{"allowedRenditionsWidth":["320","480","640","768","960","1200","1440","1920"],"templateName":"base-page-template54","cssClassNames":"page basicpage summit-page","language":"fr","description":"Découvrez les sources de biais algorithmiques dans l'IA, des données historiques aux variables proxy. Découvrez comment détecter, mesurer et atténuer les biais avec Snowflake.","title":"Biais algorithmiques Types, détection et atténuation | Snowflake","analyticsPageType":"homepage","analyticsCategory":"general","analyticsSubCategory":"","excludeFromAnalytics":false,"analyticsContentTags":["snowflake-site:taxonomy/content-type/fundamentals"],"analyticsEnabled":true,"isPasswordProtected":false,"coveoConfig":{"pipeline":"snowflake.com","searchHub":"snowflake.com","organizationId":"snowflakecomputingproduction8neljofn","apiKey":"xx335921a6-2a0a-40f2-a167-e390b4766c3d"},"analyticsDebugMode":false,"analyticsData":{"excludeFromAnalytics":false,"subCategory":"","pageType":"homepage","templateName":"base-page-template54","siteName":"snowflake","pageUrl":"/content/snowflake-site/global/fr/artificial-intelligence/ai-governance/algorithmic-bias","language":"fr","category":"general","pageName":"Biais algorithmiques expliqués : Types, détection et techniques d'atténuation","contentTags":["snowflake-site:taxonomy/content-type/fundamentals"]},":type":"snowflake-site/components/structure/page",":items":{"root":{"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","columnCount":12,":items":{"experiencefragment-banner":{"id":"experiencefragment-1179458793","localizedFragmentVariationPath":"/content/experience-fragments/snowflake-site/language-masters/fr/site/pushdown-banner/master/jcr:content","configured":true,"xfModelPath":"/content/experience-fragments/snowflake-site/language-masters/fr/site/pushdown-banner/master.xfmodel.json?callerPage=/content/snowflake-site/global/fr/artificial-intelligence/ai-governance/algorithmic-bias",":type":"snowflake-site/components/experiencefragment"},"experiencefragment-header":{"id":"experiencefragment-ec1284949e","localizedFragmentVariationPath":"/content/experience-fragments/snowflake-site/language-masters/fr/site/mega-nav-header/master/jcr:content","configured":true,"xfModelPath":"/content/experience-fragments/snowflake-site/language-masters/fr/site/mega-nav-header/master.xfmodel.json?callerPage=/content/snowflake-site/global/fr/artificial-intelligence/ai-governance/algorithmic-bias",":type":"snowflake-site/components/experiencefragment"},"responsivegrid":{"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","columnCount":12,":items":{"flexible_column_cont":{"id":"flexible-column-container-41bf877427","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-98d614ae26",":type":"snowflake-site/components/flexible-column-container/flexible-column-content-container",":items":{"breadcrumb":{"id":"breadcrumb-3e7efa7d43","items":[{"id":"breadcrumb-3e7efa7d43-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-3e7efa7d43-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-3e7efa7d43-item-538c6d6dbc","link":{"valid":true,"url":"/fr/artificial-intelligence/ai-governance/algorithmic-bias/"},"active":true,"current":true,"title":"Biais algorithmiques",":type":"snowflake-site/components/structure/page","appliedCssClassNames":"summit-page"}],":type":"snowflake-site/components/breadcrumb"}},":itemsOrder":["breadcrumb"]},"isActiveTOC":false,"isBlogPage":false,":type":"snowflake-site/components/flexible-column-container","appliedCssClassNames":"snowflake-flexible-column-container-gray-10-bg"},"flexible_column_cont_939100716":{"id":"flexible-column-container-5adb37d2f0","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-5b6703f7cd",":type":"snowflake-site/components/flexible-column-container/flexible-column-content-container",":items":{"title_v2":{"id":"title-v2-fd199e073c","additionalClasses":"hub-hero__headline","type":"heading1","lines":["Biais algorithmiques expliqués : Types, détection et techniques d'atténuation"],":type":"snowflake-site/components/title-v2","appliedCssClassNames":"left-alignment"},"text":{"id":"text-94bc325596","additionalClasses":"hub-hero__subheadline","text":"\u003Cp style=\"padding-top: 8.0px;\"\u003ELes biais algorithmiques peuvent apparaître bien avant qu'un modèle ne produise une sortie : dans les données d'entraînement, les étiquettes, les variables proxy et le contexte de déploiement qui déterminent la manière dont les systèmes d'IA prennent des décisions. Cet article explique les principaux types de biais, comment les entreprises détectent et mesurent les impacts disproportionnés, et pourquoi une atténuation efficace dépend de données gouvernées, de la supervision des modèles et de preuves auditables.\u003C/p\u003E\n","richText":true,":type":"snowflake-site/components/text","appliedCssClassNames":"text-size-regular text-color-text-05"},"container":{"additionalClasses":"hub-hero__authors","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","layout":"RESPONSIVE_GRID","columnCount":12,"id":"container-a16977764d",":type":"snowflake-site/components/container",":items":{"content_chip_copy":{"id":"content-chip-fa1e5ef70f","cta":{"id":"cta","showOutboundIcon":false,"linkTargetContentType":"GENERIC",":type":"snowflake-site/components/button","linkType":"SNOWFLAKE_INTERNAL","text":"Lire la biographie"},"image":{"id":"image","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,"height":"800","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-55752bd0b6","cta":{"id":"cta","showOutboundIcon":false,"linkTargetContentType":"GENERIC",":type":"snowflake-site/components/button","linkType":"SNOWFLAKE_INTERNAL","text":"Lire la biographie"},"image":{"id":"image","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,"height":"709","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":["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-de132aa2cd",":type":"snowflake-site/components/flexible-column-container/flexible-column-content-container",":items":{"youtube":{"id":"embed-613e567cc1","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"}},":itemsOrder":["youtube"]},"isActiveTOC":false,"isBlogPage":false,":type":"snowflake-site/components/flexible-column-container","appliedCssClassNames":"snowflake-flexible-column-container-gray-10-bg"},"flexible_column_cont_1398138236":{"id":"flexible-column-container-54bc3e8153","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-9ffa7f4240",":type":"snowflake-site/components/flexible-column-container/flexible-column-content-container",":items":{"text_894059747":{"id":"text-b9932156c3","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-1d41b535a9","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/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/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"]},"isActiveTOC":false,"isBlogPage":false,":type":"snowflake-site/components/flexible-column-container","appliedCssClassNames":"snowflake-flexible-column-container-gray-10-bg"},"flexible_column_cont_663228916":{"id":"flexible-column-container-2c21206590","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-e788ab6859","additionalClasses":"callout callout--general","text":"\u003Cp\u003E\u003Cb\u003EDÉFINITION D’UN BIAIS ALGORITHMIQUE\u003C/b\u003E\u003C/p\u003E\r\n\u003Cp\u003ELe biais algorithmique est le risque qu'un système d'IA produise des résultats inégaux ou inéquitables selon les groupes. Il peut émerger à n’importe quelle étape du cycle de vie de l’IA, de la collecte des données à l’entraînement des modèles, en passant par leur déploiement et leur utilisation continue.\u003C/p\u003E\r\n","richText":true,":type":"snowflake-site/components/text","appliedCssClassNames":"text-size-regular text-color-text-05"},"text_intro_0":{"id":"text-a8c5a5d431","text":"\u003Cp\u003EMaintenant que l’\u003Ca href=\"https://www.snowflake.com/fr/artificial-intelligence/\"\u003Eintelligence artificielle\u003C/a\u003E est intégrée dans des flux de travail à fort impact, tels que les décisions de crédit, l’évaluation des risques cliniques et la sélection d’emplois, les biais algorithmiques sont devenus un risque opérationnel avec des conséquences juridiques, éthiques et en matière de réputation. Le modèle applique une régularité apprise à une décision qui influe sur l'accès, les opportunités ou le traitement.\u003C/p\u003E\n\u003Cp\u003EIl y a biais algorithmique lorsque ces modèles d’apprentissage produisent des résultats systématiquement injustes pour certains groupes. Les problèmes trouvent souvent leur origine dans les données d'entraînement, les étiquettes, les variables proxy, les fonctions objectif ou le contexte de déploiement qui déterminent ce que le modèle apprend et la manière dont ses sorties sont utilisées. Les entreprises ont besoin de \u003Ca href=\"https://www.snowflake.com/fr/data-governance/\"\u003Egouvernance des données\u003C/a\u003E, d'évaluation des modèles, de supervision et de responsabilité humaine pour comprendre où les biais s'introduisent dans le système et quels dispositifs de contrôle peuvent en réduire l'impact. Ces pratiques sont à la base d’une \u003Ca href=\"https://www.snowflake.com/fr/artificial-intelligence/ai-governance/responsible-ai/\"\u003EIA responsable,\u003C/a\u003E où les systèmes sont conçus, évalués et gouvernés en gardant à l’esprit l’équité, la responsabilité et la gestion des risques.\u003C/p\u003E\n","richText":true,":type":"snowflake-site/components/text","appliedCssClassNames":"text-color-text-05"},"title_what-is-algorithmic-bias":{"id":"title-v2-cc26d2935f","additionalClasses":"anchor-title anchor-title--what-is-algorithmic-bias","type":"heading2","lines":["Qu’est-ce que le biais algorithmique ?"],":type":"snowflake-site/components/title-v2"},"text_what-is-algorithmic-bias_0":{"id":"text-6c030012b0","text":"\u003Cp\u003EUn biais algorithmique est une erreur systématique dans un système d’IA ou \u003Ca href=\"https://www.snowflake.com/fr/artificial-intelligence/machine-learning/\"\u003Ede machine learning\u003C/a\u003E (ML) qui crée des avantages ou des inconvénients injustes pour certains groupes. Le groupe affecté peut être défini par un attribut protégé tel que la race, le sexe, l'âge ou le handicap, mais le biais peut également apparaître via une variable proxy qui remplace un attribut protégé, comme le code postal, l'établissement scolaire, le profil de revenu, le coût des soins de santé ou les antécédents professionnels.\u003C/p\u003E\n\u003Cp\u003EIl en va différemment des erreurs aléatoires, où les erreurs sont réparties à peu près uniformément entre les groupes. Un modèle de fraude qui laisse passer des transactions à des taux similaires pour tous les segments de clientèle peut avoir un problème de précision, mais pas nécessairement d'équité. Un modèle qui produit des taux de faux positifs plus élevés pour un sous-groupe, même lorsque la précision globale semble acceptable, soulève une autre préoccupation : l’indicateur moyen masque les problèmes de performance liés au sous-groupe spécifique.\u003C/p\u003E\n\u003Cp\u003ELe biais algorithmique est également plus large que le biais statistique, terme technique qui désigne généralement l'écart entre la valeur espérée d'un estimateur et la valeur réelle qu'il cherche à estimer. Dans l'IA appliquée, le biais algorithmique inclut le contexte social et opérationnel autour du modèle : ce que représentent les données d'entraînement, ce que mesurent les étiquettes, quel objectif le modèle optimise et comment les personnes se servent des sorties.\u003C/p\u003E\n\u003Cp\u003ELes biais peuvent être intentionnels, non intentionnels ou émergents. Un modèle peut refléter une règle discriminatoire intentionnelle, mais il apprend plus souvent à partir de données historiques façonnées par un accès inégal, des mesures incohérentes ou des processus institutionnels qui n’ont jamais été conçus pour une réutilisation algorithmique. Un tableau des décisions d'embauche prises antérieurement, par exemple, peut ressembler à des données métier neutres jusqu'à ce qu'un modèle les utilise pour reproduire des schémas créés par des réseaux de recrutement antérieurs, des pratiques de promotion ou des critères de sélection qui favorisaient certains candidats au détriment d'autres, un exemple de biais involontaire. Dans d’autres cas, des biais peuvent apparaître, même en l’absence d’apports biaisés ou de règles explicites, car les interactions entre les variables conduisent à des résultats systématiquement inégaux.\u003C/p\u003E\n","richText":true,":type":"snowflake-site/components/text","appliedCssClassNames":"text-color-text-05"},"title_sources-of-algorithmic-bias":{"id":"title-v2-c8a5539dc3","additionalClasses":"anchor-title anchor-title--sources-of-algorithmic-bias","type":"heading2","lines":["Sources de biais algorithmiques"],":type":"snowflake-site/components/title-v2"},"text_sources-of-algorithmic-bias_0":{"id":"text-1ce9997fe0","text":"\u003Cp\u003ELes biais algorithmiques peuvent s'introduire à presque n'importe quel stade du cycle de vie de l'IA, de la collecte des données jusqu'au déploiement du modèle. Les entreprises doivent être en mesure d’identifier non seulement si le modèle contient un biais, mais aussi d’où provient le biais et quels contrôles peuvent y remédier.\u003C/p\u003E\r\n\u003Ch3\u003EBiais historiques\u003C/h3\u003E\r\n\u003Cp\u003ELes biais historiques apparaissent lorsque les données d’entraînement reflètent une discrimination ou une inégalité de traitement passées. Un modèle de prêt entraîné sur des approbations hypothécaires historiques peut apprendre des régularités façonnées par le redlining, les inégalités de patrimoine ou les pratiques antérieures de souscription. Même si les attributs protégés sont supprimés, des variables corrélées telles que le quartier, la stabilité des revenus ou l'historique de crédit peuvent perpétuer la régularité.\u003C/p\u003E\r\n\u003Cp\u003ECela est important, car une prédiction historique « précise » n’est pas toujours une décision future équitable. Un modèle peut apprendre fidèlement le passé tout en produisant des résultats qu’une entreprise ne devrait pas répéter.\u003C/p\u003E\r\n\u003Ch3\u003EBiais de représentation\u003C/h3\u003E\r\n\u003Cp\u003EIl y a biais de représentation lorsque certains groupes sont sous-représentés dans les données de d'entraînement. Lorsqu’un modèle voit moins d’exemples d’un sous-groupe, il dispose généralement de moins d’informations pour apprendre les régularités qui s’appliquent à ce sous-groupe.\u003C/p\u003E\r\n\u003Cp\u003ELes systèmes d’analyse faciale en fournissent un exemple bien connu. Dans l’étude « \u003Ca rel=\"noopener noreferrer\" target=\"_blank\" href=\"https://proceedings.mlr.press/v81/buolamwini18a/buolamwini18a.pdf\"\u003EGender Shades\u003C/a\u003E », les chercheuses Joy Buolamwini et Timnit Gebru ont constaté que les systèmes commerciaux de classification selon le genre étaient beaucoup plus performants chez les hommes à la peau claire que chez les femmes à la peau plus foncée, les taux de classement erroné les plus élevés étant observés chez les femmes à la peau plus foncée.\u003C/p\u003E\r\n\u003Cp\u003ECes lacunes en matière de précision peuvent devenir particulièrement préjudiciables lorsque la reconnaissance faciale est utilisée par les forces de l’ordre : À Détroit, Porcha Woodruff, une femme noire enceinte de huit mois, a \u003Ca rel=\"noopener noreferrer\" target=\"_blank\" href=\"https://apnews.com/article/detroit-facial-recognition-arrest-821d260e932a4582a6a912dd61fde157\"\u003Eété arrêtée après\u003C/a\u003E que la technologie de reconnaissance faciale l'a renvoyée comme correspondance possible dans une enquête sur un vol de voiture ; l'affaire a ensuite été classée.\u003C/p\u003E\r\n\u003Ch3\u003EBiais de mesure\u003C/h3\u003E\r\n\u003Cp\u003ELes biais de mesure surviennent lorsqu’une fonctionnalité ou une étiquette ne mesure pas réellement le concept cible. Les taux d’arrestation, par exemple, ne mesurent pas les taux de criminalité. Ils reflètent également les pratiques policières, les méthodes de signalement et les priorités en matière d'application de la loi. Les dépenses de santé ne mesurent pas les besoins en santé. Elles reflètent l’accès aux soins, la couverture d’assurance, la capacité de payer et les comportements de recherche de soins.\u003C/p\u003E\r\n\u003Cp\u003ECette distinction a été au cœur d’une \u003Ca rel=\"noopener noreferrer\" target=\"_blank\" href=\"https://www.science.org/doi/10.1126/science.aax2342\"\u003Eétude scientifique\u003C/a\u003E menée en 2019 par Ziad Obermeyer et ses coauteurs, qui a mis en évidence les biais raciaux dans un algorithme de gestion des risques largement utilisé, car le modèle utilisait le coût des soins de santé comme approximation des besoins de santé. Pour un même score de risque, les patients noirs étaient souvent plus malades que les patients blancs, car un accès inégal aux soins avait historiquement conduit à dépenser moins d'argent pour leur prise en charge.\u003C/p\u003E\r\n\u003Ch3\u003EBiais d’agrégation\u003C/h3\u003E\r\n\u003Cp\u003ELe biais d’agrégation apparaît lorsqu’un modèle est appliqué à des populations hétérogènes, même si différents sous-groupes ont des régularités sous-jacents différents. Un modèle clinique unique, par exemple, peut produire de mauvais résultats si les biomarqueurs, le risque initial ou la présentation de la maladie diffèrent selon les groupes ethniques, les groupes d’âge ou les établissements de soins.\u003C/p\u003E\r\n\u003Cp\u003ELe problème n’est pas que chaque sous-groupe ait besoin d’un modèle distinct. C'est que les organisations doivent vérifier si le modèle partagé est adapté à la population qu'il est censé servir. Sans évaluation de sous-groupes, le modèle peut sembler acceptable en moyenne, mais il peut être défaillant pour les personnes les moins représentées dans l’ensemble.\u003C/p\u003E\r\n\u003Ch3\u003EBiais d’évaluation\u003C/h3\u003E\r\n\u003Cp\u003EIl y a biais d’évaluation lorsque les benchmarks ou les données de test ne reflètent pas la population déployée. Un modèle entraîné et évalué sur la population de patients d'un seul hôpital, le vivier de candidats d'un seul employeur ou les données financières d'une seule région peut afficher de bons résultats lors de la validation, puis se comporter différemment une fois déployé dans un autre contexte.\u003C/p\u003E\r\n\u003Cp\u003EC’est pourquoi l’évaluation des modèles doit inclure des tranches spécifiques au déploiement. Un modèle de fraude entraîné sur une seule gamme de produits ne doit pas, par exemple, être évalué uniquement sur la base de la précision et du rappel globaux s'il est destiné à être utilisé dans différentes régions, segments de clientèle et canaux de transaction présentant des régularités comportementales distinctes.\u003C/p\u003E\r\n\u003Ch3\u003EBiais de déploiement\u003C/h3\u003E\r\n\u003Cp\u003ELes biais de déploiement surviennent lorsqu’un modèle est utilisé dans un contexte pour lequel il n’a pas été conçu. Un score de risque clinique développé pour soutenir le processus d'allocation des ressources d'un seul hôpital peut ne pas fonctionner de la même manière dans un autre hôpital présentant des profils de patients, des pratiques de codification ou des parcours de soins différents.\u003C/p\u003E\r\n\u003Cp\u003ELes résultats produits par le modèle peuvent être techniquement corrects dans leur contexte d’origine, mais trompeurs dans un nouveau contexte. C'est pourquoi les décisions de déploiement doivent être documentées : usage prévu, usages exclus, population d'entraînement, population de validation, limites connues et révision humaine requise.\u003C/p\u003E\r\n\u003Ch3\u003EBiais de boucle de rétroaction\u003C/h3\u003E\r\n\u003Cp\u003EIl y a biais de boucle de rétroaction lorsque les résultats des modèles façonnent les données utilisées pour entraîner ou mettre à jour les futurs modèles. La surveillance prédictive est l'exemple classique : si un modèle envoie davantage de forces de l'ordre dans un quartier, davantage d'incidents y sont susceptibles d'être enregistrés, ce qui renforce la conviction du modèle que cette zone présente un risque plus élevé.\u003C/p\u003E\r\n\u003Cp\u003ELa même tendance peut se produire dans la prévention des fraudes, les prêts, le recrutement et les soins de santé. Un modèle qui oriente moins de candidats, de clients ou de patients vers un processus peut réduire les données futures disponibles sur ces groupes, rendant la prochaine version du système encore moins fiable pour eux.\u003C/p\u003E\r\n","richText":true,":type":"snowflake-site/components/text","appliedCssClassNames":"text-color-text-05"},"title_detecting-and-measuring-algorithmic-bias":{"id":"title-v2-720526def1","additionalClasses":"anchor-title anchor-title--detecting-and-measuring-algorithmic-bias","type":"heading2","lines":["Détection et mesure des biais algorithmiques"],":type":"snowflake-site/components/title-v2"},"text_457901047":{"id":"text-c37d3945cc","text":"\u003Cp\u003ELa détection des biais commence avec les données et se poursuit par l'évaluation du modèle, la supervision en production et l'audit. Un modèle peut réussir des tests de performance standard tout en créant un impact disproportionné si les équipes ne mesurent pas les résultats selon les groupes concernés.\u003C/p\u003E\n\u003Cp\u003EL’analyse des performances des sous-groupes en est le socle. Les équipes comparent l'exactitude, la précision, le rappel, les taux de faux positifs, les taux de faux négatifs et le calibrage selon les sous-groupes démographiques ou autres segments pertinents. Pour un modèle d’embauche, cela peut consister à comparer les taux de sélection par sexe, race et tranche d’âge. Pour un modèle clinique, il peut s’agir de mesurer le rappel entre les hôpitaux, les types d’assurance, les groupes linguistiques ou les sous-types de maladie.\u003C/p\u003E\n","richText":true,":type":"snowflake-site/components/text","appliedCssClassNames":"text-color-text-05"},"quote_item":{"id":"quote-item-cac6a6b50b","alignment":"left","layout":"simple","showQuoteIcon":true,"quote":"Un modèle peut réussir des tests de performance standard tout en créant un impact disproportionné si les équipes ne mesurent pas les résultats selon les groupes concernés.","showHangingPunctuation":false,":type":"snowflake-site/components/quote-item"},"text_detecting-and-measuring-algorithmic-bias_0":{"id":"text-f7b67813f2","text":"\u003Cp\u003EPlusieurs indicateurs d’équité en matière d’IA sont couramment utilisés :\u003C/p\u003E\r\n\u003Cul\u003E\r\n\u003Cli\u003E\u003Cb\u003EParité démographique :\u003C/b\u003E Un modèle satisfait à la parité démographique lorsque les taux de prédiction positifs sont similaires entre les groupes. Lors d'une présélection de candidats, cela signifie que différents groupes avancent à des rythmes similaires. Cela peut être utile pour détecter des impacts disparates, mais cela ne tient pas compte des différences de qualification ou de répartition des risques sous-jacentes.\u003C/li\u003E\r\n\u003Cli\u003E\u003Cb\u003EÉgalité des chances et probabilités équilibrées :\u003C/b\u003E L'égalité des chances vise à assurer l'égalité des taux de vrais positifs entre les groupes. Les probabilités équilibrées étendent ce principe à la fois aux taux de vrais positifs et aux taux de faux positifs. Ces métriques sont souvent utiles lorsque le coût d'un faux négatif ou d'une fausse alarme diffère selon les groupes.\u003C/li\u003E\r\n\u003Cli\u003E\u003Cb\u003ECalibrage au sein des groupes :\u003C/b\u003E Un modèle est calibré au sein de groupes lorsqu’une probabilité prédite a la même signification pour chaque groupe. Si deux candidats reçoivent une probabilité de remboursement de 0,8, le taux de remboursement observé devrait être similaire selon les groupes. Le calibrage est particulièrement important dans le scoring de risque, où la sortie est utilisée comme une probabilité plutôt que comme une simple décision binaire.\u003C/li\u003E\r\n\u003Cli\u003E\u003Cb\u003EÉquité contrefactuelle :\u003C/b\u003E L'équité contrefactuelle pose la question de savoir si la prédiction du modèle changerait si un attribut protégé changeait, la structure causale pertinente restant par ailleurs inchangée. C'est conceptuellement puissant, mais cela nécessite des hypothèses causales rigoureuses et ne peut pas être réduit à une simple métrique de tableau de bord.\u003C/li\u003E\r\n\u003C/ul\u003E\r\n","richText":true,":type":"snowflake-site/components/text","appliedCssClassNames":"text-color-text-05"},"text_1305005855":{"id":"text-1929fea42b","text":"\u003Ctable\u003E\n\u003Cthead\u003E\u003Ctr\u003E\u003Cth\u003EMétrique d'équité\u003C/th\u003E\n\u003Cth\u003EDéfinition\u003C/th\u003E\n\u003Cth\u003EMeilleur cas d’usage\u003C/th\u003E\n\u003C/tr\u003E\u003C/thead\u003E\u003Ctbody\u003E\u003Ctr\u003E\u003Ctd\u003E\u003Cb\u003EParité démographique\u003C/b\u003E\u003C/td\u003E\n\u003Ctd\u003EGarantit que le \u003Cb\u003Epourcentage de résultats positifs\u003C/b\u003E (e.g., emplois offerts) est égal pour tous les groupes protégés.\u003C/td\u003E\n\u003Ctd\u003E\u003Cp\u003EAudit général pour un impact disproportionné sur l'embauche ou les admissions.\u003C/p\u003E\n\u003C/td\u003E\n\u003C/tr\u003E\u003Ctr\u003E\u003Ctd\u003E\u003Cb\u003EÉgalité des chances\u003C/b\u003E\u003C/td\u003E\n\u003Ctd\u003EGarantit l’égalité des \u003Cb\u003Etaux de vrais positifs\u003C/b\u003E ; les candidats qualifiés de tous les groupes ont une chance égale de succès.\u003C/td\u003E\n\u003Ctd\u003EScénarios où le « coût » d’une opportunité manquée est élevé (e.g., approbations de prêts).\u003C/td\u003E\n\u003C/tr\u003E\u003Ctr\u003E\u003Ctd\u003E\u003Cb\u003EProbabilités équilibrées\u003C/b\u003E\u003C/td\u003E\n\u003Ctd\u003EUne version plus stricte de l’égalité des chances qui équilibre les taux de \u003Cb\u003Evrai positif\u003C/b\u003E et de \u003Cb\u003Efaux positif\u003C/b\u003E.\u003C/td\u003E\n\u003Ctd\u003EScoring des risques critiques où les « fausses alertes » et les « cas manqués » ont tous deux un poids social.\u003C/td\u003E\n\u003C/tr\u003E\u003Ctr\u003E\u003Ctd\u003E\u003Cb\u003ECalibrage\u003C/b\u003E\u003C/td\u003E\n\u003Ctd\u003EGarantit qu’une \u003Cb\u003Eprobabilité prédite\u003C/b\u003E (e.g., risque de 80 %) signifie la même chose pour tous les sous-groupes.\u003C/td\u003E\n\u003Ctd\u003ETarification basée sur les risques, souscription d’assurance et aide à la décision clinique.\u003C/td\u003E\n\u003C/tr\u003E\u003Ctr\u003E\u003Ctd\u003E\u003Cb\u003EÉquité contrefactuelle\u003C/b\u003E\u003C/td\u003E\n\u003Ctd\u003ETeste si une décision \u003Cb\u003Echangerait\u003C/b\u003E si seul un attribut protégé (comme le sexe) était modifié.\u003C/td\u003E\n\u003Ctd\u003EAnalyse causale approfondie et « équité dès la conception » lors de la conception de l'architecture du modèle.\u003C/td\u003E\n\u003C/tr\u003E\u003C/tbody\u003E\u003C/table\u003E\n","richText":true,":type":"snowflake-site/components/text"},"text_458894213":{"id":"text-d22b6a0b4a","text":"\u003Cp\u003ELes mesures d’équité impliquent également des compromis. Des études réalisées par \u003Ca rel=\"noopener noreferrer\" href=\"https://www.researchgate.net/publication/314153531_Fair_prediction_with_disparate_impact_A_study_of_bias_in_recidivism_prediction_instruments\" target=\"_blank\"\u003EAlexandra Chouldechova\u003C/a\u003E et \u003Ca rel=\"noopener noreferrer\" href=\"https://arxiv.org/abs/1609.05807\" target=\"_blank\"\u003EJon Kleinberg, et\u003C/a\u003E coll., ont démontré que les critères d'équité communs ne peuvent être tous respectés en même temps, sauf dans des conditions limitées, surtout lorsque les taux de base diffèrent d'un groupe à l'autre. Cela signifie que la détection des biais n’est pas seulement un exercice de notation technique : les entreprises doivent décider quels critères d’équité correspondent au contexte de la décision, aux exigences légales et aux préjudices qu’elles tentent de réduire.\u003C/p\u003E\n","richText":true,":type":"snowflake-site/components/text","appliedCssClassNames":"text-color-text-05"},"quote_item_1172670388":{"id":"quote-item-a156652b4a","alignment":"left","layout":"simple","showQuoteIcon":true,"quote":"La détection des biais n'est pas seulement un exercice de notation technique : les organisations doivent décider quels critères d'équité correspondent au contexte décisionnel, aux exigences légales et aux préjudices qu'elles cherchent à réduire.","showHangingPunctuation":false,":type":"snowflake-site/components/quote-item"},"text_1686063074":{"id":"text-c6c812f6ba","text":"\u003Cp\u003EDes outils peuvent contribuer à rendre ce travail reproductible. \u003Ca target=\"_blank\" href=\"https://ai-fairness-360.org/\" rel=\"noopener noreferrer\"\u003EAI Fairness 360\u003C/a\u003E (AIF360) est une boîte à outils open source, développée à l’origine par IBM Research, pour examiner, signaler et atténuer les biais tout au long du cycle de vie du ML. \u003Ca target=\"_blank\" href=\"https://fairlearn.org/\" rel=\"noopener noreferrer\"\u003EFairlearn\u003C/a\u003E aide les professionnels à évaluer et à atténuer les problèmes d’équité dans les systèmes d’IA, notamment grâce à des indicateurs et des algorithmes d’atténuation. L’outil What-If de \u003Ca href=\"https://pair-code.github.io/what-if-tool/\" target=\"_blank\" rel=\"noopener noreferrer\"\u003EGoogle et PAIR\u003C/a\u003E permet aux équipes de tester le comportement des modèles en fonction des entrées, des sous-ensembles et des indicateurs d’équité. Les outils d’attribution des fonctionnalités, tels que SHAP, peuvent également aider les équipes à examiner quelles variables influencent les prédictions, bien que l’importance des fonctionnalités à elle seule ne prouve pas l’équité.\u003C/p\u003E\r\n","richText":true,":type":"snowflake-site/components/text","appliedCssClassNames":"text-color-text-05"},"text_87988342":{"id":"text-46d276cf54","additionalClasses":"callout callout--general","text":"\u003Cp\u003E\u003Cb\u003EPIÈGE COURANT\u003C/b\u003E\u003C/p\u003E\n\u003Cp\u003ENe partez pas du principe qu’une performance globale élevée signifie qu’un modèle est juste. Évaluer les résultats entre les différents groupes pour identifier les disparités que les indicateurs agrégés peuvent masquer.\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"},"title_mitigating-algorithmic-bias":{"id":"title-v2-508ccc099a","additionalClasses":"anchor-title anchor-title--mitigating-algorithmic-bias","type":"heading2","lines":["Atténuation des biais algorithmiques"],":type":"snowflake-site/components/title-v2"},"text_mitigating-algorithmic-bias_0":{"id":"text-9dec2e6aae","text":"\u003Cp\u003EL'atténuation dépend du point d'entrée du biais dans le système. Certains problèmes nécessitent des modifications des données, d’autres nécessitent des modifications du modèle, d’autres nécessitent des changements de seuil ou de politique et d’autres nécessitent un examen organisationnel avant d’utiliser un modèle.\u003C/p\u003E\r\n\u003Ch3\u003EInterventions de prétraitement\u003C/h3\u003E\r\n\u003Cp\u003ELes techniques de prétraitement modifient les données d’entraînement avant l’entraînement du modèle. Les équipes peuvent rééquilibrer les exemples afin que les groupes sous-représentés aient plus d'influence, rééchantillonner les données pour équilibrer la représentation des sous-groupes, utiliser l'augmentation des données pour ajouter des exemples de groupes sous-représentés, ou apprendre des représentations équitables qui réduisent la capacité du modèle à encoder des attributs protégés.\u003C/p\u003E\r\n\u003Cp\u003ECes techniques peuvent être utiles lorsque l'ensemble de données est déséquilibré ou lorsque certains groupes sont insuffisamment représentés, mais elles ne résolvent pas tous les problèmes. Si l'étiquette elle-même est biaisée, le rééchantillonnage de la table ne corrigera pas la signification de la variable cible.\u003C/p\u003E\r\n\u003Ch3\u003EInterventions en cours de traitement\u003C/h3\u003E\r\n\u003Cp\u003ELes techniques en cours de traitement modifient l'entraînement du modèle. Une équipe peut ajouter des contraintes d'équité à la fonction de perte, utiliser un débiaisage adversarial pour réduire le signal des attributs protégés dans les représentations apprises, ou recourir à une approche par réductions qui transforme l'apprentissage sous contraintes d'équité en une série de problèmes de classification sensibles aux coûts.\u003C/p\u003E\r\n\u003Cp\u003ECes méthodes sont utiles lorsqu’il faut optimiser l’équité et la précision pendant l’entraînement. Elles exigent également que les équipes choisissent explicitement une contrainte d'équité, car l'optimisation en faveur de la parité démographique peut produire un comportement différent de l'optimisation en faveur de l'égalité des chances.\u003C/p\u003E\r\n\u003Ch3\u003EInterventions post-traitement\u003C/h3\u003E\r\n\u003Cp\u003ELes techniques de post-traitement ajustent les résultats des modèles après l’entraînement. Une équipe peut utiliser un ajustement de seuil par groupe pour égaliser certains taux d'erreur, ou appliquer un post-traitement par probabilités équilibrées calibrées pour modifier les prédictions tout en préservant certains aspects du calibrage.\u003C/p\u003E\r\n\u003Cp\u003ECes méthodes peuvent être pratiques lorsqu’un modèle est déjà entraîné ou lorsque les équipes n’ont pas accès au pipeline d’entraînement complet. Elles nécessitent également une gouvernance rigoureuse, car les différents seuils par groupe peuvent soulever des questions juridiques, éthiques et de communication selon les domaines.\u003C/p\u003E\r\n\u003Ch3\u003EInterventions sur les pipelines de données\u003C/h3\u003E\r\n\u003Cp\u003EDe nombreux problèmes de biais sont des problèmes de pipeline de données. Les équipes peuvent avoir besoin de corriger des étiquettes, d'améliorer les pratiques de collecte, de documenter le lignage, d'auditer des variables proxy ou d'ajouter des attributs de sous-groupe manquants pour les tests en accès contrôlé. Une table utilisé pour l'entraînement des modèles doit indiquer d'où vient l'étiquette, quelles transformations ont créé chaque caractéristique, comment la fraîcheur est supervisée et qui est responsable des exceptions de qualité.\u003C/p\u003E\r\n\u003Cp\u003ESi les équipes ne peuvent pas remonter à la source d’une caractéristique, identifier si un attribut protégé ou un proxy a été utilisé ou reproduire les données d’entraînement utilisées pour une version du modèle, elles ne peuvent pas expliquer ou atténuer de manière fiable les biais.\u003C/p\u003E\r\n\u003Ch3\u003EInterventions organisationnelles\u003C/h3\u003E\r\n\u003Cp\u003EL’atténuation des biais dépend également de l’implication humaine. Diverses équipes d’évaluation, la consultation des parties prenantes, l’évaluation \u003Ca href=\"https://www.snowflake.com/fr/artificial-intelligence/ai-governance/ai-ethics/\"\u003Eéthique de l’IA\u003C/a\u003E, les déclarations d'impact des biais et les procédures d'escalade aident les entreprises à évaluer les dommages qui n'apparaissent pas dans les seules métriques du modèle.\u003C/p\u003E\r\n\u003Cp\u003EPour les systèmes à fort impact, les équipes doivent documenter l’utilisation prévue, les populations touchées, les limites connues, les critères d’équité, les décisions d’atténuation et le plan de supervision. L’objectif n’est pas de prétendre que les biais ont été éliminés. Il s’agit de montrer que l’entreprise a identifié des risques plausibles, les a testés, a choisi des contrôles appropriés et a conservé des preuves pour examen.\u003C/p\u003E\r\n","richText":true,":type":"snowflake-site/components/text","appliedCssClassNames":"text-color-text-05"},"title_regulatory-expectations-on-algorithmic-bias":{"id":"title-v2-3c242a86f8","additionalClasses":"anchor-title anchor-title--regulatory-expectations-on-algorithmic-bias","type":"heading2","lines":["Attentes réglementaires en matière de biais algorithmiques"],":type":"snowflake-site/components/title-v2"},"text_regulatory-expectations-on-algorithmic-bias_0":{"id":"text-41e918f1c8","text":"\u003Cp\u003ELes régulateurs attendent de plus en plus des organisations qu'elles montrent comment elles testent, documentent et gouvernent les décisions algorithmiques, notamment dans les domaines à fort impact tels que l'emploi, le crédit, le logement, la santé, l'éducation et autres.\u003C/p\u003E\r\n\u003Cp\u003E\u003Ca href=\"https://www.snowflake.com/fr/artificial-intelligence/ai-governance/eu-ai-act/\"\u003ELe Règlement européen sur l'IA\u003C/a\u003E (EU AI Act) exige que les systèmes d'IA à haut risque utilisant des données d'entraînement, de validation et de test satisfassent aux exigences de gouvernance et de qualité des données. L’article 10 traite de la collecte, de la préparation, de la pertinence, de la représentativité, des erreurs, de l’exhaustivité, des biais et de l’objectif visé par le système.\u003C/p\u003E\r\n\u003Cp\u003EAux États-Unis, les lois antidiscrimination existantes sont toujours applicables lorsqu’une décision est basée sur des algorithmes. La loi sur l'égalité des chances en matière de crédit (Equal Credit Opportunity Act), le titre VII et la loi sur l'équité en matière de logement (Fair Housing Act) peuvent s'appliquer lorsque les systèmes automatisés ont une incidence sur les décisions en matière de crédit, d'emploi ou de logement. En ce qui concerne le recrutement assisté par l’IA, la Commission pour l’égalité des chances en matière d’emploi (Equal Employment Opportunity Commission) a fourni une assistance technique expliquant comment les outils de sélection de l’emploi peuvent soulever des préoccupations en matière d’impacts disparates au titre VII.\u003C/p\u003E\r\n\u003Cp\u003EDes textes réglementaires nationaux et sectoriels renforcent les exigences de \u003Ca href=\"https://www.snowflake.com/fr/artificial-intelligence/ai-governance/\"\u003Egouvernance de l’IA\u003C/a\u003E de façon plus explicite. En France, la loi pour une République numérique impose des obligations de transparence sur les algorithmes utilisés dans les décisions administratives. La CNIL a publié des recommandations précisant comment les outils algorithmiques de recrutement et d'évaluation des candidats doivent respecter les droits des personnes concernées, notamment en matière de transparence, d'explication des décisions et de possibilité de contestation. Le Défenseur des droits a par ailleurs émis des recommandations sur la discrimination algorithmique dans l'emploi.\u003C/p\u003E\r\n\u003Cp\u003EPour les entreprises, les exigences de conformité en matière d'IA pointent vers le même modèle opérationnel : évaluations d'impact, audits de biais, preuves d'actions défavorables, documentation des modèles, supervision et responsabilité claire pour les décisions qui affectent les personnes concernées.\u003C/p\u003E\r\n","richText":true,":type":"snowflake-site/components/text","appliedCssClassNames":"text-color-text-05"},"title_how-snowflake-helps-organizations-address-algorithmic-bias":{"id":"title-v2-923d3bd30c","additionalClasses":"anchor-title anchor-title--how-snowflake-helps-organizations-address-algorithmic-bias","type":"heading2","lines":["Lutte contre les biais algorithmiques : l'approche Snowflake"],":type":"snowflake-site/components/title-v2"},"text_how-snowflake-helps-organizations-address-algorithmic-bias_0":{"id":"text-fe9db09ece","text":"\u003Cp\u003EL’atténuation des biais algorithmiques et la gestion des risques dépendent d’une stratégie data et d’IA gouvernée. Les équipes doivent savoir quelles données ont été utilisées pour l'entraînement, quelles colonnes peuvent contenir des attributs protégés ou des variables proxy, quelles transformations ont créé des caractéristiques du modèle, quelle version du modèle a produit une sortie et quels dispositifs de contrôle limitent l'exposition aux données sensibles.\u003C/p\u003E\r\n\u003Cp\u003ESnowflake fournit des fonctionnalités qui peuvent prendre en charge ce flux de travail dans le \u003Ca href=\"https://www.snowflake.com/fr/why-snowflake/what-is-data-cloud/\"\u003EAI Data Cloud\u003C/a\u003E. \u003Ca href=\"https://www.snowflake.com/fr/product/features/horizon/\"\u003ESnowflake Horizon Catalog\u003C/a\u003E aide les entreprises à classer les données sensibles, à appliquer des tags, à mettre en œuvre un contrôle d'accès, à protéger les champs sensibles avec Dynamic Data Masking et à appliquer des politiques d'accès aux lignes. Ces dispositifs de contrôle sont utiles pour les processus d'audit des biais, car les attributs protégés doivent souvent être disponibles pour des tests contrôlés, tout en restant inaccessibles dans le cadre du développement général des modèles ou de l'utilisation métier.\u003C/p\u003E\r\n\u003Cp\u003ESnowpark ML et Cortex AI peuvent prendre en charge les flux de travail de détection des biais directement à partir des données d’entraînement, de validation et d’inférence dans Snowflake, y compris les flux de travail qui utilisent des bibliothèques open source telles que Fairlearn ou AIF360 le cas échéant. Garder ce travail à proximité des données gouvernées permet de réduire les mouvements inutiles d’attributs sensibles, de prédictions et de résultats d’évaluation.\u003C/p\u003E\r\n\u003Cp\u003ESnowflake Model Registry permet aux équipes de gérer les modèles et les métadonnées associées dans Snowflake, et son API prend en charge les métriques liées aux versions des modèles. Les équipes peuvent enregistrer les métriques de sous-groupes en plus des métriques de performance standard, de sorte qu'une version de modèle n'est pas évaluée uniquement sur la base de l'exactitude agrégée ou du score F1. Snowflake ML Observability prend également en charge la supervision des modèles de production selon des axes tels que les performances, la dérive et le volume.\u003C/p\u003E\r\n\u003Cp\u003EL'historique des accès et les politiques de masquage, fondées sur les tags, peuvent contribuer à préserver l'auditabilité tout en limitant l'exposition. L'historique des accès Snowflake enregistre des opérations telles que des mises à jour de politiques et des modifications de tags, tandis que les politiques de masquage fondées sur les tags peuvent automatiquement protéger les colonnes taguées qui contiennent des données sensibles. Pour la gouvernance des biais, cela signifie que les équipes peuvent associer des dispositifs de contrôle aux objets de données utilisés dans les processus d'IA, retracer qui a accédé aux attributs sensibles et conserver des preuves pour les examens de modèles, les audits et les enquêtes réglementaires.\u003C/p\u003E\r\n","richText":true,":type":"snowflake-site/components/text","appliedCssClassNames":"text-color-text-05"},"title_bias-control-starts-before-the-model":{"id":"title-v2-70c6afb2db","additionalClasses":"anchor-title anchor-title--bias-control-starts-before-the-model","type":"heading2","lines":["Comment anticiper les biais algorithmiques en amont de l'entraînement ?"],":type":"snowflake-site/components/title-v2"},"text_bias-control-starts-before-the-model_0":{"id":"text-76ae8542e5","text":"\u003Cp\u003ELes biais algorithmiques sont souvent découverts dans la sortie d'un modèle, mais ils commencent généralement plus tôt : dans la table sélectionnée pour l'entraînement, l'étiquette choisie comme vérité terrain, la variable proxy qui semblait pratique, le benchmark qui a manqué un sous-groupe ou le contexte de déploiement qui a changé après validation. Pour faire face à ces risques, la responsabilité algorithmique est nécessaire : les organisations doivent pouvoir retracer les décisions à travers les données, les modèles et les processus, et démontrer comment les résultats ont été produits et gouvernés.\u003C/p\u003E\r\n\u003Cp\u003EPour réduire les biais, les entreprises doivent disposer de données gouvernées, d'un lignage documenté, d'un accès contrôlé aux attributs protégés, d'une évaluation des sous-groupes, de preuves des versions du modèle, d'une supervision et d'un processus d'examen qui puisse relier les constats techniques aux décisions juridiques, éthiques et opérationnelles. En ce sens, l’atténuation des biais algorithmiques n’est pas une correction ponctuelle du modèle. Il s’agit d’une pratique de gouvernance de l’IA qui suit le système, de la collecte des données au déploiement et à l’audit.\u003C/p\u003E\r\n","richText":true,":type":"snowflake-site/components/text","appliedCssClassNames":"text-color-text-05"},"text_1773318063":{"id":"text-d3cc1ec702","additionalClasses":"callout callout--general","text":"\u003Cp\u003E\u003Cb\u003EÀ RETENIR\u003C/b\u003E\u003C/p\u003E\n\u003Cp\u003ELes biais algorithmiques peuvent émerger des données, des étiquettes, des méthodes d'évaluation et des décisions de déploiement qui déterminent la manière dont les systèmes d'IA fonctionnent. Réduire les biais exige une gouvernance, des tests et une supervision continues afin de garantir que les modèles produisent des résultats plus équitables et plus fiables au fil du temps.\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-algorithmic-bias","text_what-is-algorithmic-bias_0","title_sources-of-algorithmic-bias","text_sources-of-algorithmic-bias_0","title_detecting-and-measuring-algorithmic-bias","text_457901047","quote_item","text_detecting-and-measuring-algorithmic-bias_0","text_1305005855","text_458894213","quote_item_1172670388","text_1686063074","text_87988342","title_mitigating-algorithmic-bias","text_mitigating-algorithmic-bias_0","title_regulatory-expectations-on-algorithmic-bias","text_regulatory-expectations-on-algorithmic-bias_0","title_how-snowflake-helps-organizations-address-algorithmic-bias","text_how-snowflake-helps-organizations-address-algorithmic-bias_0","title_bias-control-starts-before-the-model","text_bias-control-starts-before-the-model_0","text_1773318063"],"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","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","layout":"RESPONSIVE_GRID","columnCount":12,"id":"container-47f456bb80",":type":"snowflake-site/components/container",":items":{"text_943981956_copy_":{"id":"text-cdf6e1de07","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-f8ec09d349","additionalClasses":"page-toc","text":"\u003Cul\u003E\r\n\u003Cli data-anchor=\"what-is-algorithmic-bias\"\u003EQu’est-ce que le biais algorithmique ?\u003C/li\u003E\r\n\u003Cli data-anchor=\"sources-of-algorithmic-bias\"\u003ESources de biais algorithmiques\u003C/li\u003E\r\n\u003Cli data-anchor=\"detecting-and-measuring-algorithmic-bias\"\u003EDétection et mesure des biais algorithmiques\u003C/li\u003E\r\n\u003Cli data-anchor=\"mitigating-algorithmic-bias\"\u003EAtténuation des biais algorithmiques\u003C/li\u003E\r\n\u003Cli data-anchor=\"regulatory-expectations-on-algorithmic-bias\"\u003EAttentes réglementaires en matière de biais algorithmiques\u003C/li\u003E\r\n\u003Cli\u003ELutte contre les biais algorithmiques : l'approche Snowflake\u003C/li\u003E\r\n\u003Cli\u003EComment anticiper les biais algorithmiques en amont de l'entraînement ?\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"},"isActiveTOC":false,"isBlogPage":false,":type":"snowflake-site/components/flexible-column-container"},"flexible_column_cont_1786318617":{"id":"flexible-column-container-fe39b2a292","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-f50dd9287b","additionalClasses":"hub-faq__headline","type":"heading2","lines":["Foire aux questions"],":type":"snowflake-site/components/title-v2","appliedCssClassNames":"left-alignment"},"text_copy":{"id":"text-25096eb2d8","additionalClasses":"hub-faq__subheadline","text":"\u003Cp\u003ELes réponses des experts Snowflake à vos questions fréquentes sur les biais algorithmiques.\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-2eb5d32353","additionalClasses":"seo-hub__faqs","showDivider":false,"accordionItemsList":[{"title":"Quelles sont les causes des biais algorithmiques ?","richText":"\u003Cp\u003ELes biais algorithmiques peuvent provenir de données d'entraînement biaisées, de discriminations historiques, de sous-représentation, d'étiquettes défectueuses, de variables proxy, d'agrégation entre populations hétérogènes, de lacunes dans l'évaluation et d'inadéquations dans le déploiement. Il ne s’agit pas seulement d’un problème de « mauvaises données ». Un jeu de données peut être précis, complet et bien structuré, tout en reflétant un accès inégal, des mesures incohérentes ou des décisions institutionnelles préalables.\u003C/p\u003E\r\n"},{"title":"Quels sont les exemples bien connus de biais algorithmiques ?","richText":"\u003Cp\u003EParmi les exemples bien connus, on peut citer les scores de risque de récidive COMPAS, l'algorithme expérimental de recrutement abandonné d'Amazon, l'évaluation des risques de santé documentée par Obermeyer et ses coauteurs, les écarts d'exactitude en reconnaissance faciale documentés par Buolamwini et Gebru, ou encore les disparités dans les pratiques de prêt hypothécaire algorithmique ou fintech.\u003C/p\u003E\r\n"},{"title":"Peut-on éliminer les biais algorithmiques ?","richText":"\u003Cp\u003EPas complètement. Les indicateurs d’équité peuvent être contradictoires, et les entreprises ne peuvent souvent pas satisfaire à la parité démographique, au calibrage et aux taux d’erreur égalisés en même temps, sauf dans des conditions limitées. L’atténuation des biais est donc un processus de gouvernance : Choisissez les critères d'équité adaptés au contexte décisionnel, testez les résultats des sous-groupes, documentez les compromis, appliquez des dispositifs de contrôle et supervisez les performances après le déploiement.\u003C/p\u003E\r\n"},{"title":"Comment les biais algorithmiques sont-ils régulés ?","richText":"\u003Cp\u003ELes biais algorithmiques sont régulés par une combinaison de règles spécifiques à l’IA et de lois antidiscrimination existantes. Le Règlement européen sur l’IA (EU AI Act) comprend des exigences de gouvernance des données et de transparence pour certains systèmes d’IA à haut risque. En France, la CNIL exige que les outils automatisés de recrutement respectent les droits des candidats, notamment en matière de transparence et de possibilité de contestation des décisions. Le Règlement européen sur l'IA (EU AI Act) encadre la discrimination algorithmique dans les systèmes d'IA à haut risque, dont les obligations s'appliquent progressivement depuis 2025. Des textes existants tels que le Règlement général sur la protection des données (RGPD), la loi Informatique et Libertés, le Code du travail et le Code de la consommation peuvent s'appliquer lorsque des systèmes algorithmiques influencent des décisions en matière de crédit, d'emploi ou de logement.\u003C/p\u003E\r\n"}],":type":"snowflake-site/components/simple-snowflake-accordion"}},":itemsOrder":["simple_snowflake_acc"]},"isActiveTOC":false,"isBlogPage":false,":type":"snowflake-site/components/flexible-column-container","appliedCssClassNames":"snowflake-flexible-column-container-gray-10-bg"},"flexible_column_cont_1467213961":{"id":"flexible-column-container-c38f5cdfbe","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-c31727fbd2",":type":"snowflake-site/components/flexible-column-container/flexible-column-content-container",":items":{"title_v2":{"id":"title-v2-601504d707","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"]},"isActiveTOC":false,"isBlogPage":false,":type":"snowflake-site/components/flexible-column-container","appliedCssClassNames":"snowflake-flexible-column-container-gray-10-bg"},"flexible_column_cont_912630531":{"id":"flexible-column-container-79b328344b","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-d9bfbc5ee2","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-v2-58a4fee57e","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-7a61e26ab0","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-fff58fe439","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-c222af38b4","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-v2-034cec407a","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-c70277eea4","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-v2-9732abbc14","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"]},"isActiveTOC":false,"isBlogPage":false,":type":"snowflake-site/components/flexible-column-container","appliedCssClassNames":"snowflake-flexible-column-container-gray-10-bg"},"flexible_column_cont_1158003461":{"id":"flexible-column-container-a8e803958e","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-cd5a9f0402",":type":"snowflake-site/components/flexible-column-container/flexible-column-content-container",":items":{"title_v2_copy_copy":{"id":"title-v2-f949c4c419","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-ec7d242d5b","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"},"isActiveTOC":false,"isBlogPage":false,":type":"snowflake-site/components/flexible-column-container","appliedCssClassNames":"snowflake-flexible-column-container-white-bg"},"flexible_column_cont_1377146023":{"id":"flexible-column-container-82ae2977da","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-c284034c8a",":type":"snowflake-site/components/flexible-column-container/flexible-column-content-container",":items":{"topic_card_0":{"id":"card-v2-3972025457","configurationStatus":{"configured":true,"message":""},"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\u003ERendre les décisions en matière d'IA compréhensibles grâce à une documentation claire, à l'explicabilité et à des dispositifs de contrôle de la gouvernance.\u003C/p\u003E\n","richText":true,":type":"snowflake-site/components/text"},"layoutStyle":"vertical",":type":"snowflake-site/components/card-v2"}},":itemsOrder":["topic_card_0"]},"flexible_column_content_container_2":{"layout":"SIMPLE","id":"container-e9e5e2f5c4",":type":"snowflake-site/components/flexible-column-container/flexible-column-content-container",":items":{"topic_card_1":{"id":"card-v2-561d436c3d","configurationStatus":{"configured":true,"message":""},"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 la réglementation européenne de l'IA fondée sur les risques et les exigences relatives au développement et à l'utilisation conformes de l'IA.\u003C/p\u003E\n","richText":true,":type":"snowflake-site/components/text"},"layoutStyle":"vertical",":type":"snowflake-site/components/card-v2"}},":itemsOrder":["topic_card_1"]},"flexible_column_content_container_3":{"layout":"SIMPLE","id":"container-477cbcc458",":type":"snowflake-site/components/flexible-column-container/flexible-column-content-container",":items":{"topic_card_2":{"id":"card-v2-f86548936c","configurationStatus":{"configured":true,"message":""},"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 conformes aux valeurs et réglementations de votre organisation.\u003C/p\u003E\n","richText":true,":type":"snowflake-site/components/text"},"layoutStyle":"vertical",":type":"snowflake-site/components/card-v2"}},":itemsOrder":["topic_card_2"]},"isActiveTOC":false,"isBlogPage":false,":type":"snowflake-site/components/flexible-column-container","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-d009e22bfb",":type":"snowflake-site/components/modal/modal-container",":items":{},":itemsOrder":[]},"markup_editor_928258845":{"id":"markup-editor-07eabce686","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}","isGSAPEnabled":false,":type":"snowflake-site/components/markup-editor"},"markup_editor_597730182":{"id":"markup-editor-122a456767","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}}","isGSAPEnabled":false,":type":"snowflake-site/components/markup-editor"},"markup_editor":{"id":"markup-editor-2a85090e74","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);});}})();","isGSAPEnabled":true,":type":"snowflake-site/components/markup-editor"},"experiencefragment-footer":{"id":"experiencefragment-1f3a16cb49","localizedFragmentVariationPath":"/content/experience-fragments/snowflake-site/language-masters/fr/site/footer/master/jcr:content","configured":true,"xfModelPath":"/content/experience-fragments/snowflake-site/language-masters/fr/site/footer/master.xfmodel.json?callerPage=/content/snowflake-site/global/fr/artificial-intelligence/ai-governance/algorithmic-bias",":type":"snowflake-site/components/experiencefragment"},"experiencefragment":{"id":"experiencefragment-5a356f0bc5","localizedFragmentVariationPath":"/content/experience-fragments/snowflake-site/language-masters/fr/site/footer-legal-disclaimers/master/jcr:content","configured":true,"xfModelPath":"/content/experience-fragments/snowflake-site/language-masters/fr/site/footer-legal-disclaimers/master.xfmodel.json?callerPage=/content/snowflake-site/global/fr/artificial-intelligence/ai-governance/algorithmic-bias",":type":"snowflake-site/components/experiencefragment"}},":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/algorithmic-bias",":mappedPath":"/fr/artificial-intelligence/ai-governance/algorithmic-bias/","locale":"fr"}