSIVE_GRID","columnCount":12,"columnClassNames":{"flexible_column_cont_1969625716":"aem-GridColumn aem-GridColumn--default--12","flexible_column_cont_470142727":"aem-GridColumn aem-GridColumn--default--12","flexible_column_cont":"aem-GridColumn aem-GridColumn--default--12","title_v2":"aem-GridColumn aem-GridColumn--default--12","flexible_column_cont_1605976184":"aem-GridColumn aem-GridColumn--default--12","flexible_column_cont_1090102409":"aem-GridColumn aem-GridColumn--default--12"},"gridClassNames":"aem-Grid aem-Grid--12 aem-Grid--default--12","id":"container-b2a712da11",":type":"snowflake-site/components/container",":items":{"flexible_column_cont_470142727":{"id":"flexible-column-container-a5f5b98fcc","type":"2-column-40-60","alignColumns":"top","containerMaxWidth":"extra-large","topPadding":"extra-large","bottomPadding":"large","spaceBetween":"small","reverseOnMobile":false,"carouselOnMobile":false,"backgroundImageOption":"none","flexible_column_content_container_1":{"layout":"SIMPLE","id":"container-67f2b63bd0",":type":"snowflake-site/components/flexible-column-container/flexible-column-content-container",":items":{"title_v2_copy":{"id":"title-v2-01bc498ac5","additionalClasses":"hub-faq__headline","type":"heading2","lines":["Foire aux questions"],":type":"snowflake-site/components/title-v2","appliedCssClassNames":"left-alignment"},"text_copy":{"id":"text-e130251775","text":"\u003Cp\u003ELes réponses de nos experts Snowflake à vos questions les plus fréquentes sur l’intelligence artificielle.\u003C/p\u003E\n","richText":true,":type":"snowflake-site/components/text","appliedCssClassNames":"text-color-text-05"}},":itemsOrder":["title_v2_copy","text_copy"],"appliedCssClassNames":"snowflake-responsive-container-inner-padding-extra-small"},"flexible_column_content_container_2":{"layout":"SIMPLE","id":"container-755e650420",":type":"snowflake-site/components/flexible-column-container/flexible-column-content-container",":items":{"simple_snowflake_acc":{"id":"simple-snowflake-accordion-67b457a5cf","additionalClasses":"seo-hub__faqs","showDivider":false,"accordionItemsList":[{"title":"Qu’est-ce que l’IA en termes simples ?","richText":"\u003Cp\u003EL’IA fait référence aux systèmes logiciels qui effectuent des tâches associées au raisonnement humain : reconnaître des régularités, faire des prédictions, comprendre le langage et générer du contenu. En pratique, la plupart des systèmes d’IA sont des outils étroits optimisés pour des tâches spécifiques plutôt que des moteurs de raisonnement à usage général.\u003C/p\u003E\r\n"},{"title":"Quelle est la différence entre l’IA et le machine learning ?","richText":"\u003Cp\u003ELe machine learning est une sous-catégorie du machine learning. L’IA est le domaine plus large des systèmes qui effectuent des tâches de raisonnement similaires à celles d’un être humain. Le ML est une approche spécifique de la création de systèmes d’IA, qui permet d’apprendre des modèles statistiques à partir de données plutôt que de suivre des règles explicitement programmées.\u003C/p\u003E\r\n"},{"title":"ChatGPT est-il une intelligence artificielle ?","richText":"\u003Cp\u003EOui. ChatGPT est une application d'IA générative reposant sur des grands modèles de langage (LLM), qui sont eux-mêmes un produit du deep learning, lequel est un sous-ensemble du machine learning, qui est lui-même un sous-ensemble de l'IA. Bien que hautement performant dans son domaine, il ne constitue pas un système de raisonnement général.\u003C/p\u003E\r\n"},{"title":"Quels sont les principaux objectifs de l’IA ?","richText":"\u003Cp\u003EÀ l’échelle de l’entreprise, les objectifs de l’IA sont notamment d’améliorer la vitesse, la précision et l’évolutivité des décisions et des opérations, de réduire le travail manuel et de faire émerger des régularités dans les données que les humains ne peuvent identifier sans aide.\u003C/p\u003E\r\n"},{"title":"À quoi sert l’IA en entreprise ? ","richText":"\u003Cp\u003ELes cas d'usage en entreprise les plus répandus sont l'aide à la décision, l'automatisation des processus, la génération de contenu, la personnalisation, la détection des fraudes et des anomalies, et la prévision. Le point commun est d’appliquer l’apprentissage statistique à des tâches qui exigeaient auparavant un temps humain important par unité de production.\u003C/p\u003E\r\n"},{"title":"Quelle est la différence entre l’inférence et l’entraînement des modèles d’IA ?","richText":"\u003Cp\u003EL’entraînement est le processus par lequel un \u003Ca href=\"https://www.snowflake.com/fr/fundamentals/ai-models/\"\u003Emodèle d’IA\u003C/a\u003E apprend des régularités à partir de grands jeux de données en ajustant ses paramètres internes. L’inférence est lorsque le modèle entraîné est utilisé pour faire des prédictions ou générer des résultats sur de nouvelles données. En résumé, l’entraînement construit le modèle et l’inférence l’applique.\u003C/p\u003E\r\n"}],":type":"snowflake-site/components/simple-snowflake-accordion"}},":itemsOrder":["simple_snowflake_acc"]},":type":"snowflake-site/components/flexible-column-container","isBlogPage":false,"isActiveTOC":false},"title_v2":{"id":"title-v2-6f3234b1bc","additionalClasses":"hub-explore-resources-header__headline","type":"heading2","lines":["Explorez les ressources sur l’IA"],":type":"snowflake-site/components/title-v2","appliedCssClassNames":"left-alignment"},"flexible_column_cont_1605976184":{"id":"flexible-column-container-af1b603974","type":"1-column","alignColumns":"top","containerMaxWidth":"extra-large","topPadding":"extra-small","bottomPadding":"none","spaceBetween":"small","reverseOnMobile":false,"carouselOnMobile":false,"backgroundImageOption":"none","flexible_column_content_container_1":{"layout":"SIMPLE","id":"container-102ad8314a",":type":"snowflake-site/components/flexible-column-container/flexible-column-content-container",":items":{"flexible_column_cont":{"id":"flexible-column-container-373043d368","propertiesId":"seo-hub-resources","type":"2-column-even","alignColumns":"top","containerMaxWidth":"extra-large","topPadding":"extra-small","bottomPadding":"none","spaceBetween":"small","reverseOnMobile":false,"carouselOnMobile":false,"backgroundImageOption":"none","flexible_column_content_container_1":{"layout":"SIMPLE","id":"container-a36e4115ab",":type":"snowflake-site/components/flexible-column-container/flexible-column-content-container",":items":{"content_chip":{"id":"content-chip-806a347df0","tagText":"EBOOK","tagColor":"#71D3DC","cta":{"id":"cta","showOutboundIcon":false,"buttonLink":{"valid":true,"url":"https://www.snowflake.com/fr/lp/radical-roi-generative-ai/"},"linkTargetContentType":"GENERIC",":type":"snowflake-site/components/button","linkType":"SNOWFLAKE_EXTERNAL","text":"Lire la suite"},"headline":{"id":"title","type":"heading5","lines":["Le ROI de l’IA générative et des agents en 2026"],":type":"snowflake-site/components/title-v2"},":type":"snowflake-site/components/content-chip","appliedCssClassNames":"snowflake-content-chip-white-bg"},"content_chip_1350384":{"id":"content-chip-f293d956aa","tagText":"LIVRE BLANC","tagColor":"#FFD9AF","cta":{"id":"cta","showOutboundIcon":false,"buttonLink":{"valid":true,"url":"https://www.snowflake.com/en/resources/white-paper/from-prompt-to-purpose-unlocking-business-value-with-agentic-ai/"},"linkTargetContentType":"GENERIC",":type":"snowflake-site/components/button","linkType":"SNOWFLAKE_EXTERNAL","text":"Lire la suite"},"headline":{"id":"title","type":"heading5","lines":["Du Prompt à l'impact : libérer la valeur métier avec l'IA agentique"],":type":"snowflake-site/components/title-v2"},":type":"snowflake-site/components/content-chip","appliedCssClassNames":"snowflake-content-chip-white-bg"}},":itemsOrder":["content_chip","content_chip_1350384"],"appliedCssClassNames":"snowflake-responsive-container-inner-padding-medium"},"flexible_column_content_container_2":{"layout":"SIMPLE","id":"container-c26c78c6fb",":type":"snowflake-site/components/flexible-column-container/flexible-column-content-container",":items":{"content_chip_1281525":{"id":"content-chip-2aa2f2be09","tagText":"EBOOK","tagColor":"#71D3DC","cta":{"id":"cta","showOutboundIcon":false,"buttonLink":{"valid":true,"url":"https://www.snowflake.com/fr/sap-enterprise-ai-unified-data-context/"},"linkTargetContentType":"GENERIC",":type":"snowflake-site/components/button","linkType":"SNOWFLAKE_EXTERNAL","text":"Lire la suite"},"headline":{"id":"title","type":"heading5","lines":["Snowflake et SAP : Unifier données et contexte pour dynamiser l’IA d’entreprise"],":type":"snowflake-site/components/title-v2"},":type":"snowflake-site/components/content-chip","appliedCssClassNames":"snowflake-content-chip-white-bg"},"content_chip_5895901":{"id":"content-chip-2332ae8063","tagText":"RAPPORT","tagColor":"#C6EDF1","cta":{"id":"cta","showOutboundIcon":false,"buttonLink":{"valid":true,"url":"https://www.snowflake.com/en/redefining-data-engineering-in-the-age-of-ai/"},"linkTargetContentType":"GENERIC",":type":"snowflake-site/components/button","linkType":"SNOWFLAKE_EXTERNAL","text":"Lire la suite"},"headline":{"id":"title","type":"heading5","lines":["Redéfinir le data engineering à l’ère de l’IA"],":type":"snowflake-site/components/title-v2"},":type":"snowflake-site/components/content-chip","appliedCssClassNames":"snowflake-content-chip-white-bg"}},":itemsOrder":["content_chip_1281525","content_chip_5895901"],"appliedCssClassNames":"snowflake-responsive-container-inner-padding-medium"},":type":"snowflake-site/components/flexible-column-container","isBlogPage":false,"isActiveTOC":false}},":itemsOrder":["flexible_column_cont"]},":type":"snowflake-site/components/flexible-column-container","isBlogPage":false,"isActiveTOC":false},"flexible_column_cont_1090102409":{"id":"flexible-column-container-302a8cbe87","type":"1-column","alignColumns":"top","containerMaxWidth":"extra-large","topPadding":"large","bottomPadding":"none","spaceBetween":"small","reverseOnMobile":false,"carouselOnMobile":false,"backgroundImageOption":"none","flexible_column_content_container_1":{"layout":"SIMPLE","id":"container-3cc15b7e43",":type":"snowflake-site/components/flexible-column-container/flexible-column-content-container",":items":{"title_v2_copy_copy":{"id":"title-v2-6266c1629e","additionalClasses":"hub-explore-topics-header__headline","type":"heading2","lines":["Explorez les sujets liés à l’IA"],":type":"snowflake-site/components/title-v2","appliedCssClassNames":"left-alignment"},"text_copy_copy":{"id":"text-41ddca7919","text":"\u003Cp\u003EUne analyse approfondie de chaque aspect de l’intelligence artificielle\u003C/p\u003E\n","richText":true,":type":"snowflake-site/components/text","appliedCssClassNames":"text-color-text-05"}},":itemsOrder":["title_v2_copy_copy","text_copy_copy"],"appliedCssClassNames":"snowflake-responsive-container-inner-padding-extra-small"},":type":"snowflake-site/components/flexible-column-container","isBlogPage":false,"isActiveTOC":false},"flexible_column_cont":{"id":"flexible-column-container-32db4e8394","type":"3-column-even","alignColumns":"match-height","containerMaxWidth":"extra-large","topPadding":"small","bottomPadding":"none","spaceBetween":"small","reverseOnMobile":false,"carouselOnMobile":false,"backgroundImageOption":"none","flexible_column_content_container_1":{"layout":"SIMPLE","id":"container-515426d82f",":type":"snowflake-site/components/flexible-column-container/flexible-column-content-container",":items":{"card_v2":{"id":"card-v2-cebc4dbf47","configurationStatus":{"configured":true,"message":""},":type":"snowflake-site/components/card-v2","text":{"id":"text","text":"\u003Cp\u003EPrincipes et pratiques de gouvernance pour construire des systèmes d’IA transparents, équitables, responsables et sûrs.\u003C/p\u003E\n","richText":true,":type":"snowflake-site/components/text"},"layoutStyle":"vertical","title":{"id":"title","type":"heading4","lines":["Éthique de l’IA"],":type":"snowflake-site/components/title-v2"},"button":{"id":"button","showOutboundIcon":false,"buttonLink":{"valid":true,"url":"https://www.snowflake.com/fr/artificial-intelligence/ai-governance/ai-ethics/"},"linkTargetContentType":"GENERIC",":type":"snowflake-site/components/button","linkType":"SNOWFLAKE_EXTERNAL","text":"En savoir plus"},"type":"content-card"}},":itemsOrder":["card_v2"]},"flexible_column_content_container_2":{"layout":"SIMPLE","id":"container-635d93587b",":type":"snowflake-site/components/flexible-column-container/flexible-column-content-container",":items":{"card_v2_copy":{"id":"card-v2-7d063bc440","configurationStatus":{"configured":true,"message":""},":type":"snowflake-site/components/card-v2","text":{"id":"text","text":"\u003Cp\u003EPratiques et dispositifs de contrôle pour développer des systèmes d'IA conformes aux normes éthiques, aux exigences de gouvernance et à la supervision humaine.\u003C/p\u003E\n","richText":true,":type":"snowflake-site/components/text"},"layoutStyle":"vertical","title":{"id":"title","type":"heading4","lines":["IA responsable"],":type":"snowflake-site/components/title-v2"},"button":{"id":"button","showOutboundIcon":false,"buttonLink":{"valid":true,"url":"https://www.snowflake.com/fr/artificial-intelligence/ai-governance/responsible-ai/"},"linkTargetContentType":"GENERIC",":type":"snowflake-site/components/button","linkType":"SNOWFLAKE_EXTERNAL","text":"En savoir plus"},"type":"content-card"}},":itemsOrder":["card_v2_copy"]},"flexible_column_content_container_3":{"layout":"SIMPLE","id":"container-16bdf75c52",":type":"snowflake-site/components/flexible-column-container/flexible-column-content-container",":items":{"card_v2_copy":{"id":"card-v2-c8b8a6ba9a","configurationStatus":{"configured":true,"message":""},":type":"snowflake-site/components/card-v2","text":{"id":"text","text":"\u003Cp\u003EUn aperçu du règlement européen encadrant le risque, la transparence, la responsabilité et la conformité des systèmes d'IA et de leurs fournisseurs.\u003C/p\u003E\n","richText":true,":type":"snowflake-site/components/text"},"layoutStyle":"vertical","title":{"id":"title","type":"heading4","lines":["Règlement européen sur l'IA"],":type":"snowflake-site/components/title-v2"},"button":{"id":"button","showOutboundIcon":false,"buttonLink":{"valid":true,"url":"https://www.snowflake.com/fr/artificial-intelligence/ai-governance/eu-ai-act/"},"linkTargetContentType":"GENERIC",":type":"snowflake-site/components/button","linkType":"SNOWFLAKE_EXTERNAL","text":"En savoir plus"},"type":"content-card"}},":itemsOrder":["card_v2_copy"]},":type":"snowflake-site/components/flexible-column-container","isBlogPage":false,"isActiveTOC":false},"flexible_column_cont_1969625716":{"id":"flexible-column-container-d145fdf345","type":"3-column-even","alignColumns":"match-height","containerMaxWidth":"extra-large","topPadding":"none","bottomPadding":"large","spaceBetween":"small","reverseOnMobile":false,"carouselOnMobile":false,"backgroundImageOption":"none","flexible_column_content_container_1":{"layout":"SIMPLE","id":"container-08c8a859cf",":type":"snowflake-site/components/flexible-column-container/flexible-column-content-container",":items":{"card_v2":{"id":"card-v2-4321b7102c","configurationStatus":{"configured":true,"message":""},":type":"snowflake-site/components/card-v2","text":{"id":"text","text":"\u003Cp\u003EComment les biais émergent dans les modèles d'IA et les systèmes de décision, et les méthodes utilisées pour les détecter, les mesurer et les réduire.\u003C/p\u003E\n","richText":true,":type":"snowflake-site/components/text"},"layoutStyle":"vertical","title":{"id":"title","type":"heading4","lines":["Biais algorithmiques"],":type":"snowflake-site/components/title-v2"},"button":{"id":"button","showOutboundIcon":false,"buttonLink":{"valid":true,"url":"https://www.snowflake.com/fr/artificial-intelligence/ai-governance/algorithmic-bias/"},"linkTargetContentType":"GENERIC",":type":"snowflake-site/components/button","linkType":"SNOWFLAKE_EXTERNAL","text":"En savoir plus"},"type":"content-card"}},":itemsOrder":["card_v2"]},"flexible_column_content_container_2":{"layout":"SIMPLE","id":"container-31e8b44c90",":type":"snowflake-site/components/flexible-column-container/flexible-column-content-container",":items":{"card_v2_copy":{"id":"card-v2-01fed3ac08","configurationStatus":{"configured":true,"message":""},":type":"snowflake-site/components/card-v2","text":{"id":"text","text":"\u003Cp\u003EFrameworks, politiques et modèles de supervision pour la gestion des risques liés à l’IA, la responsabilisation, la conformité et le contrôle opérationnel.\u003C/p\u003E\n","richText":true,":type":"snowflake-site/components/text"},"layoutStyle":"vertical","title":{"id":"title","type":"heading4","lines":["Gouvernance de l’IA"],":type":"snowflake-site/components/title-v2"},"button":{"id":"button","showOutboundIcon":false,"buttonLink":{"valid":true,"url":"https://www.snowflake.com/fr/artificial-intelligence/ai-governance/"},"linkTargetContentType":"GENERIC",":type":"snowflake-site/components/button","linkType":"SNOWFLAKE_EXTERNAL","text":"En savoir plus"},"type":"content-card"}},":itemsOrder":["card_v2_copy"]},"flexible_column_content_container_3":{"layout":"SIMPLE","id":"container-096250e4b5",":type":"snowflake-site/components/flexible-column-container/flexible-column-content-container",":items":{"card_v2_copy":{"id":"card-v2-46251236a2","configurationStatus":{"configured":true,"message":""},":type":"snowflake-site/components/card-v2","text":{"id":"text","text":"\u003Cp\u003EApproches permettant de rendre les systèmes d’IA compréhensibles grâce à la documentation, l’explicabilité, la traçabilité et une gouvernance claire du modèle.\u003C/p\u003E\n","richText":true,":type":"snowflake-site/components/text"},"layoutStyle":"vertical","title":{"id":"title","type":"heading4","lines":["Transparence"],":type":"snowflake-site/components/title-v2"},"button":{"id":"button","showOutboundIcon":false,"buttonLink":{"valid":true,"url":"https://www.snowflake.com/fr/artificial-intelligence/ai-governance/ai-transparency/"},"linkTargetContentType":"GENERIC",":type":"snowflake-site/components/button","linkType":"SNOWFLAKE_EXTERNAL","text":"En savoir plus"},"type":"content-card"}},":itemsOrder":["card_v2_copy"]},":type":"snowflake-site/components/flexible-column-container","isBlogPage":false,"isActiveTOC":false}},":itemsOrder":["flexible_column_cont_470142727","title_v2","flexible_column_cont_1605976184","flexible_column_cont_1090102409","flexible_column_cont","flexible_column_cont_1969625716"],"appliedCssClassNames":"snowflake-container snowflake-responsive-container-inner-padding-small"}},":itemsOrder":["container"],"appliedCssClassNames":"ui-background-05 snowflake-responsive-container-inner-padding-small"},"container_1561483981_602520842":{"layout":"RESPONSIVE_GRID","columnCount":12,"columnClassNames":{"container":"aem-GridColumn aem-GridColumn--default--12"},"gridClassNames":"aem-Grid aem-Grid--12 aem-Grid--default--12","id":"faq",":type":"snowflake-site/components/container",":items":{"container":{"layout":"RESPONSIVE_GRID","columnCount":12,"columnClassNames":{},"gridClassNames":"aem-Grid aem-Grid--12 aem-Grid--default--12","id":"container-2eed3587b7",":type":"snowflake-site/components/container",":items":{},":itemsOrder":[],"appliedCssClassNames":"snowflake-container snowflake-responsive-container-inner-padding-small"}},":itemsOrder":["container"],"appliedCssClassNames":"ui-background-01 snowflake-responsive-container-inner-padding-small"}},":itemsOrder":["container_805795510","container_1561483981","container_1561483981_602520842"]}},":itemsOrder":["container_copy","container_626207224_"],":type":"wcm/foundation/components/responsivegrid"},"modal_container":{"layout":"SIMPLE","id":"container-4fa174618f",":type":"snowflake-site/components/modal/modal-container",":items":{},":itemsOrder":[]},"markup_editor_928258845":{"id":"markup-editor-f7ecdd84c0","title":" ","cssContent":".snowflake-flexible-column-container-gray-10-bg\u003E.snowflake-flexible-column-container{background-color:var(--ui-background-05) !important}.text-size-regular:has(.seo-hub-hero__related-topic-label){display:flex;align-items:center}.hub-hero__headline span{text-transform:none !important}.hub-hero__subheadline p{max-width:70ch;margin-top:8px}.hub-hero__authors \u003E .container \u003E .cmp-container \u003E .aem-container{display:flex;flex-direction:row}.hub-hero__authors \u003E .container \u003E .cmp-container \u003E .aem-container \u003E div{width:auto !important;margin:24px 48px 0 0 !important}.hub-hero__authors .heading-5-v2{gap:var(--spacing-00)}.hub-hero__authors .snowflake-content-chip-button{display:none !important}.hub-hero__authors .snowflake-person-chip-content .body-2,.hub-hero__authors .snowflake-content-chip-content .snowflake-title-v2-line{font-size:16px !important;line-height:20px !important;font-family:\"Lato\",sans-serif !important;color:#000 !important;font-weight:600 !important}.hub-hero__authors .snowflake-person-chip-content .body-3,.hub-hero__authors .snowflake-content-chip-content .snowflake-title-v2-line:not(:first-child){font-weight:400 !important;color:var(--text-05) !important;font-size:16px !important}.hub-hero__authors .snowflake-image-container img{aspect-ratio:1 !important;border-radius:100%;overflow:hidden}.hub-hero__authors .snowflake-person-chip-avatar{width:56px;height:56px}.hub-hero__authors .snowflake-content-chip{align-items:center;display:inline-flex}.hub-hero__authors .snowflake-content-chip-image{max-width:56px;line-height:0;margin-right:var(--spacing-03)}.hub-hero__authors .snowflake-person-chip-inner-horizontal{gap:var(--spacing-03)}@media screen and (min-width:1367px){.hub-hero__headline .heading-1-v2{font-size:48px;line-height:44px}}#hub-explore-resources-grid-inner\u003E.container\u003E.cmp-container\u003E.aem-container{display:flex;flex-direction:row;flex-wrap:wrap;gap:24px}#hub-explore-resources-grid-inner\u003E.container\u003E.cmp-container\u003E.aem-container::before,#hub-explore-resources-grid-inner\u003E.container\u003E.cmp-container\u003E.aem-container::after{display:none}#hub-explore-resources-grid-inner\u003E.container\u003E.cmp-container\u003E.aem-container\u003Ediv{width:calc(25% - 18px)}.text-color-text-05 .snowflake-text h2,.text-color-text-05.cq-Editable-dom h2,.text-color-text-05 .snowflake-text h3,.text-color-text-05.cq-Editable-dom h3,.text-color-text-05 .snowflake-text h4,.text-color-text-05.cq-Editable-dom h4,.text-color-text-05 .snowflake-text h5,.text-color-text-05.cq-Editable-dom h5,.text-color-text-05 .snowflake-text h6,.text-color-text-05.cq-Editable-dom h6{color:#000 !important}",":type":"snowflake-site/components/markup-editor","isGSAPEnabled":false},"markup_editor_597730182":{"id":"markup-editor-c4752c2c6a","title":" ","cssContent":".sf-copy-markdown [data-copy-md]{display:inline-flex;align-items:center;gap:6px;padding:8px 16px;font-family:'Texta',sans-serif;text-transform:uppercase;font-weight:800 !important;font-size:14px;font-weight:500;color:#11567f;background:#f0faff;border:1px solid #b8e6f9;border-radius:24px;cursor:pointer;transition:background .2s ease,border-color .2s ease,color .2s ease}.sf-copy-markdown [data-copy-md]:hover{background:#ddf3fc;border-color:#29b5e8}.sf-copy-markdown [data-copy-md][data-copied=\"1\"]{color:#0f7b3e;background:#ecfdf5;border-color:#6ee7a0;pointer-events:none}.sf-copy-markdown [data-copy-md] svg{flex-shrink:0}.longform-conten .snowflake-content-chip-white-bg .snowflake-content-chip{box-shadow:0 0 24px 4px rgba(0,0,0,.02),0 4px 8px 0 rgba(0,0,0,.04);flex-direction:row-reverse;align-items:center}.longform-conten .snowflake-content-chip-button{display:none}.longform-conten .snowflake-content-chip-image__inner{aspect-ratio:5 / 3;display:flex;justify-content:center;align-items:center;background-color:var(--ui-01);border-radius:4px}.longform-conten .snowflake-content-chip-image{margin-right:0;margin-left:48px}.longform-conten .snowflake-content-chip-image img{width:50%;border-radius:0 !important;object-fit:contain}.longform-content .black-blue-text-color .snowflake-title-v2-line:not(:first-child){font-size:14px !important;font-weight:400 !important;color:rgba(0,0,0,.6) !important;margin-top:8px !important}.page-toc ul li:first-child{padding-top:0 !important}.page-toc ul li:last-child{padding-bottom:0 !important}.seo-hub__top-bar \u003E .container \u003E .cmp-container \u003E .aem-container \u003E div:first-child{flex-grow:1}.sf-copy-markdown{margin-top:40px !important}.page-toc ul{margin-top:16px !important}.seo-hub__top-bar \u003E .container \u003E .cmp-container \u003E .aem-container{display:flex;justify-content:space-between}.sf-copy-markdown{}.callout.snowflake-text p:not(:first-child){margin-top:var(--spacing-01)}.callout \u003E span \u003E p:first-child \u003E strong,.callout \u003E span \u003E p:first-child \u003E b{text-transform:uppercase;font-family:'Texta',sans-serif;font-size:16px !important;color:var(--ui-01) !important}.seo-hub-hero__subheadline p{max-width:50ch}.tag-group ul{list-style-type:none;padding:0;margin:0;display:flex;flex-direction:row;row-gap:12px;column-gap:8px;align-items:center;flex-wrap:wrap}.tag-group ul li:first-child{flex-shrink:0}.tag-group ul li a{display:inline-block;padding:2px 12px;border-radius:48px;background-color:#ededed;color:#666;font-size:14px !important}@media screen and (min-width:1367px){.seo-hub-hero__headline span.snowflake-title-v2-line{font-size:56px !important}}.callout.snowflake-text p:not(:first-child){margin-top:var(--spacing-01)}.callout \u003E span \u003E p:first-child \u003E b{text-transform:uppercase;font-family:'Texta',sans-serif;font-size:16px !important;color:var(--ui-01) !important}.seo-hub-hero__subheadline p{max-width:80ch}#hero:has(.snowflake-youtube-lite) .seo-hub-hero__subheadline p{max-width:50ch}.tag-group ul{list-style-type:none;padding:0;margin:0;display:flex;flex-direction:row;row-gap:12px;column-gap:8px;align-items:center;flex-wrap:wrap}.tag-group ul li:first-child{width:100%;flex-shrink:0}.tag-group ul li a{display:inline-block;padding:2px 12px;border-radius:48px;background-color:#ededed;color:#666;font-size:14px !important}@media screen and (min-width:1367px){.seo-hub-hero__headline span.snowflake-title-v2-line{font-size:56px !important}}",":type":"snowflake-site/components/markup-editor","isGSAPEnabled":false},"markup_editor":{"id":"markup-editor-cc62e7e981","title":" ","cssContent":"div.snowflake-breadcrumb a.snowflake-breadcrumb-item,.snowflake-breadcrumb div.snowflake-breadcrumb-item{text-transform:none;font-weight:500}.snowflake-breadcrumb svg{display:none !important}.snowflake-breadcrumb a:has(svg)::after{content:'/';margin:0 12px;color:#666}.hub-sidebar{padding:0 40px}.sticky-sidebar{max-width:340px;margin-left:auto}.page-toc ul{list-style-type:none;padding:0}.page-toc li{padding:8px 16px;border-left:4px solid var(--ui-01);cursor:pointer;transition:300ms ease all}.page-toc li:hover{color:var(--ui-01);border-color:#7fd3f1;transition:300ms ease all}.callout,.customer-card{background-color:#eef9fd;border-left:4px solid var(--ui-01);padding:24px 24px 24px 32px;border-radius:4px}.logo-container{max-width:180px}.longform-content li{margin-top:1rem !important}div.longform-content p{max-width:80ch}.bolder .snowflake-title-v2-line{font-weight:900 !important}.border-top\u003Ediv{border-top:1px solid #ccc;padding-top:48px}.related-topics ul{list-style-type:none;padding:0;margin:0;display:flex;gap:8px;flex-wrap:wrap}.related-topics li{display:inline-block;border:1px solid #ccc;padding:4px 12px;border-radius:24px}div.longform-content .snowflake-text h2,div.longform-content .snowflake-text .heading-2-v2,div.longform-content .snowflake-text h3,div.longform-content .snowflake-text .heading-3-v2,div.longform-content .snowflake-title-v2 .heading-3-v2,div.longform-content .snowflake-text h4,div.longform-content .snowflake-text .heading-4-v2,div.longform-content .snowflake-title-v2 .heading-4-v2,div.longform-content .snowflake-text h5,div.longform-content .snowflake-text .heading-5-v2,div.longform-content .snowflake-title-v2 .heading-5-v2,div.longform-content .snowflake-text h6,div.longform-content .snowflake-title-v2 .heading-6-v2,div.longform-content .snowflake-text .heading-6-v2{text-transform:none !important}div.longform-content .snowflake-text h2,div.longform-content .snowflake-text .heading-2-v2,div.longform-content .snowflake-text h3,div.longform-content .snowflake-text .heading-3-v2,div.longform-content .snowflake-text h4,div.longform-content .snowflake-text .heading-4-v2,div.longform-content .snowflake-text h5,div.longform-content .snowflake-text .heading-5-v2,div.longform-content .snowflake-text h6,div.longform-content .snowflake-text .heading-6-v2{margin-top:1.5rem !important;line-height:1.1 !important}div.longform-content .snowflake-text h3,div.longform-content .snowflake-text .heading-3-v2,div.longform-content .snowflake-title-v2 .heading-3-v2,div.longform-content .snowflake-text h4,div.longform-content .snowflake-text .heading-4-v2,div.longform-content .snowflake-title-v2 .heading-4-v2,div.longform-content .snowflake-text h5,div.longform-content .snowflake-text .heading-5-v2,div.longform-content .snowflake-title-v2 .heading-5-v2,div.longform-content .snowflake-text h6,div.longform-content .snowflake-text .heading-6-v2,div.longform-content .snowflake-title-v2 .heading-6-v2{font-family:Lato,sans-serif !important;font-weight:800 !important}div.longform-content .snowflake-text h2,div.longform-content .snowflake-text .heading-2-v2,div.longform-content .snowflake-title-v2 .heading-2-v2{text-transform:none !important;font-size:28px !important}div.longform-content .snowflake-text h3,div.longform-content .snowflake-text .heading-3-v2,div.longform-content .snowflake-title-v2 .heading-3-v2{font-size:22px !important}div.longform-content .snowflake-text h4,div.longform-content .snowflake-text .heading-4-v2,div.longform-content .snowflake-title-v2 .heading-4-v2{font-size:18px !important}div.longform-content .snowflake-text h5,div.longform-content .snowflake-text .heading-5-v2,div.longform-content .snowflake-title-v2 .heading-5-v2{font-size:16px !important}div.longform-content .snowflake-text h6,div.longform-content .snowflake-text .heading-6-v2,div.longform-content .snowflake-title-v2 .heading-6-v2{font-size:14px !important}@media screen and (min-width:992px){div.longform-content .snowflake-text h2,div.longform-content .snowflake-text .heading-2-v2,div.longform-content .snowflake-title-v2 .heading-2-v2{font-size:38px !important}div.longform-content .snowflake-text h3,div.longform-content .snowflake-text .heading-3-v2,div.longform-content .snowflake-title-v2 .heading-3-v2{font-size:26px !important}div.longform-content .snowflake-text h4,div.longform-content .snowflake-text .heading-4-v2,div.longform-content .snowflake-title-v2 .heading-4-v2{font-size:22px !important}div.longform-content .snowflake-text h5,div.longform-content .snowflake-text .heading-5-v2,div.longform-content .snowflake-title-v2 .heading-5-v2{font-size:18px !important}div.longform-content .snowflake-text h6,div.longform-content .snowflake-text .heading-6-v2,div.longform-content .snowflake-title-v2 .heading-6-v2{font-size:16px !important}}.sticky-sidebar .page-toc li.is-active{font-weight:600;color:var(--snow-blue,#29b5e8)}.sticky-sidebar .page-toc li[data-anchor]{cursor:pointer}.longform-content table{margin-top:24px;margin-bottom:24px;width:100%;background-color:var(--ui-background-01);border-collapse:collapse;border:2px solid var(--ui-background-09);font-family:'Lato',sans-serif;color:var(--ui-background-09)}.longform-content table thead{background-color:var(--ui-01)}.longform-content th,.longform-content td{min-width:120px;border:2px solid var(--ui-background-09);padding:var(--spacing-01)}.longform-content ol{margin-top:0 !important}.longform-content ol li{margin-bottom:1rem !important}.longform-content ul li{margin:0;padding:0 0 0 32px;position:relative}.longform-content ul{list-style-type:none}.longform-content ul li::before{content:\"\";display:block;border-radius:100%;background:#29b5e8;width:18px;height:18px;position:absolute;top:4px;left:0;border:5px solid #e5f2f7;box-sizing:border-box}.seo-customer.snowflake-card-v2-advanced-horizontal .snowflake-card-v2-advanced-image-container{max-width:200px}.seo-customer.snowflake-card-v2-advanced-horizontal .snowflake-card-v2-advanced-image-container img{object-fit:contain}.related-topics-outer-container \u003E .container \u003E .cmp-container \u003E .aem-container{display:flex;flex-direction:row}.related-topics-outer-container \u003E .container \u003E .cmp-container \u003E .aem-container \u003E div{width:auto !important;margin:0 !important}.related-topics-outer-container \u003E .container \u003E .cmp-container \u003E .aem-container \u003E div:first-child{margin-right:16px !important;flex-shrink:0}","jsContent":"(function(){var OFFSET=100;if(window.gsap&&window.ScrollTrigger){gsap.registerPlugin(ScrollTrigger);var sidebar=document.querySelector('.sticky-sidebar');var body=document.querySelector('.longform-content');if(sidebar&&body){ScrollTrigger.create({trigger:sidebar,start:'top 100px',endTrigger:body,end:'bottom bottom',pin:sidebar,pinSpacing:false});}}document.addEventListener('click',function(e){var li=e.target.closest('li[data-anchor]');if(!li)return;var slug=li.getAttribute('data-anchor');var heading=document.querySelector('.anchor-title--'+CSS.escape(slug));if(!heading)return;e.preventDefault();var top=heading.getBoundingClientRect().top+window.pageYOffset-OFFSET;window.scrollTo({top:top,behavior:'smooth'});history.replaceState(null,'','#'+slug);},false);var headings=document.querySelectorAll('[class*=\"anchor-title--\"]');if(headings.length&&'IntersectionObserver'in window){var io=new IntersectionObserver(function(entries){entries.forEach(function(entry){if(!entry.isIntersecting)return;var cls=Array.from(entry.target.classList).find(function(c){return c.indexOf('anchor-title--')===0;});if(!cls)return;var slug=cls.replace('anchor-title--','');document.querySelectorAll('li[data-anchor]').forEach(function(li){li.classList.toggle('is-active',li.getAttribute('data-anchor')===slug);});});},{rootMargin:'-20% 0px -70% 0px',threshold:0});headings.forEach(function(h){io.observe(h);});}})();",":type":"snowflake-site/components/markup-editor","isGSAPEnabled":true},"experiencefragment-footer":{"id":"experiencefragment-04935a299a","localizedFragmentVariationPath":"/content/experience-fragments/snowflake-site/language-masters/fr/site/footer/master/jcr:content","configured":true,":type":"snowflake-site/components/experiencefragment","xfModelPath":"/content/experience-fragments/snowflake-site/language-masters/fr/site/footer/master.xfmodel.json?callerPage=/content/snowflake-site/global/fr/artificial-intelligence"},"experiencefragment":{"id":"experiencefragment-96459671d3","localizedFragmentVariationPath":"/content/experience-fragments/snowflake-site/language-masters/fr/site/footer-legal-disclaimers/master/jcr:content","configured":true,":type":"snowflake-site/components/experiencefragment","xfModelPath":"/content/experience-fragments/snowflake-site/language-masters/fr/site/footer-legal-disclaimers/master.xfmodel.json?callerPage=/content/snowflake-site/global/fr/artificial-intelligence"}},":itemsOrder":["experiencefragment-banner","experiencefragment-header","responsivegrid","modal_container","markup_editor_928258845","markup_editor_597730182","markup_editor","experiencefragment-footer","experiencefragment"],":type":"wcm/foundation/components/responsivegrid"}},":itemsOrder":["root"],"analyticsContentTags":[],"analyticsEnabled":true,"isPasswordProtected":false,"coveoConfig":{"apiKey":"xx335921a6-2a0a-40f2-a167-e390b4766c3d","organizationId":"snowflakecomputingproduction8neljofn","searchHub":"snowflake.com","pipeline":"snowflake.com"},"analyticsDebugMode":false,"analyticsData":{"excludeFromAnalytics":false,"subCategory":"","pageType":"homepage","templateName":"base-page-template54","siteName":"snowflake","pageUrl":"/content/snowflake-site/global/fr/artificial-intelligence","language":"fr","category":"general","pageName":"Intelligence artificielle : Guide complet","contentTags":[]},"locale":"fr"}