{"templateName":"base-page-template54","cssClassNames":"page basicpage summit-page","allowedRenditionsWidth":["320","480","640","768","960","1200","1440","1920"],"description":"Explorez les exigences de transparence de l'IA, des fiches descriptives de modèles aux journaux d'audit, et découvrez comment les entreprises rendent les systèmes d'IA plus lisibles et responsables.","language":"fr","title":"Qu’est-ce que la transparence de l’IA ? Exigences et bonnes pratiques | Snowflake","analyticsPageType":"homepage","analyticsCategory":"general","analyticsSubCategory":"","excludeFromAnalytics":false,":mappedPath":"/fr/artificial-intelligence/ai-governance/ai-transparency/",":type":"snowflake-site/components/structure/page",":items":{"root":{"columnCount":12,"gridClassNames":"aem-Grid aem-Grid--12 aem-Grid--default--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"},":items":{"experiencefragment-banner":{"id":"experiencefragment-7becd42f5c","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-98af6e2efc","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-transparency.languagenav.json"},"responsivegrid":{"columnCount":12,"gridClassNames":"aem-Grid aem-Grid--12 aem-Grid--default--12","columnClassNames":{"flexible_column_cont_939100716":"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_topics_row2":"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","flexible_column_cont_topics_row3":"aem-GridColumn aem-GridColumn--default--12"},":items":{"flexible_column_cont_939100716":{"id":"flexible-column-container-3caa39f90d","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-95351f7099",":type":"snowflake-site/components/flexible-column-container/flexible-column-content-container",":items":{"flexible_column_cont":{"id":"flexible-column-container-f28e016573","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-67b7c7d162",":type":"snowflake-site/components/flexible-column-container/flexible-column-content-container",":items":{"breadcrumb":{"id":"breadcrumb-3784df3538","items":[{"id":"breadcrumb-3784df3538-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-3784df3538-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-3784df3538-item-96d8d9c6fc","link":{"valid":true,"url":"/fr/artificial-intelligence/ai-governance/ai-transparency/"},"active":true,"current":true,"title":"Transparence 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","isBlogPage":false,"isActiveTOC":false,"appliedCssClassNames":"snowflake-flexible-column-container-gray-10-bg"},"title_v2":{"id":"title-v2-5fe8f7e305","additionalClasses":"hub-hero__headline","type":"heading1","lines":["Transparence de l’IA : Ce qu’elle signifie et ce qu’elle exige"],":type":"snowflake-site/components/title-v2","appliedCssClassNames":"left-alignment"},"text":{"id":"text-1b02015157","additionalClasses":"hub-hero__subheadline","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. Cet article traite des exigences de transparence, des fiches descriptives de modèles aux journaux d'audit, des facteurs réglementaires (règlement européen sur l'IA, NIST AI RMF), des approches d'opérationnalisation et de la façon dont Snowflake fournit des enregistrements connectés pour la divulgation et l'auditabilité.\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,"gridClassNames":"aem-Grid aem-Grid--12 aem-Grid--default--12","columnClassNames":{"content_chip_copy":"aem-GridColumn aem-GridColumn--default--12","content_chip":"aem-GridColumn aem-GridColumn--default--12"},"id":"container-6eda3db074",":type":"snowflake-site/components/container",":items":{"content_chip_copy":{"id":"content-chip-74535bc2f5","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","alt":"Laurie MacPherson","lazyEnabled":true,"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-55dca4e0ef","cta":{"id":"cta","showOutboundIcon":false,"linkTargetContentType":"GENERIC",":type":"snowflake-site/components/button","linkType":"SNOWFLAKE_INTERNAL","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","alt":"David Gaule","lazyEnabled":true,"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":["flexible_column_cont","title_v2","text","container"],"appliedCssClassNames":"snowflake-responsive-container-inner-padding-extra-small"},"flexible_column_content_container_2":{"additionalClasses":"hub-hero__video-column","layout":"SIMPLE","id":"container-862e8dcc92",":type":"snowflake-site/components/flexible-column-container/flexible-column-content-container",":items":{"youtube":{"id":"embed-2f02d9a76e","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,"appliedCssClassNames":"snowflake-flexible-column-container-gray-10-bg"},"flexible_column_cont_1398138236":{"id":"flexible-column-container-d986f04c6c","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-7572de68c2",":type":"snowflake-site/components/flexible-column-container/flexible-column-content-container",":items":{"text_894059747":{"id":"text-bbc895375b","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-066b5cacca","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-ethics/\"\u003EÉthique 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/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","isBlogPage":false,"isActiveTOC":false,"appliedCssClassNames":"snowflake-flexible-column-container-gray-10-bg"},"flexible_column_cont_663228916":{"id":"flexible-column-container-99abb7aa6c","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",":type":"snowflake-site/components/flexible-column-container/flexible-column-content-container",":items":{"text":{"id":"text-ae5408e4f4","additionalClasses":"callout callout--general","text":"\u003Cp\u003E\u003Cb\u003EDÉFINITION DE LA TRANSPARENCE DE L’IA\u003C/b\u003E\u003C/p\u003E\n\u003Cp\u003ELa transparence de l’IA consiste à rendre la finalité, les données d’entrée, les limites, le comportement et les registres de gouvernance d’un système d’IA compréhensibles pour les personnes qui le créent, l’utilisent ou le supervisent.\u003C/p\u003E\n","richText":true,":type":"snowflake-site/components/text","appliedCssClassNames":"text-size-regular text-color-text-05"},"text_intro_0":{"id":"text-b81aac2970","text":"\u003Cp\u003ELa transparence de l’IA est souvent présentée comme un problème de complexité des modèles, lié à la crainte de la boîte noire et à la question de savoir si les mécanismes internes d’un système pourront un jour être rendus lisibles. Cependant, les défauts de transparence qui causent le plus de tort aux entreprises sont rarement aussi complexes. Ils surviennent lorsqu’une équipe ne parvient pas à identifier la version du modèle exécutée en production, lorsque la provenance des données d’entraînement n’a pas été documentée, ou lorsqu’une équipe de réponse aux incidents ne peut pas reconstituer les événements faute d’enregistrements conservés.\u003C/p\u003E\n\u003Cp\u003ERésoudre les problèmes de transparence exige que la documentation soit jointe aux systèmes eux-mêmes : une fiche descriptive de modèle (model card) précisant l'utilisation prévue et les limites connues du modèle, une fiche de données expliquant la provenance des données d'entraînement et les lacunes restantes, un prompt système ou un registre de garde-fous indiquant le comportement dicté à une application générative, et un journal d'audit enregistrant quel utilisateur, service ou application a accédé à quelles données, quel prompt ou quelle sortie lors de l'exécution.\u003C/p\u003E\n\u003Cp\u003ELa transparence de l’IA n’exige pas que chaque utilisateur comprenne chaque paramètre, embedding ou interaction de caractéristiques. Elle nécessite toutefois suffisamment de contexte pour que les développeurs, les responsables métier, les organismes de réglementation et les utilisateurs concernés comprennent ce qu’un système d’IA est censé faire, comment il a été construit, quand il ne doit pas être utilisé et quelles preuves existent en cas de problème.\u003C/p\u003E\n","richText":true,":type":"snowflake-site/components/text","appliedCssClassNames":"text-color-text-05"},"title_what-is-ai-transparency":{"id":"title-v2-14525c8c51","additionalClasses":"anchor-title anchor-title--what-is-ai-transparency","type":"heading2","lines":["Qu’est-ce que la transparence de l’IA ?"],":type":"snowflake-site/components/title-v2"},"text_what-is-ai-transparency_0":{"id":"text-018b6fcffe","text":"\u003Cp\u003ELa transparence de l’IA correspond au degré de compréhension et d’accessibilité des données d’entrée, des mécanismes, de l’utilisation prévue et des limites d’un système d’\u003Ca href=\"https://www.snowflake.com/fr/artificial-intelligence/\"\u003Eintelligence artificielle\u003C/a\u003E pour les personnes concernées, notamment les développeurs, les utilisateurs, les organismes de réglementation et le public.\u003C/p\u003E\n\u003Cp\u003EEn pratique, la transparence est une discipline à l’échelle du système. Elle répond à des questions telles que : Qu’est-ce que ce système ? Quel modèle utilise-t-il ? Quelles données l’ont façonné ? Pour quelle tâche est-il conçu ? Quelles utilisations sont hors périmètre ? Quelles informations les utilisateurs doivent-ils voir avant de se fier à ses résultats ? Quels enregistrements existent si un auditeur, un data steward ou une équipe de réponse aux incidents doit reconstituer les événements ?\u003C/p\u003E\n\u003Cp\u003ELa transparence de l’IA diffère de l’explicabilité. L’explicabilité opère généralement au niveau de la décision : Pourquoi ce modèle a-t-il produit ce score, ce classement, cette classification ou cette réponse ? La transparence opère au niveau supérieur. Elle décrit la finalité du système, son contexte de conception, sa documentation, son comportement à l’exécution et ses limites de gouvernance.\u003C/p\u003E\n\u003Cp\u003EUn système d’IA transparent inclut généralement des artefacts tels que des fiches descriptives de modèles, des fiches de données, une documentation sur les prompts système, des déclarations d’utilisation prévue, des déclarations d’utilisation hors périmètre, des avis de divulgation, des journaux d’audit et des enregistrements de traçabilité. Ensemble, ces artefacts aident les équipes à comprendre à la fois le système d’IA et les conditions dans lesquelles ses résultats peuvent être considérés comme fiables.\u003C/p\u003E\n","richText":true,":type":"snowflake-site/components/text","appliedCssClassNames":"text-color-text-05"},"title_why-ai-transparency-matters":{"id":"title-v2-d23497aaae","additionalClasses":"anchor-title anchor-title--why-ai-transparency-matters","type":"heading2","lines":["Pourquoi la transparence de l'IA est devenue une exigence en entreprise ?"],":type":"snowflake-site/components/title-v2"},"text_why-ai-transparency-matters_0":{"id":"text-956316809a","text":"\u003Cp\u003ELa transparence de l’IA est importante car les systèmes d’IA participent de plus en plus à des décisions, des workflows et des interactions où la personne concernée n’est pas nécessairement celle qui a conçu le système.\u003C/p\u003E\r\n\u003Cp\u003ELa réglementation rend ce contexte de plus en plus difficile à considérer comme facultatif. En vertu de la \u003Ca href=\"https://artificialintelligenceact.eu/fr/\" target=\"_blank\" rel=\"noopener noreferrer\"\u003Elégislation européenne sur l’IA\u003C/a\u003E, l’article 13 exige que les systèmes d’IA à haut risque soient conçus et développés de manière à permettre aux déployeurs d’interpréter les résultats et d’utiliser le système de façon appropriée, avec des instructions d’utilisation incluant les capacités, les limites et le niveau de précision attendu du système. L’article 50 fixe des obligations de transparence pour certains systèmes d’IA, notamment l’obligation d’informer les personnes lorsqu’elles interagissent avec des systèmes d’IA dans certains contextes, et de divulguer ou d’étiqueter certains contenus synthétiques ou manipulés.\u003C/p\u003E\r\n\u003Cp\u003EPour les fournisseurs de modèles d’IA à usage général, la \u003Ca href=\"https://www.snowflake.com/fr/artificial-intelligence/ai-governance/eu-ai-act/\"\u003Elégislation européenne sur l’IA\u003C/a\u003E introduit également des obligations en matière de documentation. L’article 53 inclut l’obligation de tenir à jour une documentation technique et de mettre des informations à la disposition des fournisseurs en aval, tandis que les \u003Ca href=\"https://digital-strategy.ec.europa.eu/fr/faqs/general-purpose-ai-models-ai-act-questions-answers\" target=\"_blank\" rel=\"noopener noreferrer\"\u003Edocuments de la Commission européenne\u003C/a\u003E décrivent un résumé public du contenu d’entraînement pour les modèles d’IA à usage général.\u003C/p\u003E\r\n\u003Cp\u003EMais la transparence n’est pas seulement une tâche de conformité. C’est également ainsi que les entreprises rendent l’IA utilisable en production. Par exemple, une équipe commerciale est plus susceptible d’utiliser un système de recommandation lorsqu’elle comprend le périmètre et les limites de ce système. Une équipe chargée des risques peut réagir plus rapidement lorsqu'elle est capable de retracer une sortie inattendue jusqu'à une version de modèle, un modèle de prompt, une source de données ou un changement de politique. Une équipe de data science peut améliorer un modèle de manière plus sûre lorsqu’elle peut comparer les performances actuelles avec les hypothèses formulées lors de son lancement.\u003C/p\u003E\r\n\u003Cp\u003E \u003C/p\u003E\r\n\u003Cp\u003ECe contexte métier s'inscrit également dans un cadre réglementaire plus large. En France, l'article 22 du RGPD encadre déjà les décisions fondées exclusivement sur un traitement automatisé et impose un droit à l'information, à l'explication et à la contestation. Ces obligations complémentaires s'articulent avec les nouvelles exigences de l'EU AI Act pour former un cadre de transparence à deux niveaux pour les organisations opérant en Europe.\u003C/p\u003E\r\n","richText":true,":type":"snowflake-site/components/text","appliedCssClassNames":"text-color-text-05"},"text_9978331":{"id":"text-51a7b47117","additionalClasses":"callout callout--general","text":"\u003Cp\u003E\u003Cb\u003EPIÈGE COURANT\u003C/b\u003E\u003C/p\u003E\n\u003Cp\u003ELa transparence ne doit pas être traitée comme une documentation statique. La documentation peut rapidement perdre de sa valeur si elle n’est pas liée à l’évolution des versions de modèles, des prompts, des sources de récupération, des garde-fous et des journaux d’exécution.\u003C/p\u003E\n","richText":true,":type":"snowflake-site/components/text","appliedCssClassNames":"text-size-regular text-color-text-05"},"title_what-transparency-looks-like-in-practice":{"id":"title-v2-a28fd756cb","additionalClasses":"anchor-title anchor-title--what-transparency-looks-like-in-practice","type":"heading2","lines":["À quoi ressemble la transparence dans la pratique"],":type":"snowflake-site/components/title-v2"},"text_what-transparency-looks-like-in-practice_0":{"id":"text-f42665ab33","text":"\u003Cp\u003ELa transparence de l’IA se traduit dans la pratique par des artefacts concrets rattachés aux modèles, aux jeux de données, aux prompts, aux applications et aux événements d’exécution. L’objectif est la lisibilité : fournir suffisamment de contexte pour que la bonne personne puisse évaluer le système avant son déploiement, l’utiliser de manière appropriée dans son contexte et l’examiner par la suite.\u003C/p\u003E\r\n\u003Cp\u003ECes artefacts constituent également l’épine dorsale opérationnelle de l’\u003Ca href=\"https://www.snowflake.com/fr/artificial-intelligence/ai-governance/responsible-ai/\"\u003EIA responsable\u003C/a\u003E. Des principes tels que l’équité, la sécurité et la responsabilité dépendent de la documentation, de la divulgation et de l’auditabilité pour être appliqués dans la pratique. Sans ces enregistrements, l’IA responsable reste une aspiration plutôt qu’une réalité exploitable.\u003C/p\u003E\r\n\u003Ch3\u003EFiches descriptives de modèles\u003C/h3\u003E\r\n\u003Cp\u003EUne fiche descriptive de modèle est un document structuré qui décrit l’utilisation prévue d’un modèle, son contexte d’entraînement, ses caractéristiques de performance, ses limites et les considérations liées à l’équité. Le cadre original des fiches descriptives de modèles a été proposé pour soutenir un reporting transparent sur les modèles, en particulier pour les systèmes utilisés dans des domaines à fort impact où la précision globale peut masquer des performances inégales selon les groupes ou les contextes.\u003C/p\u003E\r\n\u003Cp\u003EPour les équipes d’IA en entreprise, une fiche descriptive de modèle constitue souvent l’artefact de transparence minimum viable. Elle doit indiquer le nom du modèle, sa version, son propriétaire, son utilisation prévue, son utilisation hors périmètre, ses métriques d'évaluation, ses données de test, ses limites connues, son statut d'approbation et les attentes en matière de supervision. Pour l’\u003Ca href=\"https://www.snowflake.com/en/fundamentals/generative-ai/\"\u003EIA générative\u003C/a\u003E, elle peut également inclure des informations sur la stratégie de prompting, le contexte de récupération, les évaluations de sécurité et les modes de défaillance attendus.\u003C/p\u003E\r\n\u003Cp\u003EUne fiche descriptive de modèle utile n'a pas besoin d'exposer des détails d'implémentation propriétaires, mais elle doit donner aux développeurs, aux réviseurs et aux équipes en aval suffisamment de contexte pour décider si le modèle est adapté à une charge de travail spécifique.\u003C/p\u003E\r\n\u003Ch3\u003EFiches de données pour les jeux de données\u003C/h3\u003E\r\n\u003Cp\u003ELe comportement d’un modèle dépend des données qui l’ont façonné. Les fiches de données pour les jeux de données documentent la provenance, la composition, le processus de collecte, les étapes de prétraitement, les utilisations recommandées et les limites connues d’un jeu de données. Le concept a été proposé pour améliorer la communication entre les créateurs de jeux de données et les consommateurs de jeux de données, en particulier lorsque les données peuvent être réutilisées ultérieurement en dehors de leur contexte de collecte initial.\u003C/p\u003E\r\n\u003Cp\u003EDans les programmes de \u003Ca href=\"https://www.snowflake.com/fr/data-governance/ai/\"\u003Egouvernance des données d’IA\u003C/a\u003E et de transparence, les fiches de données aident à répondre à des questions que la documentation du modèle seule ne peut pas résoudre : Les données d’entraînement incluaient-elles les populations, les zones géographiques ou les périodes pertinentes pour le déploiement actuel ? Les attributs sensibles ont-ils été supprimés, transformés ou utilisés pour l’évaluation ? Les étiquettes ont-elles été créées par des humains, par un autre modèle ou par un fournisseur tiers ? Quelles étapes de prétraitement ont modifié les données d’origine ?\u003C/p\u003E\r\n\u003Cp\u003ECes détails deviennent particulièrement importants lorsqu'un modèle est réutilisé par plusieurs équipes, par exemple lorsqu'une table est réaffectée à une nouvelle caractéristique, qu'une source de données change de propriétaire ou qu'un champ qui servait autrefois de proxy raisonnable ne correspond plus au concept métier qu'il était censé représenter. Sans documentation sur le jeu de données, ces changements n’apparaissent souvent qu’après une dégradation des performances ou lorsqu’un utilisateur remet en question un résultat.\u003C/p\u003E\r\n\u003Ch3\u003EDocumentation sur les prompts système et les garde-fous\u003C/h3\u003E\r\n\u003Cp\u003EPour la gouvernance de l’IA générative, la transparence dépend également de la couche d’application autour du modèle. Un prompt système peut définir le rôle de l’assistant, son style de réponse, son comportement de récupération, ses règles de refus, son chemin d’escalade et les contraintes liées à l’utilisation des outils. Les garde-fous peuvent définir ce que le système doit bloquer, masquer, acheminer pour révision ou journaliser pour un audit.\u003C/p\u003E\r\n\u003Cp\u003ELa documentation de ces contrôles aide les équipes à faire la distinction entre le comportement du modèle et le comportement de l’application. Si un assistant de support client donne une réponse contraire à la politique, le problème peut se situer dans le modèle de base, la source de récupération, le prompt système, la configuration des garde-fous ou la logique d'orchestration qui a sélectionné un outil. Un registre de transparence doit rendre ces couches suffisamment visibles pour permettre un examen. \u003C/p\u003E\r\n\u003Cp\u003ELes exigences de divulgation s’appliquent également à cette couche. Un avis destiné à l'utilisateur doit clarifier le comportement du système avant que quelqu'un ne s'y fie : il doit notamment indiquer s'il interagit avec une IA, si le contenu est généré par l'IA, si des fonctionnalités sensibles sont utilisées ou si un processus d'examen humain est disponible.\u003C/p\u003E\r\n\u003Ch3\u003EMentions d’information destinées aux utilisateurs\u003C/h3\u003E\r\n\u003Cp\u003ECertains artefacts de transparence sont internes, tandis que d’autres doivent parvenir à l’utilisateur. Une mention d’information peut indiquer à une personne qu’elle interagit avec un chatbot, qu’une image ou une vidéo a été générée ou modifiée par l’IA, ou qu’un système utilise la reconnaissance des émotions ou la catégorisation biométrique.\u003C/p\u003E\r\n\u003Cp\u003EPour les médias générés, un étiquetage visible peut être associé à une traçabilité lisible par machine. La Coalition for Content Provenance and Authenticity (\u003Ca href=\"https://c2pa.org/\" target=\"_blank\" rel=\"noopener noreferrer\"\u003EC2PA\u003C/a\u003E) fournit une norme technique ouverte pour établir l’origine et l’historique des modifications du contenu numérique, et son approche \u003Ca href=\"https://spec.c2pa.org/specifications/specifications/2.4/explainer/Explainer.html\" target=\"_blank\" rel=\"noopener noreferrer\"\u003EContent Credentials\u003C/a\u003E enregistre les informations de provenance dans une structure liée par cryptographie.\u003C/p\u003E\r\n\u003Cp\u003EL’information de l’utilisateur doit être intégrée dès la conception du système, et non ajoutée à la fin. Une mention d’information liée à un chatbot, une étiquette de contenu synthétique et une notification de décision à haut risque s’adressent chacune à un public différent et doivent apparaître au moment où l’information modifie la façon dont une personne interprète le système.\u003C/p\u003E\r\n\u003Ch3\u003ERésumés des données d’entraînement\u003C/h3\u003E\r\n\u003Cp\u003ELa transparence des données d’entraînement devient plus formelle pour les fournisseurs de modèles d’IA à usage général. La législation européenne sur l’IA (EU AI Act) exige des fournisseurs de modèles d’IA à usage général qu’ils conservent une documentation technique, et la Commission européenne a décrit un résumé public du contenu d’entraînement pour les modèles d’IA à usage général dans le cadre de l’article 53.\u003C/p\u003E\r\n\u003Cp\u003EPour les organisations qui utilisent des modèles de fondation tiers, cela crée un problème d’approvisionnement et de gouvernance en aval. Les équipes n’ont peut-être pas un accès direct à l’ensemble des données d’entraînement, mais elles peuvent exiger la documentation fournie par le prestataire, des résumés, des politiques d’utilisation acceptable, des déclarations de limites connues et des avis de mise à jour dans le cadre de l’évaluation du prestataire.\u003C/p\u003E\r\n\u003Cp\u003ELe même principe s’applique aux modèles développés en interne. Un résumé des données d’entraînement doit énumérer les catégories de données, les systèmes sources, les fenêtres de collecte, les étapes de prétraitement, les exclusions, les lacunes connues et les droits ou restrictions pertinents.\u003C/p\u003E\r\n\u003Ch3\u003EJournaux d’audit et Access History\u003C/h3\u003E\r\n\u003Cp\u003ELa documentation consigne l’intention de conception. Une piste d’audit enregistre ce que le système a réellement fait : les versions du modèle, les paires de prompt et de réponse, les appels d’outils, les sources de récupération, l’accès des utilisateurs, les décisions de politique et le déplacement des données. Pour la réponse aux incidents, cet enregistrement d'exécution peut faire la différence entre une préoccupation vague et une reconstruction spécifique : quelle version du modèle a été exécutée, quel contexte a été récupéré, quelle politique a été appliquée, quel utilisateur a accédé à quelle sortie et quelle application en aval l'a consommée.\u003C/p\u003E\r\n\u003Cp\u003EDans Snowflake, par exemple, la \u003Ca href=\"https://docs.snowflake.com/en/sql-reference/account-usage/access_history\"\u003Evue ACCESS_HISTORY\u003C/a\u003E peut être utilisée pour interroger l’Access History des objets Snowflake, y compris les tables, les vues et les colonnes, sur une période de 365 jours. Les capacités de traçabilité de Snowflake conservent l’historique de traçabilité des objets et des colonnes pendant un an. Ces enregistrements ne remplacent pas la documentation des modèles, mais ils fournissent aux équipes de gouvernance et de sécurité des preuves qu'elles peuvent examiner lorsqu'une charge de travail d'IA utilise des données gouvernées.\u003C/p\u003E\r\n","richText":true,":type":"snowflake-site/components/text","appliedCssClassNames":"text-color-text-05"},"text_478476658":{"id":"text-4c74d12bbc","additionalClasses":"callout callout--general","text":"\u003Cp\u003E\u003Cb\u003EASTUCE\u003C/b\u003E\u003C/p\u003E\n\u003Cp\u003EAssociez les artefacts de transparence directement aux objets que les équipes gèrent déjà, tels que les versions de modèles, les ensembles de données d’entraînement, les prompts système, les politiques d’accès, les enregistrements de traçabilité et les journaux d’audit.\u003C/p\u003E\n","richText":true,":type":"snowflake-site/components/text","appliedCssClassNames":"text-size-regular text-color-text-05"},"title_v2":{"id":"title-v2-a257abd640","additionalClasses":"anchor-title anchor-title--ai-transparency-vs-explainability-vs-traceability","type":"heading2","lines":["Transparence de l’IA, explicabilité et traçabilité"],":type":"snowflake-site/components/title-v2","appliedCssClassNames":"left-alignment"},"text_ai-transparency-vs-explainability-vs-traceability_0":{"id":"text-1542e7177b","text":"\u003Cp\u003E\u003Cu\u003E\u003C/u\u003ELa transparence de l’IA, l’explicabilité et la traçabilité se chevauchent, mais elles ne sont pas interchangeables.\u003C/p\u003E\n\u003Cul\u003E\n\u003Cli\u003ELa \u003Cb\u003Etransparence\u003C/b\u003E est la divulgation au niveau du système. Elle décrit l’objectif du système d’IA, son propriétaire, son utilisation prévue, ses limites, sa documentation et les mentions d’information destinées aux utilisateurs. Une fiche descriptive de modèle, une fiche de données, un résumé des données d'entraînement et une mention d'information liée à un chatbot sont tous des artefacts de transparence, car ils aident les personnes à comprendre ce qu'est le système et comment il doit être utilisé.\u003C/li\u003E\n\u003Cli\u003EL’\u003Cb\u003Eexplicabilité\u003C/b\u003E est le raisonnement au niveau de la décision. Elle aide une personne à comprendre pourquoi un modèle a produit un résultat, un score ou une recommandation spécifique. Dans un modèle prédictif, l’explicabilité peut impliquer l’attribution de caractéristiques, des exemples contrefactuels ou des méthodes d’explication a posteriori. Dans un système d’IA générative, elle peut impliquer le contexte récupéré, les sources citées, les traces de prompt ou les résumés de raisonnement qui aident un réviseur à évaluer comment la réponse a été produite.\u003C/li\u003E\n\u003Cli\u003ELa \u003Cb\u003E\u003Ca href=\"https://www.snowflake.com/en/artificial-intelligence/ai-governance/ai-traceability/\"\u003Etraçabilité\u003C/a\u003E\u003C/b\u003E est le cheminement des données, du modèle jusqu’au résultat. Elle relie une caractéristique à une colonne source, une version de modèle à une exécution d’entraînement, une réponse de prompt à un ensemble de récupération ou une recommandation générée au processus qui l’a consommée. La traçabilité est importante car la transparence sans preuves d’exécution peut devenir une documentation statique, tandis que l’explicabilité sans traçabilité peut justifier un résultat sans établir si les données sous-jacentes étaient appropriées.\u003C/li\u003E\n\u003C/ul\u003E\n\u003Cp\u003EUn programme de \u003Ca href=\"https://www.snowflake.com/en/artificial-intelligence/ai-governance/\"\u003Egouvernance de l’IA\u003C/a\u003E mature a besoin des trois. La transparence décrit ce qu’est le système et comment il doit être utilisé. L’explicabilité explique pourquoi des résultats spécifiques ont été produits. La traçabilité relie ces sorties aux données, aux versions de modèles et aux configurations de prompt qui les ont façonnées, et devient essentielle lorsqu'une sortie doit être reconstruite ou contestée.\u003C/p\u003E\n","richText":true,":type":"snowflake-site/components/text","appliedCssClassNames":"text-color-text-05"},"title_v2_1870354977":{"id":"title-v2-5e55737afe","additionalClasses":"anchor-title anchor-title--common-transparency-gaps-and-how-to-close-them","type":"heading2","lines":["Les lacunes courantes en matière de transparence et comment y remédier"],":type":"snowflake-site/components/title-v2","appliedCssClassNames":"left-alignment"},"text_118447583":{"id":"text-c4cbe262bc","text":"\u003Cp\u003ELes lacunes les plus courantes en matière de transparence de l’IA apparaissent lorsque les modèles, les données et les applications évoluent plus rapidement que la documentation et les processus de gouvernance qui les entourent.\u003C/p\u003E\n\u003Ctable\u003E\n\u003Cthead\u003E\u003Ctr\u003E\u003Cth\u003ELacune de transparence\u003C/th\u003E\n\u003Cth\u003EÀ quoi cela ressemble\u003C/th\u003E\n\u003Cth\u003EComment y remédier\u003C/th\u003E\n\u003C/tr\u003E\u003C/thead\u003E\u003Ctbody\u003E\u003Ctr\u003E\u003Ctd\u003E\u003Cp\u003E\u003Cb\u003EModèles de fondation utilisés sans la documentation du fournisseur\u003C/b\u003E\u003C/p\u003E\n\u003C/td\u003E\n\u003Ctd\u003E\u003Cp\u003E\u003Ci\u003E\u003C/i\u003ELes équipes adoptent un modèle via une API ou une application intégrée, mais disposent d’informations limitées sur le contexte d’entraînement, l’évaluation, l’utilisation prévue ou les restrictions.\u003C/p\u003E\n\u003C/td\u003E\n\u003Ctd\u003E\u003Cp\u003EExigez contractuellement des fiches de modèles, des résumés des données d’entraînement, des politiques d’utilisation acceptable, des résultats d’évaluation et des avis de mise à jour.\u003C/p\u003E\n\u003C/td\u003E\n\u003C/tr\u003E\u003Ctr\u003E\u003Ctd\u003E\u003Cp\u003E\u003Cb\u003ERésultats génératifs sans mention de l’IA\u003C/b\u003E\u003C/p\u003E\n\u003C/td\u003E\n\u003Ctd\u003E\u003Cp\u003ELes utilisateurs reçoivent du texte, des images, des résumés ou des recommandations générés sans savoir que l’IA a été impliquée.\u003C/p\u003E\n\u003C/td\u003E\n\u003Ctd\u003E\u003Cp\u003EDéployez un étiquetage au niveau du système et des mentions d’information visibles destinées aux utilisateurs, soutenus par une traçabilité lisible par machine le cas échéant.\u003C/p\u003E\n\u003C/td\u003E\n\u003C/tr\u003E\u003Ctr\u003E\u003Ctd\u003E\u003Cp\u003E\u003Cb\u003EScoring de type boîte noire sans couche d’explicabilité\u003C/b\u003E\u003C/p\u003E\n\u003C/td\u003E\n\u003Ctd\u003E\u003Cp\u003EUn score affecte l’examen, la priorisation ou le routage, mais les évaluateurs ne peuvent pas voir quels facteurs ont déterminé le résultat.\u003C/p\u003E\n\u003C/td\u003E\n\u003Ctd\u003E\u003Cp\u003EAjoutez des méthodes d’explication post hoc, documentez la méthode d’explication et journalisez les entrées et les sorties avec chaque décision.\u003C/p\u003E\n\u003C/td\u003E\n\u003C/tr\u003E\u003Ctr\u003E\u003Ctd\u003E\u003Cp\u003E\u003Cb\u003EPipelines de données d’entraînement opaques\u003C/b\u003E\u003C/p\u003E\n\u003C/td\u003E\n\u003Ctd\u003E\u003Cp\u003ELes équipes savent quel modèle est en production, mais ignorent quelles tables sources, caractéristiques, transformations ou versions de données l’ont façonné.\u003C/p\u003E\n\u003C/td\u003E\n\u003Ctd\u003E\u003Cp\u003EAdoptez des outils de traçabilité des données qui relient les caractéristiques et les données d’entraînement aux systèmes sources, aux propriétaires et aux modèles d’actualisation.\u003C/p\u003E\n\u003C/td\u003E\n\u003C/tr\u003E\u003Ctr\u003E\u003Ctd\u003E\u003Cp\u003E\u003Cb\u003EDocumentation statique qui s’écarte du comportement d’exécution\u003C/b\u003E\u003C/p\u003E\n\u003C/td\u003E\n\u003Ctd\u003E\u003Cp\u003EUne fiche descriptive de modèle existe, mais les versions du modèle, les prompts, les sources de récupération ou les garde-fous changent sans examen.\u003C/p\u003E\n\u003C/td\u003E\n\u003Ctd\u003E\u003Cp\u003ELiez la documentation aux processus de mise en production, aux registres de modèles, à la gestion des prompts, à l'historique des accès et aux journaux d'audit.\u003C/p\u003E\n\u003C/td\u003E\n\u003C/tr\u003E\u003C/tbody\u003E\u003C/table\u003E\n","richText":true,":type":"snowflake-site/components/text","appliedCssClassNames":"text-color-text-05"},"title_v2_1205645823":{"id":"title-v2-b7c4488ea6","additionalClasses":"anchor-title anchor-title--ai-transparency-on-snowflake","type":"heading2","lines":["Comment Snowflake rend les systèmes d'IA transparents et auditables ?"],":type":"snowflake-site/components/title-v2","appliedCssClassNames":"left-alignment"},"text_870755485":{"id":"text-021da71924","text":"\u003Cp\u003ELa transparence de l'IA repose sur des métadonnées, une traçabilité, des enregistrements d'accès et des dispositifs de contrôle de la gouvernance qui restent proches des données et des charges de travail qu'ils décrivent. Sur Snowflake, plusieurs fonctionnalités soutiennent ce socle à travers le développement de modèles, l'accès aux données gouvernées et l'inspection à l'exécution.\u003C/p\u003E\n\u003Cp\u003ESnowflake Model Registry stocke et gère les versions, les métriques et les métadonnées des modèles, tout en prenant en charge la gestion du cycle de vie, les dispositifs de contrôle d'accès aux modèles et la supervision des performances via Snowflake ML Observability. Le registre constitue un point d'ancrage pratique pour la documentation des fiches descriptives de modèles (model cards), car les enregistrements de modèles peuvent capturer la version, les métriques, le propriétaire, les signatures et les métadonnées nécessaires pour documenter une version approuvée.\u003C/p\u003E\n\u003Cp\u003E\u003Ca href=\"https://www.snowflake.com/fr/product/features/horizon/\"\u003ESnowflake Horizon Catalog\u003C/a\u003E offre aux équipes un emplacement unique pour trouver des ressources de données avec des métadonnées homogènes sur les données Snowflake, les données Apache Iceberg, les sources relationnelles externes et les outils de BI. Pour la transparence de l'IA, le contexte du catalogue aide les équipes à voir quels produits de données sont approuvés, qui en est le propriétaire, comment ils sont classés et comment ils se rapportent aux charges de travail d'IA en aval.\u003C/p\u003E\n\u003Cp\u003EAccess History et la traçabilité ajoutent la couche de preuves d’exécution. Access History peut montrer quels objets Snowflake ont été consultés, y compris les références de tables, de vues et de colonnes, tandis que la traçabilité aide les équipes à inspecter les relations entre les objets et les colonnes.\u003C/p\u003E\n\u003Cp\u003EPour les charges de travail d’IA agentique et générative, la surveillance de l’exécution étend encore ces preuves. Snowflake Cortex Agents peut journaliser des traces détaillées des conversations à des fins d’audit et de débogage, y compris l’historique des conversations, la planification, la sélection des outils, les résultats d’exécution et la génération de la réponse finale. La documentation de Snowflake Cortex AI Guardrails recommande d’examiner les journaux des garde-fous pour identifier les modèles dans les prompts signalés.\u003C/p\u003E\n\u003Cp\u003E\u003Ca href=\"https://trust.snowflake.com/\"\u003ELe Compliance Center de Snowflake\u003C/a\u003E aide les équipes à évaluer, superviser et réduire les risques de sécurité potentiels dans les comptes Snowflake en fonction des résultats et des recommandations de l’analyseur. La gouvernance de l’IA n’est pas dissociée de la sécurité, de la confidentialité et de la gouvernance des accès. Les mêmes dispositifs de contrôle de compte qui protègent les données aident à déterminer si une charge de travail d'IA fonctionne dans un environnement gouverné.\u003C/p\u003E\n\u003Cp\u003E\u003Ci\u003EDécouvrez ce que deux cadres dirigeants de Snowflake, Christian Kleinerman, EVP of Product, et Jennifer Belissent, Principal Data Strategist, pensent de l’IA générative et de l’éthique :\u003C/i\u003E\u003C/p\u003E\n","richText":true,":type":"snowflake-site/components/text","appliedCssClassNames":"text-color-text-05"},"youtube":{"id":"embed-9a027a06e4","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_v2_248983382":{"id":"title-v2-5fbea61b24","additionalClasses":"anchor-title anchor-title--make-ai-systems-legible-before-they-become-consequential","type":"heading2","lines":["Comment garantir la lisibilité d'un système d'IA avant sa mise en production ?"],":type":"snowflake-site/components/title-v2","appliedCssClassNames":"left-alignment"},"text_793426992":{"id":"text-93d27aad39","text":"\u003Cp\u003ELa transparence de l’IA est plus facile à construire avant qu’un système ne soit largement utilisé. Une fois qu'un modèle est intégré dans un processus, qu'un chatbot répond à des clients ou qu'un résumé généré oriente une décision, la documentation manquante devient plus difficile à reconstituer et moins digne de confiance.\u003C/p\u003E\r\n\u003Cp\u003ELa voie pragmatique consiste à associer la transparence aux objets que les équipes gèrent déjà : la version du modèle, le jeu de données d'entraînement, le prompt système, la politique d'accès, le lien de traçabilité, la surface de divulgation et le journal d'audit. Lorsque ces enregistrements restent connectés, les preuves sont disponibles avant d'en avoir besoin, accessibles à un développeur qui examine une mise en production, à un utilisateur qui s'appuie sur une sortie ou à une équipe de gouvernance qui explique le comportement du système.\u003C/p\u003E\r\n","richText":true,":type":"snowflake-site/components/text","appliedCssClassNames":"text-color-text-05"},"text_2114659006":{"id":"text-24a06f3178","additionalClasses":"callout callout--general","text":"\u003Cp\u003E\u003Cb\u003EÀ RETENIR\u003C/b\u003E\u003C/p\u003E\n\u003Cp\u003ELa transparence de l’IA consiste moins à expliquer chaque paramètre du modèle qu’à rendre l’ensemble du système lisible : son objectif, ses données, ses limites, ses divulgations, sa traçabilité et ses preuves d’audit.\u003C/p\u003E\n\u003Cp\u003E \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-transparency","text_what-is-ai-transparency_0","title_why-ai-transparency-matters","text_why-ai-transparency-matters_0","text_9978331","title_what-transparency-looks-like-in-practice","text_what-transparency-looks-like-in-practice_0","text_478476658","title_v2","text_ai-transparency-vs-explainability-vs-traceability_0","title_v2_1870354977","text_118447583","title_v2_1205645823","text_870755485","youtube","title_v2_248983382","text_793426992","text_2114659006"],"appliedCssClassNames":"snowflake-responsive-container-inner-padding-medium"},"flexible_column_content_container_2":{"additionalClasses":"hub-sidebar","layout":"SIMPLE","id":"hub-body-aside",":type":"snowflake-site/components/flexible-column-container/flexible-column-content-container",":items":{"container":{"additionalClasses":"sticky-sidebar","layout":"RESPONSIVE_GRID","columnCount":12,"gridClassNames":"aem-Grid aem-Grid--12 aem-Grid--default--12","columnClassNames":{"text_943981956_copy_":"aem-GridColumn aem-GridColumn--default--12","text_copy":"aem-GridColumn aem-GridColumn--default--12"},"id":"container-f8fb396918",":type":"snowflake-site/components/container",":items":{"text_943981956_copy_":{"id":"text-7939c52501","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-2af1c61f28","additionalClasses":"page-toc","text":"\u003Cul\u003E\r\n\u003Cli data-anchor=\"what-is-ai-transparency\"\u003EQu’est-ce que la transparence de l’IA ?\u003C/li\u003E\r\n\u003Cli data-anchor=\"why-ai-transparency-matters\"\u003E\u003Cspan style=\"font-family: adobe-clean, "Source Sans Pro", -apple-system, BlinkMacSystemFont, "Segoe UI", Roboto, Ubuntu, "Trebuchet MS", "Lucida Grande", sans-serif;\"\u003EPourquoi la transparence de l'IA est devenue une exigence en entreprise ?\u003C/span\u003E\u003C/li\u003E\r\n\u003Cli data-anchor=\"why-ai-transparency-matters\"\u003E\u003Cspan style=\"font-family: adobe-clean, "Source Sans Pro", -apple-system, BlinkMacSystemFont, "Segoe UI", Roboto, Ubuntu, "Trebuchet MS", "Lucida Grande", sans-serif;\"\u003EÀ quoi ressemble la transparence dans la pratique ?\u003C/span\u003E\u003C/li\u003E\r\n\u003Cli data-anchor=\"ai-transparency-vs-explainability-vs-traceability\"\u003ETransparence de l’IA, explicabilité et traçabilité\u003C/li\u003E\r\n\u003Cli data-anchor=\"common-transparency-gaps-and-how-to-close-them\"\u003ELes lacunes courantes en matière de transparence et comment y remédier\u003C/li\u003E\r\n\u003Cli data-anchor=\"ai-transparency-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 rend les systèmes d'IA transparents et auditables ?\u003C/span\u003E\u003C/li\u003E\r\n\u003Cli\u003EComment garantir la lisibilité d'un système d'IA avant sa mise en production ?\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-medium"}},":itemsOrder":["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-1caf2c3ad4","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",":type":"snowflake-site/components/flexible-column-container/flexible-column-content-container",":items":{"title_v2_copy":{"id":"title-v2-e50d8c40c6","additionalClasses":"hub-faq__headline","type":"heading2","lines":["Foire aux questions"],":type":"snowflake-site/components/title-v2","appliedCssClassNames":"left-alignment"},"text_copy":{"id":"text-c6a6f01a8c","additionalClasses":"hub-faq__subheadline","text":"\u003Cp\u003ELes réponses des experts Snowflake à vos questions fréquentes sur la transparence 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"],"appliedCssClassNames":"snowflake-responsive-container-inner-padding-extra-small"},"flexible_column_content_container_2":{"layout":"SIMPLE","id":"hub-faq-accordions",":type":"snowflake-site/components/flexible-column-container/flexible-column-content-container",":items":{"simple_snowflake_acc":{"id":"simple-snowflake-accordion-1b8121f0a5","additionalClasses":"seo-hub__faqs","showDivider":false,"accordionItemsList":[{"title":"Que signifie la transparence de l’IA ?","richText":"\u003Cp\u003ELa transparence de l’IA signifie que les parties prenantes peuvent comprendre ce que fait un système d’IA, comment il a été construit, quelles données ou quel contexte de modèle l’ont façonné et où il doit ou ne doit pas être utilisé. Dans la pratique, cela nécessite généralement de la documentation, de la divulgation, de la traçabilité, des journaux et des dispositifs de contrôle de la gouvernance.\u003C/p\u003E"},{"title":"La transparence de l’IA est-elle requise par la loi ?","richText":"\u003Cp\u003EOui, dans de nombreux contextes. Le règlement européen sur l'IA (AI Act) inclut des obligations de transparence pour les systèmes d'IA à haut risque en vertu de l'article 13, des obligations envers les utilisateurs pour certains systèmes d'IA en vertu de l'article 50, et des obligations de documentation pour les fournisseurs de modèles d'IA à usage général en vertu de l'article 53. D’autres lois et règles sectorielles peuvent également exiger des informations significatives, des divulgations, une capacité d’audit ou des explications en fonction du système et de la juridiction.\u003C/p\u003E"},{"title":"Qu’est-ce qu’une fiche descriptive de modèle ?","richText":"\u003Cp\u003EUne fiche descriptive de modèle (model card) est un document normalisé qui décrit l'utilisation prévue d'un modèle, le contexte de ses données d'entraînement, ses performances, ses limites, ses résultats d'évaluation et ses considérations d'équité. Les fiches descriptives de modèles aident les développeurs, les réviseurs et les utilisateurs en aval à déterminer si un modèle est approprié pour une charge de travail spécifique.\u003C/p\u003E"},{"title":"La transparence de l’IA est-elle la même chose que l’explicabilité ?","richText":"\u003Cp\u003ENon. La transparence concerne le système : ce qu’il est, ce qu’il utilise, ce qu’il est censé faire et quelles limites ou divulgations s’appliquent. L'explicabilité porte sur des sorties ou des décisions spécifiques : pourquoi un modèle a produit un score, une classification, une recommandation ou une réponse.\u003C/p\u003E"},{"title":"Comment signaler le contenu généré par l’IA ?","richText":"\u003Cp\u003EUtilisez à la fois des signaux visibles et lisibles par machine lorsque cela est possible. Une étiquette visible indique aux utilisateurs que le contenu a été généré par l’IA ou matériellement modifié, tandis qu’une norme de provenance telle que C2PA peut joindre des informations lisibles par machine sur l’origine et les modifications du contenu.\u003C/p\u003E"}],":type":"snowflake-site/components/simple-snowflake-accordion"}},":itemsOrder":["simple_snowflake_acc"]},":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-04fa9cff7b","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-dc76ecfc51",":type":"snowflake-site/components/flexible-column-container/flexible-column-content-container",":items":{"title_v2":{"id":"title-v2-2ec393d9a9","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","isBlogPage":false,"isActiveTOC":false,"appliedCssClassNames":"snowflake-flexible-column-container-gray-10-bg"},"flexible_column_cont_912630531":{"id":"flexible-column-container-5cca76034f","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",":type":"snowflake-site/components/flexible-column-container/flexible-column-content-container",":items":{"resource_chip_0":{"id":"content-chip-07457315fa","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-bcf2e6284f","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-2e85de4b76","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-e5c43bbcf0","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-ce083f6ce6","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-e51e2c1c19","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-151d09c840","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-v2-23c14389b1","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","isBlogPage":false,"isActiveTOC":false,"appliedCssClassNames":"snowflake-flexible-column-container-gray-10-bg"},"flexible_column_cont_1158003461":{"id":"flexible-column-container-d23a5725fd","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-773585a9c1",":type":"snowflake-site/components/flexible-column-container/flexible-column-content-container",":items":{"title_v2_copy_copy":{"id":"title-v2-bf9b9fa4be","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-7f569717d0","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"],"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-c6c02b9f30","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-91e90acbb4",":type":"snowflake-site/components/flexible-column-container/flexible-column-content-container",":items":{"topic_card_0":{"id":"card-v2-6b8bf142c4","configurationStatus":{"configured":true,"message":""},":type":"snowflake-site/components/card-v2","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","text":{"id":"text","text":"\u003Cp\u003EComprenez le framework basé sur les risques du règlement européen sur l’IA et les exigences de conformité pour les systèmes d’IA.\u003C/p\u003E\n","richText":true,":type":"snowflake-site/components/text"},"layoutStyle":"vertical"}},":itemsOrder":["topic_card_0"]},"flexible_column_content_container_2":{"layout":"SIMPLE","id":"container-34b048c6cb",":type":"snowflake-site/components/flexible-column-container/flexible-column-content-container",":items":{"topic_card_1":{"id":"card-v2-76d3d6e619","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\u003EExplorez les principes et les pratiques pour créer des systèmes d’IA équitables, sûrs et responsables.\u003C/p\u003E\n","richText":true,":type":"snowflake-site/components/text"},"layoutStyle":"vertical"}},":itemsOrder":["topic_card_1"]},"flexible_column_content_container_3":{"layout":"SIMPLE","id":"container-242eaca272",":type":"snowflake-site/components/flexible-column-container/flexible-column-content-container",":items":{"topic_card_2":{"id":"card-v2-f899dc9e8e","configurationStatus":{"configured":true,"message":""},":type":"snowflake-site/components/card-v2","title":{"id":"title","type":"heading4","lines":["Traçabilité de l’IA"],":type":"snowflake-site/components/title-v2"},"button":{"id":"button","showOutboundIcon":false,"buttonLink":{"valid":true,"url":"https://www.snowflake.com/en/artificial-intelligence/ai-governance/ai-traceability/"},"linkTargetContentType":"GENERIC",":type":"snowflake-site/components/button","linkType":"SNOWFLAKE_EXTERNAL","text":"En savoir plus"},"type":"content-card","text":{"id":"text","text":"\u003Cp\u003EDécouvrez comment la traçabilité et les enregistrements d'exécution relient les sorties de l'IA à leurs données, modèles et configurations.\u003C/p\u003E\n","richText":true,":type":"snowflake-site/components/text"},"layoutStyle":"vertical"}},":itemsOrder":["topic_card_2"]},":type":"snowflake-site/components/flexible-column-container","isBlogPage":false,"isActiveTOC":false,"appliedCssClassNames":"snowflake-flexible-column-container-white-bg"},"flexible_column_cont_topics_row2":{"id":"flexible-column-container-9174c36b8f","propertiesId":"hub-explore-topics-grid-row2","type":"3-column-even","alignColumns":"top","containerMaxWidth":"extra-large","topPadding":"none","bottomPadding":"large","spaceBetween":"small","reverseOnMobile":false,"carouselOnMobile":false,"backgroundImageOption":"none",":type":"snowflake-site/components/flexible-column-container","isBlogPage":false,"isActiveTOC":false,"appliedCssClassNames":"snowflake-flexible-column-container-white-bg"},"flexible_column_cont_topics_row3":{"id":"flexible-column-container-6063f1be34","propertiesId":"hub-explore-topics-grid-row3","type":"3-column-even","alignColumns":"top","containerMaxWidth":"extra-large","topPadding":"none","bottomPadding":"large","spaceBetween":"small","reverseOnMobile":false,"carouselOnMobile":false,"backgroundImageOption":"none",":type":"snowflake-site/components/flexible-column-container","isBlogPage":false,"isActiveTOC":false,"appliedCssClassNames":"snowflake-flexible-column-container-white-bg"}},":itemsOrder":["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","flexible_column_cont_topics_row2","flexible_column_cont_topics_row3"],":type":"wcm/foundation/components/responsivegrid"},"modal_container":{"layout":"SIMPLE","id":"container-c2bbfa3845",":type":"snowflake-site/components/modal/modal-container",":items":{},":itemsOrder":[]},"markup_editor_928258845":{"id":"markup-editor-4a81c17fbc","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-82d0fe33c6","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-941d3bb31f","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-c80a04410e","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-eb035d4429","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"],":hierarchyType":"page",":path":"/content/snowflake-site/global/fr/artificial-intelligence/ai-governance/ai-transparency","analyticsContentTags":["snowflake-site:taxonomy/content-type/fundamentals"],"analyticsEnabled":true,"isPasswordProtected":false,"coveoConfig":{"pipeline":"snowflake.com","apiKey":"xx335921a6-2a0a-40f2-a167-e390b4766c3d","organizationId":"snowflakecomputingproduction8neljofn","searchHub":"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-transparency","language":"fr","category":"general","pageName":"Transparence de l’IA : Ce qu’elle signifie et ce qu’elle exige","contentTags":["snowflake-site:taxonomy/content-type/fundamentals"]},"locale":"fr"}