{"templateName":"base-page-template54","cssClassNames":"page basicpage summit-page","allowedRenditionsWidth":["320","480","640","768","960","1200","1440","1920"],"description":"Découvrez ce qu’est l’éthique de l’IA, ses principes fondamentaux et ses principaux frameworks, ainsi que la manière de traduire l’IA responsable en gouvernance, en supervision et en pratique.","language":"fr","title":"Éthique de l’IA : Principes, frameworks et bonnes pratiques | Snowflake","analyticsPageType":"homepage","analyticsCategory":"general","analyticsSubCategory":"","excludeFromAnalytics":false,":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-fb65a4458c","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"},"experiencefragment-header":{"id":"experiencefragment-dd149c9253","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","languageNavPath":"/content/snowflake-site/global/fr/artificial-intelligence/ai-governance/ai-ethics.languagenav.json"},"responsivegrid":{"columnCount":12,"columnClassNames":{"flexible_column_cont_939100716":"aem-GridColumn aem-GridColumn--default--12","flexible_column_cont":"aem-GridColumn aem-GridColumn--default--12","flexible_column_cont_1158003461":"aem-GridColumn aem-GridColumn--default--12","flexible_column_cont_663228916":"aem-GridColumn aem-GridColumn--default--12","flexible_column_cont_912630531":"aem-GridColumn aem-GridColumn--default--12","flexible_column_cont_1398138236":"aem-GridColumn aem-GridColumn--default--12","flexible_column_cont_1786318617":"aem-GridColumn aem-GridColumn--default--12","flexible_column_cont_1467213961":"aem-GridColumn aem-GridColumn--default--12","flexible_column_cont_1377146023":"aem-GridColumn aem-GridColumn--default--12"},"gridClassNames":"aem-Grid aem-Grid--12 aem-Grid--default--12",":items":{"flexible_column_cont":{"id":"flexible-column-container-5ae4724681","propertiesId":"hub-hero-breadcrumbs","type":"1-column","alignColumns":"top","containerMaxWidth":"extra-large","topPadding":"small","bottomPadding":"none","spaceBetween":"small","reverseOnMobile":false,"carouselOnMobile":false,"propertiesCSSClasses":"page-section","backgroundImageOption":"none","flexible_column_content_container_1":{"layout":"SIMPLE","id":"container-e090cd1a94",":items":{"breadcrumb":{"id":"breadcrumb-f0a1c1e21a","items":[{"id":"breadcrumb-f0a1c1e21a-item-8fdfff6b6b","link":{"valid":true,"url":"/fr/artificial-intelligence/"},"active":false,"current":false,"title":"Intelligence artificielle",":type":"snowflake-site/components/structure/page","appliedCssClassNames":"summit-page"},{"id":"breadcrumb-f0a1c1e21a-item-87b7628be6","link":{"valid":true,"url":"/fr/artificial-intelligence/ai-governance/"},"active":false,"current":false,"title":"Gouvernance de l’IA",":type":"snowflake-site/components/structure/page","appliedCssClassNames":"summit-page"},{"id":"breadcrumb-f0a1c1e21a-item-1663e4a547","link":{"valid":true,"url":"/fr/artificial-intelligence/ai-governance/ai-ethics/"},"active":true,"current":true,"title":"Éthique de l’IA",":type":"snowflake-site/components/structure/page","appliedCssClassNames":"summit-page"}],":type":"snowflake-site/components/breadcrumb"}},":itemsOrder":["breadcrumb"],":type":"snowflake-site/components/flexible-column-container/flexible-column-content-container"},":type":"snowflake-site/components/flexible-column-container","isBlogPage":false,"isActiveTOC":false,"appliedCssClassNames":"snowflake-flexible-column-container-gray-10-bg"},"flexible_column_cont_939100716":{"id":"flexible-column-container-cb9e6faac8","propertiesId":"hub-hero","type":"2-column-even","alignColumns":"center","containerMaxWidth":"extra-large","topPadding":"extra-small","bottomPadding":"extra-small","spaceBetween":"small","reverseOnMobile":false,"carouselOnMobile":false,"propertiesCSSClasses":"page-section","backgroundImageOption":"none","flexible_column_content_container_1":{"layout":"SIMPLE","id":"container-a727d0634d",":items":{"title_v2":{"id":"title-v2-e9a9d7bf7a","additionalClasses":"hub-hero__headline","type":"heading1","lines":["Éthique de l’IA : les principes qui façonnent le développement d’une IA responsable"],":type":"snowflake-site/components/title-v2","appliedCssClassNames":"left-alignment"},"text":{"id":"text-cad70ecad5","additionalClasses":"hub-hero__subheadline","text":"\u003Cp\u003EL’éthique de l’IA façonne des décisions critiques bien avant qu’un système d’IA ne soit mis en service, en déterminant quelles données sont utilisées, quels intérêts sont protégés et comment les risques sont gérés. Cet article présente les principes fondamentaux et les frameworks qui guident l’IA responsable, et explique comment les entreprises les traduisent en pratiques concrètes.\u003C/p\u003E\n","richText":true,":type":"snowflake-site/components/text","appliedCssClassNames":"text-size-regular 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-cb725f2d14",":items":{"content_chip_copy":{"id":"content-chip-c00222e3c2","cta":{"id":"cta","showOutboundIcon":false,"linkTargetContentType":"GENERIC",":type":"snowflake-site/components/button","linkType":"SNOWFLAKE_INTERNAL","text":"Lire la biographie"},"image":{"id":"image","height":"800","lazyEnabled":true,"src":"https://www.snowflake.com/adobe/dynamicmedia/deliver/dm-aid--d2c1126d-3244-486b-9007-1d2bc56e1893/laurie-macpherson.jpg?quality=85&preferwebp=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-471b55b18d","cta":{"id":"cta","showOutboundIcon":false,"linkTargetContentType":"GENERIC",":type":"snowflake-site/components/button","linkType":"SNOWFLAKE_INTERNAL","text":"Lire la biographie"},"image":{"id":"image","height":"709","lazyEnabled":true,"src":"https://www.snowflake.com/adobe/dynamicmedia/deliver/dm-aid--9ad7a3c0-e23e-4370-bc36-f59a5fe02eff/img-1817.jpg?quality=85&preferwebp=true","alt":"David Gaule","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"],":type":"snowflake-site/components/container","appliedCssClassNames":"snowflake-responsive-container-inner-padding-small"}},":itemsOrder":["title_v2","text","container"],":type":"snowflake-site/components/flexible-column-container/flexible-column-content-container","appliedCssClassNames":"snowflake-responsive-container-inner-padding-extra-small"},"flexible_column_content_container_2":{"additionalClasses":"hub-hero__video-column","layout":"SIMPLE","id":"container-9004625e5d",":items":{"youtube":{"id":"embed-7e29aadf38","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/flexible-column-content-container"},":type":"snowflake-site/components/flexible-column-container","isBlogPage":false,"isActiveTOC":false,"appliedCssClassNames":"snowflake-flexible-column-container-gray-10-bg"},"flexible_column_cont_1398138236":{"id":"flexible-column-container-9a3127a39f","propertiesId":"hub-hero-related-topics","type":"1-column","alignColumns":"top","containerMaxWidth":"extra-large","topPadding":"extra-small","bottomPadding":"medium","spaceBetween":"small","reverseOnMobile":false,"carouselOnMobile":false,"propertiesCSSClasses":"page-section","backgroundImageOption":"none","flexible_column_content_container_1":{"additionalClasses":"related-topics-outer-container border-top","layout":"SIMPLE","id":"container-d588ea38b6",":items":{"text_894059747":{"id":"text-20b0d0f5e3","additionalClasses":"seo-hub-hero__related-topic-label","text":"\u003Cp\u003EThèmes liés à la gouvernance de l’IA :\u003C/p\u003E\n","richText":true,":type":"snowflake-site/components/text","appliedCssClassNames":"text-size-regular text-color-text-05"},"text":{"id":"text-149df7a200","additionalClasses":"related-topics ","text":"\u003Cul\u003E\n\u003Cli\u003E\u003Ca href=\"https://www.snowflake.com/fr/artificial-intelligence/ai-governance/ai-compliance/\"\u003EConformité 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 liés à l’IA\u003C/a\u003E\u003C/li\u003E\n\u003Cli\u003E\u003Ca href=\"https://www.snowflake.com/fr/artificial-intelligence/ai-governance/ai-traceability/\"\u003ETraçabilité de l’IA\u003C/a\u003E\u003C/li\u003E\n\u003Cli\u003E\u003Ca href=\"https://www.snowflake.com/fr/artificial-intelligence/ai-governance/ai-transparency/\"\u003ETransparence de l’IA\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/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/ai-governance/iso-42001/\"\u003EISO 42001\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/flexible-column-content-container"},":type":"snowflake-site/components/flexible-column-container","isBlogPage":false,"isActiveTOC":false,"appliedCssClassNames":"snowflake-flexible-column-container-gray-10-bg"},"flexible_column_cont_663228916":{"id":"flexible-column-container-13ab363cf0","propertiesId":"hub-body","type":"2-column-60-40","alignColumns":"top","containerMaxWidth":"extra-large","topPadding":"medium","bottomPadding":"medium","spaceBetween":"small","reverseOnMobile":false,"carouselOnMobile":false,"propertiesCSSClasses":"page-section","backgroundImageOption":"none","flexible_column_content_container_1":{"additionalClasses":"longform-content","layout":"SIMPLE","id":"hub-body-content",":items":{"text":{"id":"text-b5d2efeaa7","additionalClasses":"callout callout--general","text":"\u003Cp\u003E\u003Cb\u003EDÉFINITION DE L’ÉTHIQUE DE L’IA\u003C/b\u003E\u003C/p\u003E\n\u003Cp\u003EL’éthique de l’IA désigne l’ensemble des valeurs et des principes qui guident la conception, le déploiement et la gouvernance de l’intelligence artificielle. Elle aide les entreprises à évaluer l'impact de l'IA sur les individus, à équilibrer des priorités concurrentes (comme l'équité, la confidentialité et la sécurité) et à prendre des décisions qui concilient l'innovation technologique et le bien-être humain.\u003C/p\u003E\n","richText":true,":type":"snowflake-site/components/text","appliedCssClassNames":"text-size-regular text-color-text-05"},"text_intro_0":{"id":"text-477424200a","text":"\u003Cp\u003ELorsqu’un \u003Ca href=\"https://www.snowflake.com/fr/artificial-intelligence/\"\u003Esystème d’IA\u003C/a\u003E entre en production, de nombreux choix éthiques ont déjà été faits. Les données d’entraînement ont été sélectionnées, l’objectif a été défini, les métriques d’évaluation ont été choisies et le chemin d’accès a été approuvé. Un processus de repli peut exister ou non.\u003C/p\u003E\n\u003Cp\u003EL’éthique de l’IA permet aux équipes d’examiner ces choix avant qu’ils ne soient définitivement intégrés à l’architecture. Elle permet de vérifier si le système respecte l'autonomie humaine, répartit équitablement les bénéfices et les préjudices, minimise les dommages prévisibles, protège la confidentialité et laisse suffisamment de preuves pour qu'une personne puisse comprendre ou contester un résultat.\u003C/p\u003E\n","richText":true,":type":"snowflake-site/components/text","appliedCssClassNames":"text-color-text-05"},"title_what_is_ai_ethics":{"id":"title-v2-968f799fda","additionalClasses":"anchor-title anchor-title--what-is-ai-ethics","type":"heading2","lines":["Qu’est-ce que l’éthique de l’IA ?"],":type":"snowflake-site/components/title-v2"},"text_what_is_ai_ethics_0":{"id":"text-5f4beb86cd","text":"\u003Cp\u003EL’éthique de l’IA est un domaine interdisciplinaire qui étudie les principes moraux guidant la conception, le développement et le déploiement des systèmes d’IA. Elle s’appuie sur l’éthique appliquée, la bioéthique, l’informatique, le droit, les droits de l’homme et les sciences sociales pour évaluer l’impact des systèmes d’IA sur les personnes, les organisations et la société.\u003C/p\u003E\r\n\u003Cp\u003EElle pose plusieurs questions fondamentales :\u003C/p\u003E\r\n\u003Cul\u003E\r\n\u003Cli\u003E\u003Cp\u003EUne personne devrait-elle pouvoir se soustraire à une décision pilotée par l'IA ? \u003C/p\u003E\r\n\u003C/li\u003E\r\n\u003Cli\u003E\u003Cp\u003EQuels types de préjudices une équipe doit-elle tester avant le déploiement ? \u003C/p\u003E\r\n\u003C/li\u003E\r\n\u003Cli\u003E\u003Cp\u003EQui détient la responsabilité morale lorsqu’un modèle recommande une action mais qu’un processus métier l’exécute ? \u003C/p\u003E\r\n\u003C/li\u003E\r\n\u003Cli\u003E\u003Cp\u003EQuels compromis sont acceptables lorsque la précision, la confidentialité, l’équité, la sécurité et la transparence divergent ?\u003C/p\u003E\r\n\u003C/li\u003E\r\n\u003C/ul\u003E\r\n\u003Cp\u003EL’éthique de l’IA est liée à l’IA responsable, à la gouvernance de l’IA et à la conformité de l’IA.\u003C/p\u003E\r\n\u003Cp\u003E\u003Cb\u003EL’éthique de l’IA définit les principes. \u003C/b\u003EElle établit les principes normatifs qu'un système doit respecter, tels que l'autonomie, la bienfaisance, la non-malfaisance, la justice et l'explicabilité.\u003C/p\u003E\r\n\u003Cp\u003E\u003Cb\u003EL’\u003Ca href=\"https://www.snowflake.com/fr/artificial-intelligence/ai-governance/responsible-ai/\"\u003EIA responsable\u003C/a\u003E définit le modèle opérationnel. \u003C/b\u003EElle traduit ces principes en pratiques concrètes, telles que des évaluations d’impact, des audits de biais, du red-teaming, de la documentation et des examens humains.\u003C/p\u003E\r\n\u003Cp\u003E\u003Cb\u003ELa \u003Ca href=\"https://www.snowflake.com/en/artificial-intelligence/ai-governance/\"\u003Egouvernance de l’IA\u003C/a\u003E définit la structure. \u003C/b\u003EElle fixe les structures de responsabilité, les politiques, les dispositifs de contrôle, les processus d'approbation et de supervision afin que les pratiques d'IA responsable soient appliquées de manière cohérente.\u003C/p\u003E\r\n\u003Cp\u003E\u003Cb\u003ELa \u003Ca href=\"https://www.snowflake.com/en/fundamentals/ai-governance/compliance/\"\u003Econformité de l’IA\u003C/a\u003E définit l’ensemble des obligations. \u003C/b\u003EElle associe les systèmes d’IA, les usages des données et les processus opérationnels aux lois, réglementations, normes et politiques internes applicables, puis produit les preuves nécessaires pour démontrer le respect de ces exigences.\u003C/p\u003E\r\n\u003Cp\u003EL’éthique de l’IA se situe en amont de l’IA responsable, de la gouvernance et de la conformité. Elle fournit aux organisations un fondement de principes pour définir ce que signifie « bien faire » dans un contexte d'IA donné ; la gouvernance et les pratiques opérationnelles de conformité déterminent ensuite comment ces décisions sont appliquées.\u003C/p\u003E\r\n\u003Cp\u003E\u003Ci\u003EDécouvrez l’avis de Christian Kleinerman, EVP of Product chez Snowflake, et de Jennifer Belissent, Principal Data Strategist chez Snowflake, sur l’éthique de l’IA :\u003C/i\u003E\u003C/p\u003E\r\n","richText":true,":type":"snowflake-site/components/text","appliedCssClassNames":"text-color-text-05"},"yt_what_is_ai_ethics_0":{"id":"embed-ad20935b31","youtubeVideoId":"DPs8nz59kss","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_the_foundational_principles_of_ai_ethics":{"id":"title-v2-44ba56c0f5","additionalClasses":"anchor-title anchor-title--the-foundational-principles-of-ai-ethics","type":"heading2","lines":["Quels sont les grands principes de l'éthique de l'IA ?"],":type":"snowflake-site/components/title-v2"},"text_the_foundational_principles_of_ai_ethics_0":{"id":"text-b51f9ce93d","text":"\u003Cp\u003EDe nombreux débats sur l’éthique de l’IA s’appuient sur des principes bien antérieurs à l’IA moderne, notamment les principes de bioéthique utilisés pour évaluer les décisions médicales, les pratiques de recherche et les obligations institutionnelles. \u003Ca rel=\"noopener noreferrer\" target=\"_blank\" href=\"https://hdsr.mitpress.mit.edu/pub/l0jsh9d1/release/8\"\u003ELe cadre de référence largement cité de Luciano Floridi et Josh Cowls \u003C/a\u003Eidentifie cinq principes fondamentaux pour l’IA dans la société : la bienfaisance, la non-malfaisance, l’autonomie, la justice et l’explicabilité. Les quatre premiers sont issus de la bioéthique, tandis que l’explicabilité a été ajoutée pour répondre au besoin de comprendre les systèmes d’IA et d’en attribuer la responsabilité.\u003C/p\u003E\r\n\u003Ch3\u003EAutonomie\u003C/h3\u003E\r\n\u003Cp\u003EL’autonomie consiste à respecter la capacité d’action de l’être humain. Dans les systèmes d'IA, cela peut se traduire par une information claire et compréhensible des utilisateurs, la possibilité de se soustraire au système, l'exigence d'une révision humaine pour les décisions à fort impact, ou le fait d'éviter que l'automatisation ne réduise les options d'une personne sans explication.\u003C/p\u003E\r\n\u003Cp\u003EPar exemple, un modèle de recrutement peut classer les candidats en fonction de données de performances historiques, mais l’autonomie exige bien plus qu’un classement techniquement précis. Un candidat ne doit pas être réduit à un simple score sans possibilité de corriger des données erronées, de demander un réexamen de sa candidature ou de comprendre l’impact du système sur son parcours.\u003C/p\u003E\r\n\u003Ch3\u003EBienfaisance\u003C/h3\u003E\r\n\u003Cp\u003ELa bienfaisance signifie que les systèmes d’IA doivent être bénéfiques. Ces bénéfices peuvent prendre la forme d’un meilleur accès, d’un service plus rapide, d’une productivité accrue, d’une détection améliorée ou de décisions plus cohérentes. Un modèle qui aide les cliniciens à identifier les lacunes dans les soins, oriente les demandes des clients vers la bonne équipe ou facilite la navigation dans les services publics peut servir des objectifs de bienfaisance, à condition que ces bénéfices soient réels, mesurables et partagés par les personnes concernées.\u003C/p\u003E\r\n\u003Cp\u003EEn pratique, la bienfaisance doit tenir compte des conséquences imprévues : Les équipes peuvent évaluer si le système améliore les résultats par rapport au processus qu’il remplace ou optimise. Toutefois, un système peut accroître l’efficacité globale tout en concentrant les risques sur un groupe restreint de personnes. C’est pourquoi la bienfaisance doit être mise en balance avec les autres principes.\u003C/p\u003E\r\n\u003Ch3\u003ENon-malfaisance\u003C/h3\u003E\r\n\u003Cp\u003ELa non-malfaisance est souvent résumée par la formule « d’abord, ne pas nuire ». Pour l’IA, le préjudice peut être physique, financier, psychologique, réputationnel ou sociétal. Il peut résulter d’une recommandation dangereuse, d’un score discriminatoire, d’un jeu de données exposé, d’un modèle peu fiable dans un flux de travail à haut risque ou d’un chatbot qui fournit des instructions erronées avec assurance en dehors de son périmètre d’utilisation.\u003C/p\u003E\r\n\u003Cp\u003ELa non-malfaisance exige des équipes qu’elles identifient les préjudices prévisibles avant le déploiement et qu’elles surveillent ceux qui apparaissent en production. Cela inclut les défaillances des modèles, les usages abusifs, l’excès de confiance, les failles de sécurité et les effets en aval qui n’apparaissent pas nécessairement dans un ensemble de données de test.\u003C/p\u003E\r\n","richText":true,":type":"snowflake-site/components/text","appliedCssClassNames":"text-color-text-05"},"text_493317382":{"id":"text-19cb06583b","additionalClasses":"callout callout--general","text":"\u003Cp\u003E\u003Cb\u003EASTUCE\u003C/b\u003E\u003C/p\u003E\r\n\u003Cp\u003ELors de l’évaluation d’un système d’IA, commencez par vous demander qui pourrait être affecté en cas d’erreur. L’identification précoce des préjudices potentiels aide les équipes à prendre de meilleures décisions concernant les tests, la supervision, la transparence et l’atténuation des risques avant le déploiement.\u003C/p\u003E\r\n","richText":true,":type":"snowflake-site/components/text","appliedCssClassNames":"text-size-regular text-color-text-05"},"text_703180931":{"id":"text-60afa90967","text":"\u003Ch3\u003EJustice\u003C/h3\u003E\n\u003Cp\u003ELa justice concerne la répartition équitable des bénéfices et des préjudices. Un système d’IA ne doit pas désavantager systématiquement un groupe en raison de critères protégés, de variables d’approximation, d’une qualité de données inégale ou de biais historiques ancrés dans les données d’entraînement.\u003C/p\u003E\n\u003Cp\u003ECe principe est directement lié au \u003Ca href=\"https://www.snowflake.com/fr/artificial-intelligence/ai-governance/algorithmic-bias/\"\u003Ebiais algorithmique\u003C/a\u003E. Un modèle de détection des fraudes peut s’avérer performant globalement, tout en générant des taux de faux positifs plus élevés pour certains segments de clientèle. Un modèle de santé peut sous-estimer les risques pour des groupes historiquement sous-traités. La justice exige d’évaluer les performances par sous-groupe, et non de se contenter d’une précision globale à l’échelle du système.\u003C/p\u003E\n\u003Ch3\u003EExplicabilité\u003C/h3\u003E\n\u003Cp\u003EL’explicabilité signifie que les systèmes d’IA doivent être suffisamment compréhensibles pour que les utilisateurs puissent les évaluer, les contester et les gouverner. Elle comprend l’explicabilité (la manière dont le système est parvenu à un résultat) et la responsabilité (qui répond du fonctionnement du système).\u003C/p\u003E\n\u003Cp\u003EPour un moteur de recommandation à faible risque, l’explicabilité peut se limiter à une information générale et à des rapports de performance interprétables. Pour une décision relative au crédit, à l'emploi, à la santé ou au secteur public, cela peut nécessiter une documentation plus détaillée, des explications sur les décisions, des voies de recours et des enregistrements d'audit.\u003C/p\u003E\n","richText":true,":type":"snowflake-site/components/text","appliedCssClassNames":"text-color-text-05"},"title_modern_ai_specific_ethical_principles":{"id":"title-v2-e57cb6e95e","additionalClasses":"anchor-title anchor-title--modern-ai-specific-ethical-principles","type":"heading2","lines":["Ce que l'éthique de l'IA générative change par rapport aux approches classiques"],":type":"snowflake-site/components/title-v2"},"text_modern_ai_specific_ethical_principles_0":{"id":"text-8ee8b40622","text":"\u003Cp\u003EÀ mesure que les systèmes d’IA sont passés des laboratoires de recherche aux processus métier, aux services publics et aux produits de grande consommation, les cadres éthiques se sont affinés. S’ils s’appuient toujours sur les principes fondamentaux mentionnés ci-dessus, ils les traduisent désormais en contrôles applicables par les équipes techniques, juridiques, de gestion des risques et métier.\u003C/p\u003E\n\u003Ch3\u003EÉquité\u003C/h3\u003E\n\u003Cp\u003EL’équité signifie que les résultats de l’IA ne doivent pas être discriminatoires. Les équipes évaluent souvent l'équité à l'aide de mesures telles que la parité démographique, l'égalité des chances, les probabilités équilibrées et le calibrage, puis choisissent la métrique la plus adaptée à l'objectif et au profil de risque du système. Un indicateur ne remplace pas le jugement éthique, mais il permet de révéler si un modèle répartit les erreurs de manière inégale.\u003C/p\u003E\n","richText":true,":type":"snowflake-site/components/text","appliedCssClassNames":"text-color-text-05"},"quote_item":{"id":"quote-item-bd557f9875","alignment":"left","layout":"simple","showQuoteIcon":true,"quote":"Un indicateur ne remplace pas le jugement éthique, mais il permet de révéler si un modèle répartit les erreurs de manière inégale.","showHangingPunctuation":false,":type":"snowflake-site/components/quote-item"},"text_1662439209":{"id":"text-44c9cd8f1b","text":"\u003Ch3\u003ETransparence\u003C/h3\u003E\r\n\u003Cp\u003E\u003Ca href=\"https://www.snowflake.com/fr/artificial-intelligence/ai-governance/ai-transparency/\"\u003ELa transparence\u003C/a\u003E signifie que les personnes savent quand l'IA est impliquée, ce que le système est censé faire, quelles données ou quels signaux il utilise et quelles sont ses limites. Pour les systèmes d’IA générative, la transparence peut inclure la mention indiquant que le contenu est généré par l’IA, la documentation des sources de récupération, les fiches de modèle, les résultats d’évaluation et les limites en matière de précision ou d’exhaustivité.\u003C/p\u003E\r\n\u003Ch3\u003EResponsabilité\u003C/h3\u003E\r\n\u003Cp\u003ELa responsabilité signifie qu’une personne ou une organisation doit répondre du comportement du système. Un modèle peut générer une sortie, mais il ne peut pas approuver son propre déploiement, assumer un risque réglementaire, expliquer un incident à un client ni décider s’il convient de corriger un schéma préjudiciable. La responsabilité exige de désigner des responsables, de définir des processus d’escalade et d’accorder l’autorité nécessaire pour suspendre ou modifier le système.\u003C/p\u003E\r\n\u003Ch3\u003EConfidentialité\u003C/h3\u003E\r\n\u003Cp\u003ELa confidentialité consiste à minimiser l’utilisation des données personnelles, à protéger les attributs sensibles, à respecter le consentement et à limiter l’utilisation secondaire. Dans les systèmes d’IA, la confidentialité peut impliquer la minimisation des données, des contrôles d’accès, des limites de conservation, l’anonymisation, le recours à des données synthétiques ou des techniques de confidentialité différentielle qui réduisent le risque d’exposer des informations sur des personnes physiques précises. \u003C/p\u003E\r\n\u003Ch3\u003ESécurité et fiabilité\u003C/h3\u003E\r\n\u003Cp\u003ELa sécurité et la robustesse de l’IA signifient que les systèmes fonctionnent de manière fiable, tant dans des conditions prévues qu’imprévues. Un modèle doit être testé pour ses modes de défaillance, les entrées adversariales, la dérive, les sorties dangereuses et les comportements hors de son usage prévu. Le \u003Ca rel=\"noopener noreferrer\" href=\"https://www.nist.gov/itl/ai-risk-management-framework\" target=\"_blank\"\u003ENational Institute of Standards and Technology (NIST)\u003C/a\u003E décrit les caractéristiques d'une IA digne de confiance, notamment : la validité et la fiabilité ; la sécurité, la sûreté et la résilience ; la responsabilité et la transparence ; l'explicabilité et l'interprétabilité ; le renforcement de la confidentialité ; et l'équité avec gestion des biais préjudiciables.\u003C/p\u003E\r\n\u003Ch3\u003EContestabilité\u003C/h3\u003E\r\n\u003Cp\u003ELa contestabilité signifie que les personnes concernées par les systèmes d’IA peuvent contester les décisions et demander réparation. Ce principe est d’autant plus important lorsque l’IA influe sur l’accès à l’emploi, au crédit, au logement, aux soins de santé, à l’éducation, aux prestations publiques ou à d’autres décisions à fort impact. Un système contestable offre aux personnes un moyen de corriger leurs données, de demander une révision humaine et de comprendre les éléments qui ont déterminé le résultat.\u003C/p\u003E\r\n","richText":true,":type":"snowflake-site/components/text","appliedCssClassNames":"text-color-text-05"},"title_major_ai_ethics_frameworks":{"id":"title-v2-c943f9e003","additionalClasses":"anchor-title anchor-title--major-ai-ethics-frameworks","type":"heading2","lines":["Principaux cadres éthiques de l’IA"],":type":"snowflake-site/components/title-v2"},"text_major_ai_ethics_frameworks_0":{"id":"text-d00a340a8a","text":"\u003Cp\u003ELes cadres éthiques de l’IA varient selon l’institution, la juridiction et le public visé, mais beaucoup convergent vers des concepts similaires : les droits humains, l’équité, la transparence, la sécurité, la responsabilité et la supervision humaine.\u003C/p\u003E\r\n\u003Ch3\u003ERecommandation de l’UNESCO sur l’éthique de l’IA\u003C/h3\u003E\r\n\u003Cp\u003E\u003Ca rel=\"noopener noreferrer\" target=\"_blank\" href=\"https://www.unesco.org/fr/artificial-intelligence/recommendation-ethics\"\u003ELa Recommandation de l’UNESCO sur l’éthique de l’intelligence artificielle\u003C/a\u003E a été adoptée en 2021 et est présentée par l’UNESCO comme la première norme mondiale sur l’éthique de l’IA. L’UNESCO précise que cette recommandation s’applique à ses 194 États membres. Elle place les droits humains et la dignité au centre des préoccupations, tout en accordant une attention particulière à la transparence, à l’équité et à la supervision humaine.\u003C/p\u003E\r\n\u003Cp\u003ELe cadre de l’UNESCO est vaste, car il aborde l’IA sous l’angle social, économique et des droits humains, et non pas uniquement comme une question de gouvernance technique. Il couvre des domaines tels que les politiques publiques, l’éducation, la culture, le travail, l’environnement, l’égalité des genres et le développement. Il s’avère ainsi particulièrement utile pour les organisations qui doivent appréhender l’IA à l’échelle de plusieurs juridictions et groupes de parties prenantes.\u003C/p\u003E\r\n\u003Ch3\u003EPrincipes de l’OCDE sur l’IA\u003C/h3\u003E\r\n\u003Cp\u003E\u003Ca rel=\"noopener noreferrer\" href=\"https://www.oecd.org/fr/topics/ai-principles.html\" target=\"_blank\"\u003ELes Principes de l’OCDE sur l’IA\u003C/a\u003E encouragent le développement d’une IA innovante, digne de confiance et respectueuse des droits humains et des valeurs démocratiques. Ces principes couvrent la croissance inclusive, le développement durable et le bien-être ; le respect des droits de l’Homme et des valeurs démocratiques, y compris l’équité et la confidentialité ; la transparence et l’explicabilité ; la robustesse, la sécurité et la sûreté ; ainsi que la responsabilité.\u003C/p\u003E\r\n\u003Cp\u003EPour les organisations, les principes de l’OCDE sont particulièrement utiles en raison de leur concision et de leur orientation politique. Ils établissent un cadre normatif pour une IA digne de confiance, tout en laissant une marge de manœuvre pour adapter la mise en œuvre en fonction du contexte, du risque et du secteur.\u003C/p\u003E\r\n\u003Ch3\u003ELignes directrices de l’UE en matière d’éthique pour une IA digne de confiance\u003C/h3\u003E\r\n\u003Cp\u003E\u003Ca rel=\"noopener noreferrer\" href=\"https://op.europa.eu/fr/publication-detail/-/publication/d3988569-0434-11ea-8c1f-01aa75ed71a1\" target=\"_blank\"\u003ELes lignes directrices de l’UE en matière d’éthique pour une IA digne de confiance\u003C/a\u003E ont contribué à définir une approche européenne de l’IA, axée sur des systèmes licites, éthiques et robustes. Ces lignes directrices définissent des exigences clés : le facteur humain et la supervision ; la robustesse technique et la sécurité ; la confidentialité et la gouvernance des données ; la transparence, la diversité et l’équité ; le bien-être sociétal et environnemental ; ainsi que la responsabilité.\u003C/p\u003E\r\n\u003Cp\u003ECes lignes directrices ont également influencé les travaux réglementaires ultérieurs en Europe. Bien que le \u003Ca rel=\"noopener noreferrer\" target=\"_blank\" href=\"https://artificialintelligenceact.eu/\"\u003Erèglement de l’UE sur l’IA (EU AI Act)\u003C/a\u003E soit un cadre juridique et non un cadre éthique, il codifie de nombreuses préoccupations à dimension éthique en obligations concrètes concernant la gestion des risques liés à l'IA, la gouvernance des données, la transparence, la supervision humaine et la surveillance après commercialisation pour certains systèmes d'IA.\u003C/p\u003E\r\n\u003Ch3\u003ESérie IEEE 7000\u003C/h3\u003E\r\n\u003Cp\u003E\u003Ca rel=\"noopener noreferrer\" href=\"https://ieeexplore.ieee.org/document/9536679\" target=\"_blank\"\u003ELa série IEEE 7000\u003C/a\u003E se concentre sur l’opérationnalisation de l’éthique dans l’ingénierie et la conception de systèmes. Elle permet aux équipes d'ingénierie d'intégrer les valeurs, les préoccupations des parties prenantes et les risques éthiques directement dans les exigences du système, plutôt que de traiter l'éthique comme une simple étape d'évaluation externe une fois les décisions de conception déjà arrêtées.\u003C/p\u003E\r\n\u003Cp\u003EPour les équipes d'IA, cela est précieux car de nombreux manquements éthiques commencent par des choix de produit ou d'architecture — quelles données sont collectées, quel résultat est optimisé, quels utilisateurs sont exclus des tests, quels journaux sont conservés et quel niveau d'explication est accessible aux personnes concernées.\u003C/p\u003E\r\n","richText":true,":type":"snowflake-site/components/text","appliedCssClassNames":"text-color-text-05"},"quote_item_1664463930":{"id":"quote-item-992961efa0","alignment":"left","layout":"simple","showQuoteIcon":true,"quote":"De nombreux manquements éthiques débutent par des choix de produit ou d'architecture : quelles données sont collectées, quel résultat est optimisé, quels utilisateurs sont exclus des tests, quels journaux sont conservés et quel niveau d'explication est accessible aux personnes concernées.","showHangingPunctuation":false,":type":"snowflake-site/components/quote-item"},"text_2041893073":{"id":"text-3fa2c5bd00","text":"\u003Ch3\u003EÉtats-Unis : Blueprint for an AI Bill of Rights\u003C/h3\u003E\r\n\u003Cp\u003E\u003Ca rel=\"noopener noreferrer\" target=\"_blank\" href=\"https://www.govinfo.gov/app/details/GOVPUB-PREX23-PURL-gpo193638\"\u003ELe projet américain Blueprint for an AI Bill of Rights\u003C/a\u003E identifie cinq protections pour les systèmes automatisés : des systèmes sûrs et efficaces ; la protection contre la discrimination algorithmique ; la confidentialité des données ; l'information et l'explication ; et les alternatives humaines, l'examen par un humain et le processus de repli.\u003C/p\u003E\r\n\u003Cp\u003ECe projet de déclaration n’est pas une loi fédérale contraignante, mais il constitue une formulation utile de principes d’IA axés sur le respect des droits. Il est particulièrement pertinent pour les équipes qui conçoivent des systèmes ayant un impact sur l’éligibilité, les opportunités, l’accès ou les services essentiels.\u003C/p\u003E\r\n\u003Ch3\u003EPrincipes d'IA d'entreprise\u003C/h3\u003E\r\n\u003Cp\u003EDe nombreuses entreprises technologiques ont publié des principes d’IA traitant de l’équité, de la sécurité, de la transparence, de la responsabilité, de la confidentialité et de l’intérêt humain. Les principes d’entreprise les plus utiles sont ceux qui s’avèrent assez précis pour orienter concrètement les décisions. Par exemple, affirmer que « l’IA doit être équitable » est moins utile qu’une politique exigeant une évaluation par sous-groupe avant le déploiement, une inscription au registre des modèles avec des cas d’usage approuvés, un processus d’escalade documenté pour les sorties préjudiciables et un responsable de la correction ayant l’autorité de suspendre le système.\u003C/p\u003E\r\n","richText":true,":type":"snowflake-site/components/text","appliedCssClassNames":"text-color-text-05"},"text_2083016062":{"id":"text-87b9c970da","additionalClasses":"callout callout--general","text":"\u003Cp\u003E\u003Cb\u003EPIÈGE COURANT\u003C/b\u003E\u003C/p\u003E\n\u003Cp\u003EDe nombreuses organisations supposent que publier des principes d'IA équivaut à pratiquer l'éthique de l'IA. En réalité, l’éthique n’influence les résultats que lorsqu’elle est intégrée au processus décisionnel par le biais de la gouvernance, des tests, de la surveillance et de la responsabilité.\u003C/p\u003E\n","richText":true,":type":"snowflake-site/components/text","appliedCssClassNames":"text-size-regular text-color-text-05"},"title_from_principles_to_practice":{"id":"title-v2-5ce934da0a","additionalClasses":"anchor-title anchor-title--from-principles-to-practice","type":"heading2","lines":["Comment appliquer concrètement l'éthique de l'IA en entreprise ?"],":type":"snowflake-site/components/title-v2"},"text_from_principles_to_practice_0":{"id":"text-bf226325e9","text":"\u003Cp\u003EL’éthique de l’IA n’est utile que lorsqu’elle fait évoluer les pratiques des équipes. Plusieurs pratiques aident les entreprises à passer des discours sur l’éthique à une exécution reproductible.\u003C/p\u003E\r\n\u003Cul\u003E\r\n\u003Cli\u003E\u003Cp\u003E\u003Cb\u003EComités d’éthique : \u003C/b\u003ELes systèmes d'IA à fort impact bénéficient d'une évaluation avant déploiement par un groupe transversal capable d'évaluer l'objectif du système, les parties prenantes concernées, les préjudices prévisibles et les plans d'atténuation. Ce comité doit réunir des perspectives techniques, juridiques, de sécurité, de confidentialité, de gestion des risques et métier, avec un pouvoir clair pour approuver, rejeter ou exiger des modifications.\u003C/p\u003E\r\n\u003C/li\u003E\r\n\u003Cli\u003E\u003Cp\u003E\u003Cb\u003EÉvaluations d’impact de l’IA : \u003C/b\u003EUne évaluation d’impact de l’IA documente l’utilisation prévue du système, les populations concernées, les sources de données, les avantages, les risques de préjudice, les mesures d’atténuation et les risques résiduels. Elle offre aux équipes un cadre structuré pour analyser les risques de préjudice pour les parties prenantes avant le déploiement. Elle permet également de créer un historique consultable lors des futures évolutions du système.\u003C/p\u003E\r\n\u003C/li\u003E\r\n\u003Cli\u003E\u003Cp\u003E\u003Cb\u003EAudits de biais : \u003C/b\u003ELes audits de biais associent des tests statistiques à une évaluation qualitative. Le volet statistique peut comparer les taux d’erreur, les faux positifs, les faux négatifs ou le calibrage entre différents sous-groupes. Le volet qualitatif cherche à déterminer si les données, les labels, les processus métier ou l’expérience utilisateur créent un préjudice qu’une simple mesure statistique ne permettrait pas de détecter. La \u003Ca href=\"https://www.snowflake.com/en/artificial-intelligence/ai-governance/ai-traceability/\"\u003Etraçabilité\u003C/a\u003E permet aux équipes de remonter des résultats jusqu’à des données d’entraînement potentiellement biaisées ou non représentatives.\u003C/p\u003E\r\n\u003C/li\u003E\r\n\u003Cli\u003E\u003Cp\u003E\u003Cb\u003ERed-teaming : \u003C/b\u003ELe red-teaming d’IA teste la résistance des systèmes face à des comportements adversariaux, dangereux ou imprévus. Pour l'IA générative, cela peut inclure l'injection de prompt, les contournements du système, les fuites de données, les instructions dangereuses ou les affirmations hallucinées. Pour l’IA prédictive, cela peut inclure les dérives de distribution, les tentatives de manipulation, les cas limites et les scénarios d’usage abusif.\u003C/p\u003E\r\n\u003C/li\u003E\r\n\u003Cli\u003E\u003Cp\u003E\u003Cb\u003EConsentement de l’utilisateur et divulgation : \u003C/b\u003ELes utilisateurs doivent savoir si l’IA intervient de manière significative dans une décision, une recommandation ou une interaction. Le consentement n’a de valeur que si les utilisateurs comprennent le fonctionnement du système, les données qu’il utilise et les alternatives disponibles.\u003C/p\u003E\r\n\u003C/li\u003E\r\n\u003Cli\u003E\u003Cp\u003E\u003Cb\u003ERéponse aux incidents et remédiation : \u003C/b\u003ELes manquements à l’éthique nécessitent des procédures de réponse immédiates, et pas seulement des analyses post-mortem. Un résultat préjudiciable, un modèle de décision biaisé, une fuite de données confidentielles ou une recommandation dangereuse doivent déclencher un tri, l’attribution des responsabilités, une communication avec les utilisateurs, une remédiation et une surveillance pour éviter toute récidive.\u003C/p\u003E\r\n\u003C/li\u003E\r\n\u003Cli\u003E\u003Cp\u003E\u003Cb\u003EFormation à l’éthique : \u003C/b\u003ELes équipes techniques ont besoin d’une formation à l’éthique appliquée qui relie les grands principes aux choix de conception. Qu’il s’agisse d’un développeur travaillant sur un pipeline de récupération, d’un data scientist sélectionnant des labels d’entraînement ou d’un product manager définissant des indicateurs de réussite, tous prennent des décisions qui peuvent avoir un impact sur l’équité, la confidentialité, l’autonomie et la sécurité.\u003C/p\u003E\r\n\u003C/li\u003E\r\n\u003C/ul\u003E\r\n\u003Cp\u003EC'est le fondement de l'éthique dès la conception : L’évaluation éthique est intégrée au cycle de vie de l’IA au lieu d’être ajoutée après le déploiement.\u003C/p\u003E\r\n","richText":true,":type":"snowflake-site/components/text","appliedCssClassNames":"text-color-text-05"},"title_ai_ethics_challenges":{"id":"title-v2-bdd3918948","additionalClasses":"anchor-title anchor-title--ai-ethics-challenges","type":"heading2","lines":["Les défis de l’éthique de l’IA"],":type":"snowflake-site/components/title-v2"},"text_ai_ethics_challenges_0":{"id":"text-4096017afe","text":"\u003Cp\u003EL’éthique de l’IA est un sujet complexe, car les différentes parties prenantes n’accordent pas le même poids aux mêmes principes. De plus, la bonne réponse dépend souvent du contexte. Plusieurs défis se posent aux entreprises qui tentent de mettre en œuvre des pratiques d’éthique de l’IA robustes. \u003C/p\u003E\r\n\u003Ch3\u003ELe pluralisme des valeurs\u003C/h3\u003E\r\n\u003Cp\u003ELe pluralisme des valeurs signifie que la hiérarchisation des valeurs varie selon les personnes et les cultures. Par exemple, un système qui met l’accent sur la confidentialité individuelle peut restreindre l’accès aux données nécessaires à la sécurité collective. À l’inverse, un système conçu pour un accès élargi peut présenter des risques pour des groupes nécessitant une protection renforcée. Les entreprises d’envergure mondiale doivent pouvoir expliciter ces arbitrages plutôt que de supposer qu’une seule norme culturelle ou institutionnelle s’applique partout.\u003C/p\u003E\r\n\u003Ch3\u003EConflits de principes\u003C/h3\u003E\r\n\u003Cp\u003ELes principes éthiques peuvent entrer en conflit les uns avec les autres. La bienfaisance peut encourager l’utilisation de davantage de données pour améliorer les résultats, tandis que la confidentialité exige de les limiter au strict minimum. La transparence aide les utilisateurs à comprendre un système, mais la sécurité peut restreindre le niveau de détail dévoilé sur sa mise en œuvre. De même, la sécurité peut imposer des restrictions qui réduisent l’autonomie de l’utilisateur. Le travail sur l’éthique consiste souvent à documenter et à encadrer ces conflits, et non à les éliminer.\u003C/p\u003E\r\n\u003Ch3\u003E«Ethics-washing»\u003C/h3\u003E\r\n\u003Cp\u003E«L’ethics-washing» (ou \u003Ci\u003Eblanchiment éthique\u003C/i\u003E) se produit lorsqu’une entreprise publie des principes sans les appliquer concrètement. Une charte éthique n’empêche pas un modèle dangereux d’être mis en production. Pour cela, les équipes doivent définir des étapes de validation, des responsabilités claires, des exigences de preuve et des sanctions en cas de non-conformité.\u003C/p\u003E\r\n\u003Ch3\u003ETensions propres à l’IA générative\u003C/h3\u003E\r\n\u003Cp\u003EL’IA générative a fait émerger de nouveaux conflits éthiques liés aux droits d’auteur, au consentement, au remplacement de la main-d’œuvre, à la désinformation, aux contenus dangereux et à l’équilibre entre libre accès et prévention des abus. La liberté de création peut entrer en conflit avec les droits de propriété intellectuelle. L’accès libre aux modèles peut soutenir la recherche et l’innovation, tout en augmentant le risque de double usage. L’automatisation peut améliorer la productivité tout en transformant les rôles professionnels plus rapidement que les entreprises ne peuvent former leurs collaborateurs.\u003C/p\u003E\r\n\u003Ch3\u003ELacunes en matière d’application\u003C/h3\u003E\r\n\u003Cp\u003EL’éthique de l’IA n’est généralement pas contraignante en soi. Certaines juridictions ont commencé à inscrire dans la loi des principes liés à l’éthique, comme le fait le \u003Ca href=\"https://www.snowflake.com/fr/artificial-intelligence/ai-governance/eu-ai-act/\"\u003Erèglement européen sur l’IA\u003C/a\u003E pour certains systèmes d’IA à haut risque. Par ailleurs, des réglementations existantes comme le \u003Ca href=\"https://www.snowflake.com/en/data-governance/regulatory-compliance/gdpr/\"\u003ERGPD\u003C/a\u003E encadrent déjà la prise de décision automatisée, la confidentialité et l’utilisation des données. Cependant, de nombreuses obligations éthiques dépendent encore de la gouvernance des organisations, des normes d'acquisition, des règles sectorielles et de la responsabilité publique.\u003C/p\u003E\r\n\u003Cp\u003EC'est notamment le cas en France, où la Commission Nationale de l'Informatique et des Libertés (CNIL) joue un rôle complémentaire. Elle a publié des recommandations sur l'IA, notamment sur les systèmes de notation des personnes, la prise de décision automatisée et les conditions d'un usage loyal des données d'entraînement. La CNIL est également compétente pour contrôler les traitements automatisés relevant du RGPD et peut prononcer des sanctions en cas de manquement. Pour les organisations opérant en France, ses lignes directrices constituent donc une référence pratique, complémentaire aux exigences du règlement européen sur l'IA, dont la CNIL est amenée à assurer la supervision nationale pour certaines catégories de systèmes.\u003C/p\u003E\r\n","richText":true,":type":"snowflake-site/components/text","appliedCssClassNames":"text-color-text-05"},"title_ai_ethics_on_snowflake":{"id":"title-v2-0957bea866","additionalClasses":"anchor-title anchor-title--ai-ethics-on-snowflake","type":"heading2","lines":["Comment Snowflake intègre l'éthique dans ses systèmes d'IA ?"],":type":"snowflake-site/components/title-v2"},"text_ai_ethics_on_snowflake_0":{"id":"text-74f5356fee","text":"\u003Cp\u003EL’éthique de l’IA est plus facile à appliquer lorsque ses principes se traduisent par des contrôles au niveau de la plateforme. Par exemple, une équipe qui développe un assistant d'IA générative doit savoir à quelles tables et colonnes l'assistant peut accéder, quelles politiques s'appliquent aux attributs sensibles, quelle version du modèle est approuvée, quels contrôles de sécurité filtrent les réponses dangereuses et qui peut examiner le lignage lorsqu'un résultat est contesté.\u003C/p\u003E\n\u003Cp\u003ELe \u003Ca href=\"https://www.snowflake.com/en/company/responsible-ai/\"\u003Eprogramme d’IA responsable de Snowflake\u003C/a\u003E aide à concrétiser les engagements éthiques dans le développement de ses propres solutions d'IA et fournit des approches reproductibles que les clients peuvent appliquer à leurs propres charges de travail d'IA. Dans Snowflake, ces approches associent les principes éthiques à la gouvernance, à la documentation et aux contrôles d’exécution.\u003C/p\u003E\n\u003Cp\u003E\u003Ca href=\"https://www.snowflake.com/fr/blog/snowflake-cortex-ai-cortex-guard-llm-safeguards/\"\u003ECortex Guard\u003C/a\u003E est conçu pour aider les équipes à appliquer des contrôles de sécurité aux résultats des LLM, notamment en filtrant certaines réponses inappropriées ou nocives générées par les modèles de langage. Les Cortex AI Guardrails sont conçus pour aider à réduire les risques associés aux attaques par injection de prompt et aux contournements du système dans les contextes pris en charge.\u003C/p\u003E\n\u003Cp\u003E\u003Ca href=\"https://www.snowflake.com/en/product/features/horizon/\"\u003ESnowflake Horizon Catalog\u003C/a\u003E fournit un contexte de gouvernance pour les workloads d’IA. Il aide les équipes à gérer et à comprendre les actifs de données, notamment le lignage, les tags, les politiques de masquage et la classification des données sensibles. Il apporte du contexte et de la gouvernance pour l’IA, notamment grâce à la classification des données sensibles, aux politiques de masquage basées sur des tags et à l’historique des accès pour les audits.\u003C/p\u003E\n\u003Cp\u003ESnowflake Model Registry favorise la transparence et la responsabilité en aidant les équipes à gérer les modèles et leurs métadonnées dans Snowflake. Les propriétaires de modèles peuvent gérer les versions, les artefacts et les métadonnées, et l'interface de Snowflake affiche les métadonnées des versions de modèles, telles que les métriques.\u003C/p\u003E\n\u003Cp\u003ELes principes éthiques sont plus faciles à appliquer de manière cohérente lorsque la plateforme permet de restituer les données pertinentes, d’appliquer les politiques d’accès, de documenter le comportement des modèles et de fournir une piste d’audit pour l’ensemble des workloads d’IA. La \u003Ca href=\"https://www.snowflake.com/fr/blog/ISO-IEC-42001-AI-certification/\"\u003Ecertification ISO/CEI 42001 de Snowflake\u003C/a\u003E apporte également une validation externe de son alignement sur les attentes émergentes en matière de gouvernance de l’IA.\u003C/p\u003E\n","richText":true,":type":"snowflake-site/components/text","appliedCssClassNames":"text-color-text-05"},"title_making_ai_ethics_accountable":{"id":"title-v2-4d0715c298","additionalClasses":"anchor-title anchor-title--making-ai-ethics-accountable","type":"heading2","lines":["Garantir la responsabilité de l’éthique de l’IA"],":type":"snowflake-site/components/title-v2"},"text_making_ai_ethics_accountable_0":{"id":"text-2dce70a9e4","text":"\u003Cp\u003EPour les organisations qui intègrent l’IA à leurs produits, à leurs opérations et à leurs processus décisionnels, l’éthique ne peut être dissociée de l’exécution. Elle doit déterminer quels systèmes sont déployés, lesquels nécessitent une supervision humaine et quels risques doivent être atténués. Elle définit également les registres à conserver lorsque des clients, des régulateurs ou des auditeurs internes demandent comment une décision a été prise. En fin de compte, la crédibilité des systèmes d’IA ne dépendra pas de leurs seules performances, mais de l’intégrité des décisions qui les sous-tendent.\u003C/p\u003E\n","richText":true,":type":"snowflake-site/components/text","appliedCssClassNames":"text-color-text-05"},"text_365208365":{"id":"text-13b72b2c3f","additionalClasses":"callout callout--general","text":"\u003Cp\u003E\u003Cb\u003EÀ RETENIR\u003C/b\u003E\u003C/p\u003E\n\u003Cp\u003EL’éthique de l’IA fournit les principes qui aident les organisations à déterminer comment l’IA doit être utilisée, qui elle doit servir et quels risques doivent être gérés. Mais les principes seuls ne suffisent pas. Concevoir une IA digne de confiance exige de traduire les engagements éthiques en actions concrètes de gouvernance, de supervision, de test et de responsabilité tout au long du cycle de vie de l’IA.\u003C/p\u003E\n","richText":true,":type":"snowflake-site/components/text","appliedCssClassNames":"text-size-regular text-color-text-05"}},":itemsOrder":["text","text_intro_0","title_what_is_ai_ethics","text_what_is_ai_ethics_0","yt_what_is_ai_ethics_0","title_the_foundational_principles_of_ai_ethics","text_the_foundational_principles_of_ai_ethics_0","text_493317382","text_703180931","title_modern_ai_specific_ethical_principles","text_modern_ai_specific_ethical_principles_0","quote_item","text_1662439209","title_major_ai_ethics_frameworks","text_major_ai_ethics_frameworks_0","quote_item_1664463930","text_2041893073","text_2083016062","title_from_principles_to_practice","text_from_principles_to_practice_0","title_ai_ethics_challenges","text_ai_ethics_challenges_0","title_ai_ethics_on_snowflake","text_ai_ethics_on_snowflake_0","title_making_ai_ethics_accountable","text_making_ai_ethics_accountable_0","text_365208365"],":type":"snowflake-site/components/flexible-column-container/flexible-column-content-container","appliedCssClassNames":"snowflake-responsive-container-inner-padding-medium"},"flexible_column_content_container_2":{"additionalClasses":"hub-sidebar","layout":"SIMPLE","id":"hub-body-aside",":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-7c2e0a6ef9",":items":{"text_943981956_copy_":{"id":"text-3c311fea5b","additionalClasses":"eyebrow-text","text":"\u003Cp\u003EDans ce guide\u003C/p\u003E\n","richText":true,":type":"snowflake-site/components/text","appliedCssClassNames":"text-size-regular"},"text_copy":{"id":"text-8d62292f9f","additionalClasses":"page-toc","text":"\u003Cul\u003E\r\n\u003Cli data-anchor=\"what-is-ai-ethics\"\u003EQu’est-ce que l’éthique de l’IA ?\u003C/li\u003E\r\n\u003Cli data-anchor=\"the-foundational-principles-of-ai-ethics\"\u003EQuels sont les grands principes de l'éthique de l'IA ?\u003C/li\u003E\r\n\u003Cli data-anchor=\"the-foundational-principles-of-ai-ethics\"\u003ECe que l'éthique de l'IA générative change par rapport aux approches classiques\u003C/li\u003E\r\n\u003Cli data-anchor=\"the-foundational-principles-of-ai-ethics\"\u003EPrincipaux cadres éthiques de l’IA\u003C/li\u003E\r\n\u003Cli data-anchor=\"from-principles-to-practice\"\u003E\u003Cspan\u003EComment appliquer concrètement l'éthique de l'IA en entreprise ?\u003C/span\u003E\u003C/li\u003E\r\n\u003Cli data-anchor=\"from-principles-to-practice\"\u003E\u003Cspan\u003ELes défis de l’éthique de l’IA\u003C/span\u003E\u003C/li\u003E\r\n\u003Cli data-anchor=\"ai-ethics-on-snowflake\"\u003E\u003Cspan style=\"font-family: adobe-clean, "Source Sans Pro", -apple-system, BlinkMacSystemFont, "Segoe UI", Roboto, Ubuntu, "Trebuchet MS", "Lucida Grande", sans-serif;\"\u003EComment Snowflake intègre l'éthique dans ses systèmes d'IA ?\u003C/span\u003E\u003C/li\u003E\r\n\u003Cli data-anchor=\"ai-ethics-on-snowflake\"\u003E\u003Cspan style=\"font-family: adobe-clean, "Source Sans Pro", -apple-system, BlinkMacSystemFont, "Segoe UI", Roboto, Ubuntu, "Trebuchet MS", "Lucida Grande", sans-serif;\"\u003EGarantir la responsabilité de l’éthique de l’IA\u003C/span\u003E\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"],":type":"snowflake-site/components/container","appliedCssClassNames":"snowflake-responsive-container-inner-padding-medium"}},":itemsOrder":["container"],":type":"snowflake-site/components/flexible-column-container/flexible-column-content-container","appliedCssClassNames":"snowflake-responsive-container-inner-padding-small"},":type":"snowflake-site/components/flexible-column-container","isBlogPage":false,"isActiveTOC":false},"flexible_column_cont_1786318617":{"id":"flexible-column-container-a994718246","propertiesId":"hub-faq","type":"2-column-40-60","alignColumns":"top","containerMaxWidth":"extra-large","topPadding":"large","bottomPadding":"large","spaceBetween":"small","reverseOnMobile":false,"carouselOnMobile":false,"backgroundImageOption":"none","flexible_column_content_container_1":{"layout":"SIMPLE","id":"hub-faq-intro",":items":{"title_v2_copy":{"id":"title-v2-a5312fecbd","additionalClasses":"hub-faq__headline","type":"heading2","lines":["Foire aux questions"],":type":"snowflake-site/components/title-v2","appliedCssClassNames":"left-alignment"},"text_copy":{"id":"text-2a45537a15","additionalClasses":"hub-faq__subheadline","text":"\u003Cp\u003ELes réponses des experts Snowflake à vos questions fréquentes sur l’éthique de l’IA.\u003C/p\u003E\n","richText":true,":type":"snowflake-site/components/text","appliedCssClassNames":"text-color-text-05"}},":itemsOrder":["title_v2_copy","text_copy"],":type":"snowflake-site/components/flexible-column-container/flexible-column-content-container","appliedCssClassNames":"snowflake-responsive-container-inner-padding-extra-small"},"flexible_column_content_container_2":{"layout":"SIMPLE","id":"hub-faq-accordions",":items":{"simple_snowflake_acc":{"id":"simple-snowflake-accordion-4ae1294c89","additionalClasses":"seo-hub__faqs","showDivider":false,"accordionItemsList":[{"title":"Pourquoi l’éthique de l’IA est-elle importante ?","richText":"\u003Cp\u003EL’éthique de l’IA est essentielle, car les systèmes d’IA peuvent influencer des décisions à grande échelle, notamment en matière d’emploi, d’octroi de crédit, de santé, de liberté d’expression, d’éducation et de services publics. Les principes éthiques permettent aux organisations d’identifier les préjudices potentiels, de définir des contraintes et d’attribuer les responsabilités avant que les systèmes n’impactent les utilisateurs en production.\u003C/p\u003E"},{"title":"Quels sont les grands principes de l’éthique de l’IA ?","richText":"\u003Cp\u003ELes grands principes de l’éthique de l’IA comprennent l’autonomie, la bienfaisance, la non-malfaisance, la justice et l’explicabilité. Les frameworks modernes d’éthique de l’IA mettent également l’accent sur l’équité, la transparence, la responsabilité, la confidentialité, la sécurité, la robustesse et la contestabilité.\u003C/p\u003E"},{"title":"L’éthique de l’IA est-elle synonyme d’IA responsable ?","richText":"\u003Cp\u003ENon. L’éthique de l’IA définit les principes qui doivent guider les systèmes d’IA. L’IA responsable est le modèle opérationnel qui met ces principes en pratique à travers des évaluations d’impact, de la documentation, des tests, de la supervision, des processus de révision et des mesures de remédiation.\u003C/p\u003E"},{"title":"L’éthique de l’IA est-elle une obligation légale ?","richText":"\u003Cp\u003EL’éthique de l’IA n’est généralement pas une obligation légale en soi. Cependant, de nombreux principes éthiques sont de plus en plus intégrés dans des lois et réglementations contraignantes. C’est le cas notamment du règlement européen sur l’IA, du RGPD et de règles sectorielles régissant la confidentialité, la discrimination, la sécurité et la responsabilité.\u003C/p\u003E"}],":type":"snowflake-site/components/simple-snowflake-accordion"}},":itemsOrder":["simple_snowflake_acc"],":type":"snowflake-site/components/flexible-column-container/flexible-column-content-container"},":type":"snowflake-site/components/flexible-column-container","isBlogPage":false,"isActiveTOC":false,"appliedCssClassNames":"snowflake-flexible-column-container-gray-10-bg"},"flexible_column_cont_1467213961":{"id":"flexible-column-container-36e4e0c83e","propertiesId":"hub-explore-resources-header","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-1bc39ff8af",":items":{"title_v2":{"id":"title-v2-426da8349c","additionalClasses":"hub-explore-resources-header__headline","type":"heading2","lines":["Explorez les ressources sur l’IA"],":type":"snowflake-site/components/title-v2","appliedCssClassNames":"left-alignment"}},":itemsOrder":["title_v2"],":type":"snowflake-site/components/flexible-column-container/flexible-column-content-container"},":type":"snowflake-site/components/flexible-column-container","isBlogPage":false,"isActiveTOC":false,"appliedCssClassNames":"snowflake-flexible-column-container-gray-10-bg"},"flexible_column_cont_912630531":{"id":"flexible-column-container-299962f60a","propertiesId":"hub-explore-resources-grid","type":"1-column","alignColumns":"top","containerMaxWidth":"extra-large","topPadding":"medium","bottomPadding":"large","spaceBetween":"small","reverseOnMobile":false,"carouselOnMobile":false,"backgroundImageOption":"none","flexible_column_content_container_1":{"layout":"SIMPLE","id":"hub-explore-resources-grid-inner",":items":{"resource_chip_0":{"id":"content-chip-bd62d6b304","tagText":"RAPPORT","tagColor":"#C6EDF1","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-v2-d3f2fec9fa","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"},"resource_chip_1":{"id":"content-chip-bfaf2634fb","tagText":"EBOOK","tagColor":"#71D3DC","cta":{"id":"cta","showOutboundIcon":false,"buttonLink":{"valid":true,"url":"https://www.snowflake.com/en/resources/ebook/building-the-interoperable-lakehouse-data-strategies-for-ai-leaders/"},"linkTargetContentType":"GENERIC",":type":"snowflake-site/components/button","linkType":"SNOWFLAKE_EXTERNAL","text":"Lire la suite"},"headline":{"id":"title-v2-d08b92ebb4","type":"heading5","lines":["Construire un lakehouse interopérable : stratégies data pour les leaders de l’IA"],":type":"snowflake-site/components/title-v2"},":type":"snowflake-site/components/content-chip","appliedCssClassNames":"snowflake-content-chip-white-bg"},"resource_chip_2":{"id":"content-chip-d107b38962","tagText":"LIVRE BLANC","tagColor":"#C6EDF1","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-v2-87c2246f45","type":"heading5","lines":["Du prompt à l’impact : libérer la valeur métier grâce à l’IA agentique"],":type":"snowflake-site/components/title-v2"},":type":"snowflake-site/components/content-chip","appliedCssClassNames":"snowflake-content-chip-white-bg"},"resource_chip_3":{"id":"content-chip-ba934b1c70","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-v2-5fb13fe9ea","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":["resource_chip_0","resource_chip_1","resource_chip_2","resource_chip_3"],":type":"snowflake-site/components/flexible-column-container/flexible-column-content-container"},":type":"snowflake-site/components/flexible-column-container","isBlogPage":false,"isActiveTOC":false,"appliedCssClassNames":"snowflake-flexible-column-container-gray-10-bg"},"flexible_column_cont_1158003461":{"id":"flexible-column-container-6be3a05c7d","propertiesId":"hub-explore-topics-header","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-1711345131",":items":{"title_v2_copy_copy":{"id":"title-v2-00ffbdd234","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-3159cf62b8","additionalClasses":"hub-explore-topics-header__subheadline","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"],":type":"snowflake-site/components/flexible-column-container/flexible-column-content-container","appliedCssClassNames":"snowflake-responsive-container-inner-padding-extra-small"},":type":"snowflake-site/components/flexible-column-container","isBlogPage":false,"isActiveTOC":false,"appliedCssClassNames":"snowflake-flexible-column-container-white-bg"},"flexible_column_cont_1377146023":{"id":"flexible-column-container-6d34ca15a3","propertiesId":"hub-explore-topics-grid","type":"3-column-even","alignColumns":"top","containerMaxWidth":"extra-large","topPadding":"small","bottomPadding":"large","spaceBetween":"small","reverseOnMobile":false,"carouselOnMobile":false,"backgroundImageOption":"none","flexible_column_content_container_1":{"layout":"SIMPLE","id":"container-0dff11425e",":items":{"topic_card_0":{"id":"card-v2-8b3dcb876e","configurationStatus":{"configured":true,"message":""},":type":"snowflake-site/components/card-v2","title":{"id":"title","type":"heading4","lines":["Transparence 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-transparency/"},"linkTargetContentType":"GENERIC",":type":"snowflake-site/components/button","linkType":"SNOWFLAKE_EXTERNAL","text":"En savoir plus"},"type":"content-card","text":{"id":"text","text":"\u003Cp\u003ELa transparence de l'IA rend les systèmes d'IA compréhensibles en documentant leur finalité, leurs données d'entrée, leurs limites et leur comportement.\u003C/p\u003E\n","richText":true,":type":"snowflake-site/components/text"},"layoutStyle":"vertical"}},":itemsOrder":["topic_card_0"],":type":"snowflake-site/components/flexible-column-container/flexible-column-content-container"},"flexible_column_content_container_2":{"layout":"SIMPLE","id":"container-b968d644b5",":items":{"topic_card_1":{"id":"card-v2-7d4d4cce9d","configurationStatus":{"configured":true,"message":""},":type":"snowflake-site/components/card-v2","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","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"}},":itemsOrder":["topic_card_1"],":type":"snowflake-site/components/flexible-column-container/flexible-column-content-container"},"flexible_column_content_container_3":{"layout":"SIMPLE","id":"container-9465d0bcaa",":items":{"topic_card_2":{"id":"card-v2-93e478152f","configurationStatus":{"configured":true,"message":""},":type":"snowflake-site/components/card-v2","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","text":{"id":"text","text":"\u003Cp\u003EGarantissez des systèmes d’IA équitables, responsables, sécurisés et alignés sur les valeurs et les réglementations de votre organisation.\u003C/p\u003E\n","richText":true,":type":"snowflake-site/components/text"},"layoutStyle":"vertical"}},":itemsOrder":["topic_card_2"],":type":"snowflake-site/components/flexible-column-container/flexible-column-content-container"},":type":"snowflake-site/components/flexible-column-container","isBlogPage":false,"isActiveTOC":false,"appliedCssClassNames":"snowflake-flexible-column-container-white-bg"}},":itemsOrder":["flexible_column_cont","flexible_column_cont_939100716","flexible_column_cont_1398138236","flexible_column_cont_663228916","flexible_column_cont_1786318617","flexible_column_cont_1467213961","flexible_column_cont_912630531","flexible_column_cont_1158003461","flexible_column_cont_1377146023"],":type":"wcm/foundation/components/responsivegrid"},"modal_container":{"layout":"SIMPLE","id":"container-a310d4eeb5",":items":{},":itemsOrder":[],":type":"snowflake-site/components/modal/modal-container"},"markup_editor_928258845":{"id":"markup-editor-58026155f1","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-fc10acad55","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-b2fff5ea99","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-e8d7254d6d","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"},"experiencefragment":{"id":"experiencefragment-94936584ac","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"}},":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"],":mappedPath":"/fr/artificial-intelligence/ai-governance/ai-ethics/",":type":"snowflake-site/components/structure/page",":hierarchyType":"page",":path":"/content/snowflake-site/global/fr/artificial-intelligence/ai-governance/ai-ethics","coveoConfig":{"searchHub":"snowflake.com","organizationId":"snowflakecomputingproduction8neljofn","apiKey":"xx335921a6-2a0a-40f2-a167-e390b4766c3d","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/ai-governance/ai-ethics","language":"fr","category":"general","pageName":"Éthique de l’IA : les principes qui façonnent le développement d’une IA responsable","contentTags":["snowflake-site:taxonomy/content-type/fundamentals"]},"isPasswordProtected":false,"analyticsContentTags":["snowflake-site:taxonomy/content-type/fundamentals"],"analyticsEnabled":true,"locale":"fr"}