{"templateName":"base-page-template54","cssClassNames":"page basicpage summit-page","allowedRenditionsWidth":["320","480","640","768","960","1200","1440","1920"],"language":"fr","description":"Découvrez les 6 principes fondamentaux de l’IA responsable, dont l’équité, la transparence et la sûreté. Découvrez comment les entreprises transforment l’éthique de l’IA en exigences de gouvernance mesurables.","title":"Qu’est-ce que l’IA responsable ? Principes, pratiques et frameworks | Snowflake","analyticsPageType":"homepage","analyticsCategory":"general","analyticsSubCategory":"","excludeFromAnalytics":false,":path":"/content/snowflake-site/global/fr/artificial-intelligence/ai-governance/responsible-ai",":hierarchyType":"page",":mappedPath":"/fr/artificial-intelligence/ai-governance/responsible-ai/",":type":"snowflake-site/components/structure/page",":items":{"root":{"columnCount":12,"columnClassNames":{"markup_editor_928258845":"aem-GridColumn aem-GridColumn--default--12","experiencefragment-banner":"aem-GridColumn aem-GridColumn--default--12","experiencefragment-header":"aem-GridColumn aem-GridColumn--default--12","responsivegrid":"aem-GridColumn aem-GridColumn--default--12","markup_editor_597730182":"aem-GridColumn aem-GridColumn--default--12","experiencefragment-footer":"aem-GridColumn aem-GridColumn--default--12","experiencefragment":"aem-GridColumn aem-GridColumn--default--12","modal_container":"aem-GridColumn aem-GridColumn--default--12","markup_editor":"aem-GridColumn aem-GridColumn--default--12"},"gridClassNames":"aem-Grid aem-Grid--12 aem-Grid--default--12",":items":{"experiencefragment-banner":{"id":"experiencefragment-f20a1bd47d","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-83423674a6","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/responsible-ai.languagenav.json"},"responsivegrid":{"columnCount":12,"columnClassNames":{"flexible_column_cont_939100716":"aem-GridColumn aem-GridColumn--default--12","flexible_column_cont":"aem-GridColumn aem-GridColumn--default--12","flexible_column_cont_1158003461":"aem-GridColumn aem-GridColumn--default--12","flexible_column_cont_663228916":"aem-GridColumn aem-GridColumn--default--12","flexible_column_cont_912630531":"aem-GridColumn aem-GridColumn--default--12","flexible_column_cont_1398138236":"aem-GridColumn aem-GridColumn--default--12","flexible_column_cont_1786318617":"aem-GridColumn aem-GridColumn--default--12","flexible_column_cont_1467213961":"aem-GridColumn aem-GridColumn--default--12","flexible_column_cont_1377146023":"aem-GridColumn aem-GridColumn--default--12","flexible_column_cont_963294944":"aem-GridColumn aem-GridColumn--default--12"},"gridClassNames":"aem-Grid aem-Grid--12 aem-Grid--default--12",":items":{"flexible_column_cont":{"id":"flexible-column-container-ee855f64ff","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-d1f9939601",":type":"snowflake-site/components/flexible-column-container/flexible-column-content-container",":items":{"breadcrumb":{"id":"breadcrumb-f3b307f48e","items":[{"id":"breadcrumb-f3b307f48e-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-f3b307f48e-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-f3b307f48e-item-7bfd598145","link":{"valid":true,"url":"/fr/artificial-intelligence/ai-governance/responsible-ai/"},"active":true,"current":true,"title":"IA responsable",":type":"snowflake-site/components/structure/page","appliedCssClassNames":"summit-page"}],":type":"snowflake-site/components/breadcrumb"}},":itemsOrder":["breadcrumb"]},":type":"snowflake-site/components/flexible-column-container","isActiveTOC":false,"isBlogPage":false,"appliedCssClassNames":"snowflake-flexible-column-container-gray-10-bg"},"flexible_column_cont_939100716":{"id":"flexible-column-container-3e22018c48","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-caad777c31",":type":"snowflake-site/components/flexible-column-container/flexible-column-content-container","appliedCssClassNames":"snowflake-responsive-container-inner-padding-extra-small",":items":{"title_v2":{"id":"title-v2-8ad2272c18","additionalClasses":"hub-hero__headline","type":"heading1","lines":["IA responsable : Principes et pratiques pour des systèmes dignes de confiance"],":type":"snowflake-site/components/title-v2","appliedCssClassNames":"left-alignment"},"text":{"id":"text-25bc012225","additionalClasses":"hub-hero__subheadline","text":"\u003Cp style=\"padding-top: 8.0px;\"\u003EL’IA responsable relie les principes affichés aux systèmes concrets en transformant l’équité, la transparence et la responsabilité en exigences mesurables tout au long du cycle de vie de l’IA. C’est une discipline pratique qui aide les organisations à créer, déployer et gouverner des systèmes d’IA avec des preuves conçues pour faciliter les examens réglementaires, clients et internes.\u003C/p\u003E\n","richText":true,":type":"snowflake-site/components/text","appliedCssClassNames":"text-size-regular text-color-text-05"},"container":{"additionalClasses":"hub-hero__authors","layout":"RESPONSIVE_GRID","columnCount":12,"columnClassNames":{"content_chip_copy":"aem-GridColumn aem-GridColumn--default--12","content_chip":"aem-GridColumn aem-GridColumn--default--12"},"gridClassNames":"aem-Grid aem-Grid--12 aem-Grid--default--12","id":"container-be16f3b24c",":type":"snowflake-site/components/container","appliedCssClassNames":"snowflake-responsive-container-inner-padding-small",":items":{"content_chip_copy":{"id":"content-chip-64053b35a4","cta":{"id":"cta","showOutboundIcon":false,"linkTargetContentType":"GENERIC",":type":"snowflake-site/components/button","linkType":"SNOWFLAKE_INTERNAL","text":"Lire la biographie"},"image":{"id":"image","height":"800","src":"https://www.snowflake.com/adobe/dynamicmedia/deliver/dm-aid--d2c1126d-3244-486b-9007-1d2bc56e1893/laurie-macpherson.jpg?quality=85&preferwebp=true","lazyEnabled":true,"alt":"Laurie MacPherson","width":"800",":type":"snowflake-site/components/image"},"headline":{"id":"title","type":"heading5","lines":["Laurie MacPherson","Technical Writer, Snowflake"],":type":"snowflake-site/components/title-v2"},":type":"snowflake-site/components/content-chip"},"content_chip":{"id":"content-chip-5b6c63fa31","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","lazyEnabled":true,"alt":"David Gaule","width":"709",":type":"snowflake-site/components/image"},"headline":{"id":"title","type":"heading5","lines":["Tracy Kabuya","Contributrice locale, Snowflake"],":type":"snowflake-site/components/title-v2"},":type":"snowflake-site/components/content-chip"}},":itemsOrder":["content_chip_copy","content_chip"]}},":itemsOrder":["title_v2","text","container"]},"flexible_column_content_container_2":{"additionalClasses":"hub-hero__video-column","layout":"SIMPLE","id":"container-a23e9298a1",":type":"snowflake-site/components/flexible-column-container/flexible-column-content-container",":items":{"youtube":{"id":"embed-3abebf862e","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","isActiveTOC":false,"isBlogPage":false,"appliedCssClassNames":"snowflake-flexible-column-container-gray-10-bg"},"flexible_column_cont_1398138236":{"id":"flexible-column-container-23429007ea","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-dc8dc1d3a8",":type":"snowflake-site/components/flexible-column-container/flexible-column-content-container",":items":{"text_894059747":{"id":"text-56a621f124","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-58524927b8","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/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\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","isActiveTOC":false,"isBlogPage":false,"appliedCssClassNames":"snowflake-flexible-column-container-gray-10-bg"},"flexible_column_cont_663228916":{"id":"flexible-column-container-b37deb478f","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","appliedCssClassNames":"snowflake-responsive-container-inner-padding-medium",":items":{"callout_what_is_ai_g":{"id":"text-ee423fcae4","additionalClasses":"callout callout--general","text":"\u003Cp\u003E\u003Cb\u003EDÉFINITION DE L’IA RESPONSABLE\u003C/b\u003E\u003C/p\u003E\n\u003Cp\u003EL’IA responsable consiste à concevoir, créer et exploiter des systèmes d’IA afin qu’ils soient équitables, transparents, responsables, sûrs, respectueux de la confidentialité et gouvernés sur l’ensemble du cycle de vie de l’IA.\u003C/p\u003E\n","richText":true,":type":"snowflake-site/components/text","appliedCssClassNames":"text-size-regular text-color-text-05"},"text_intro_0":{"id":"text-f767f15db7","text":"\u003Cp\u003EIl existe souvent un écart entre ce qu’une organisation affirme sur ses valeurs en matière d’IA et ce qu’elle peut prouver à propos d’un système en production. L’équité, la transparence et la responsabilité sont des principes utiles, mais ils ne deviennent réalité que lorsque les équipes définissent des indicateurs d’équité, examinent les données d’entraînement, documentent le comportement des modèles, attribuent les droits de décision et surveillent la dérive après le déploiement.\u003C/p\u003E\n\u003Cp\u003EC’est tout l’enjeu de l’IA responsable. Elle transforme de grands principes en exigences opérationnelles : origine des données, évaluation des modèles, revue des sorties à haut risque, conservation des preuves et réponse des équipes lorsqu’un système se comporte de façon inattendue.\u003C/p\u003E\n","richText":true,":type":"snowflake-site/components/text","appliedCssClassNames":"text-color-text-05"},"quote_item":{"id":"quote-item-ccaf2da173","alignment":"left","layout":"simple","quoteSourceName":"Jennifer Belissent","quoteSourceTitle":"Principal Data Strategist, Snowflake","showQuoteIcon":true,"quote":"Le véritable défi posé par ces nouveaux outils d’IA n’est pas d’identifier des cas d’usage pertinents. L’expérience récente a montré que les utilisateurs sont prêts à s’en emparer. Pour les dirigeants d’entreprise, l’enjeu est désormais de permettre leur adoption de manière efficace, responsable et à grande échelle.","showHangingPunctuation":false,":type":"snowflake-site/components/quote-item"},"text_intro_0_copy":{"id":"text-10e0a5aed2","text":"\u003Cp\u003EPour les entreprises, l’IA responsable devient une discipline pratique pour créer, déployer et gouverner des systèmes d’IA capables de résister à l’examen des régulateurs, des clients, des collaborateurs et des parties prenantes internes.\u003C/p\u003E\n","richText":true,":type":"snowflake-site/components/text","appliedCssClassNames":"text-color-text-05"},"title_sources_of_alg":{"id":"title-v2-c0806202a3","additionalClasses":"anchor-title anchor-title--what-is-responsible-ai","type":"heading2","lines":["Qu’est-ce que l’IA responsable ?"],":type":"snowflake-site/components/title-v2"},"text_what-is-algorithmic-bias_0":{"id":"text-aa41685249","text":"\u003Cp\u003EL’IA responsable consiste à concevoir, créer et exploiter des systèmes d’IA selon des principes éthiques, afin qu’ils soient équitables, transparents, responsables, sûrs et respectueux de la confidentialité. Elle est étroitement liée à l’IA éthique, à l’IA digne de confiance et à l’IA centrée sur l’humain. Mais l’accent est pratique : un programme d’IA responsable transforme les principes en exigences que les équipes peuvent appliquer tout au long du cycle de vie de l’IA.\u003C/p\u003E\r\n\u003Cp\u003ECette approche opérationnelle signifie que l’IA responsable n’est pas une simple étape de validation à franchir avant le lancement. Elle s’applique à tout le cycle de vie : des décisions prises sur les données d’entraînement avant la création du modèle, à l’évaluation, au déploiement et à la surveillance, jusqu’aux revues de gouvernance qui déterminent si un système correspond toujours à l’usage prévu. L’IA responsable définit ce que signifie « bien faire » à chacune de ces étapes, et la \u003Ca href=\"https://www.snowflake.com/fr/artificial-intelligence/ai-governance/\"\u003Egouvernance de l’IA\u003C/a\u003E crée les rôles, contrôles et pistes d’audit qui aident l’organisation à l’appliquer.\u003C/p\u003E\r\n","richText":true,":type":"snowflake-site/components/text","appliedCssClassNames":"text-color-text-05"},"title_sources-of-algorithmic-bias":{"id":"title-v2-5df6f1942a","additionalClasses":"anchor-title anchor-title--core-principles-of-responsible-ai","type":"heading2","lines":["Principes clés de l’IA responsable"],":type":"snowflake-site/components/title-v2"},"text_sources-of-algorithmic-bias_0":{"id":"text-9fa2b65074","text":"\u003Cp\u003ELes principes ci-dessous sont souvent abordés séparément, mais ils interagissent en production. Un choix lié à la confidentialité peut influencer les tests d’équité, une exigence de transparence peut modifier la documentation du modèle, et un modèle de responsabilité peut déterminer si une étape human-in-the-loop dispose d’une véritable autorité ou se limite à une validation de façade.\u003C/p\u003E\r\n\u003Ch3\u003EÉquité\u003C/h3\u003E\r\n\u003Cp\u003EL’équité de l’IA signifie que les systèmes d’IA ne doivent pas produire de résultats discriminatoires selon des attributs protégés ou d’autres groupes pertinents. L’un des risques les plus fréquents est le \u003Ca href=\"https://www.snowflake.com/fr/artificial-intelligence/ai-governance/algorithmic-bias/\"\u003Ebiais algorithmique\u003C/a\u003E : des écarts systématiques dans les performances d’un modèle selon les populations, souvent dus à des données historiques biaisées, à des variables proxy ou à une représentation inégale dans les données d’entraînement. L’équité ne se résume pas à retirer les champs sensibles d’une table, car des proxys peuvent encore apparaître dans les données de localisation, les profils de revenus, le comportement des appareils ou les libellés historiques.\u003C/p\u003E\r\n\u003Cp\u003ELes équipes examinent généralement des indicateurs d’équité comme la parité démographique, l’égalité des chances ou les différences de taux d’erreur, puis choisissent la métrique adaptée au cas d’usage et au profil de risque. Un modèle de détection de fraude, un modèle de prêt et un modèle de triage médical peuvent nécessiter des tests d’équité différents, car les conséquences des faux positifs et des faux négatifs ne sont pas les mêmes.\u003C/p\u003E\r\n\u003Cp\u003E\u003Cb\u003EAction concrète : \u003C/b\u003EEffectuez des tests d’équité avant le déploiement, puis à intervalle régulier, en documentant les indicateurs retenus, les résultats par groupe, les limites connues et les décisions de mitigation.\u003C/p\u003E\r\n\u003Ch3\u003ETransparence\u003C/h3\u003E\r\n\u003Cp\u003E\u003Ca href=\"https://www.snowflake.com/fr/artificial-intelligence/ai-governance/ai-transparency/\"\u003ELa transparence de l’IA\u003C/a\u003E signifie que les parties prenantes peuvent comprendre ce que fait un système d’IA, pourquoi il a été créé, quelles données il utilise et dans quels cas ses sorties ne doivent pas être considérées comme fiables. Pour certains systèmes, cela peut prendre la forme d’un comportement de modèle explicable. Pour d’autres, il s’agira d’une information claire à l’utilisateur, d’une fiche descriptive de modèle, d’une fiche de données ou d’une description en langage clair de l’usage prévu.\u003C/p\u003E\r\n\u003Cp\u003EL’objectif n’est pas d’exposer chaque paramètre du modèle à chaque utilisateur. Il s’agit de fournir au bon public le bon niveau d’information : les dirigeants ont besoin d’une vision du niveau de risque, les développeurs de détails d’implémentation, les réviseurs de preuves d’évaluation, et les utilisateurs concernés peuvent avoir besoin de savoir quand l’IA a contribué à une décision.\u003C/p\u003E\r\n\u003Cp\u003E\u003Cb\u003EAction concrète : \u003C/b\u003EPubliez une fiche descriptive de modèle, ou un enregistrement système équivalent, couvrant l’usage prévu, les sources de données, les résultats d’évaluation, les limites, la supervision humaine et les processus d’escalade.\u003C/p\u003E\r\n\u003Ch3\u003EResponsabilité\u003C/h3\u003E\r\n\u003Cp\u003ELa responsabilité consiste à désigner les personnes qui portent les décisions liées à un système d’IA. Un modèle peut générer une sortie, mais il ne peut pas approuver sa propre utilisation, assumer un risque réglementaire, expliquer un incident à un client ni décider s’il convient de corriger un schéma préjudiciable.\u003C/p\u003E\r\n\u003Cp\u003EUne responsabilité claire inclut généralement un sponsor exécutif, un responsable business, des responsables techniques, des réviseurs risques ou juridiques, ainsi que des responsables opérationnels capables d’intervenir après le déploiement. Sans cette structure, l’IA responsable est difficile à faire respecter : personne n’a l’autorité explicite pour suspendre un modèle, modifier une politique d’accès, approuver une exception ou exiger un réentraînement.\u003C/p\u003E\r\n\u003Cp\u003E\u003Cb\u003EActions concrètes :\u003C/b\u003E Attribuez des responsables redevables à chaque cas d’usage d’IA, notamment pour approuver le déploiement, examiner les incidents et suspendre ou effectuer un rollback du système.\u003C/p\u003E\r\n\u003Ch3\u003EConfidentialité\u003C/h3\u003E\r\n\u003Cp\u003ELa confidentialité signifie que les systèmes d’IA doivent utiliser les données de façon à respecter les droits individuels, les engagements contractuels et la finalité initiale pour laquelle les données ont été collectées. Pour les équipes IA, cela commence souvent par la minimisation des données et la limitation des finalités : n’utiliser que les champs nécessaires à la tâche, avec les contrôles de consentement, de conservation et d’accès requis.\u003C/p\u003E\r\n\u003Cp\u003ELes techniques de \u003Ca href=\"https://www.snowflake.com/fr/artificial-intelligence/machine-learning/\"\u003Emachine learning\u003C/a\u003E (ML) préservant la confidentialité peuvent contribuer à réduire l’exposition, mais elles ne remplacent pas la gouvernance des sources de données, des libellés, des prompts, des embeddings, des logs et des sorties de modèles. Une revue d’IA responsable doit déterminer si des données personnelles sont réellement nécessaires, si des données synthétiques sont appropriées, si des attributs sensibles sont utilisés pour les tests ou l’entraînement, et comment l’accès est audité dans le temps.\u003C/p\u003E\r\n\u003Cp\u003E\u003Cb\u003EActions concrètes :\u003C/b\u003E Examinez les données d’entraînement, de validation et d’inférence au regard de la limitation des finalités, du consentement, des attributs sensibles, des règles de conservation et des contrôles d’accès avant le passage du modèle en production.\u003C/p\u003E\r\n\u003Ch3\u003ESûreté\u003C/h3\u003E\r\n\u003Cp\u003ELa sûreté de l’IA signifie qu’un système d’IA doit pouvoir échouer de manière prévisible et réversible. Le système doit définir des limites à ce qu’il peut faire, intégrer des contrôles qui réduisent les sorties préjudiciables et assurer une surveillance permettant aux équipes de détecter les comportements dangereux avant qu’ils ne deviennent des incidents.\u003C/p\u003E\r\n\u003Cp\u003EPour l’IA générative et les systèmes agentiques, la sûreté inclut souvent le red teaming, les limites de débit, le filtrage de contenu, les restrictions d’utilisation des outils, les plans de rollback et la revue humaine pour les actions à fort enjeu. Le système doit aussi prévoir un chemin clairement défini pour signaler les problèmes, car un comportement dangereux peut venir d’une dérive du modèle, d’une injection de prompt, de changements dans les données, d’un usage adversarial ou d’un écart entre l’usage prévu et l’usage réel.\u003C/p\u003E\r\n\u003Cp\u003E\u003Cb\u003EActions concrètes :\u003C/b\u003E Menez des exercices de red teaming avant le lancement, définissez les catégories de sorties dangereuses, fixez des seuils d’escalade et maintenez un chemin de restauration ou de désactivation.\u003C/p\u003E\r\n\u003Ch3\u003EInclusion\u003C/h3\u003E\r\n\u003Cp\u003EL’inclusion signifie que des perspectives diverses façonnent la finalité du système, les données d’entraînement, l’évaluation et le contexte de déploiement. Cela inclut les personnes qui créent le système, les équipes business qui l’utilisent, ainsi que les communautés ou groupes d’utilisateurs concernés par ses sorties.\u003C/p\u003E\r\n\u003Cp\u003ELa conception participative peut faire émerger des risques qu’il est simple de manquer lors d’une revue purement technique. Un outil d’automatisation du support peut modifier l’expérience d’escalade des clients ; un modèle de santé peut se comporter différemment selon les populations de patients ; un outil d’IA au travail peut affecter des collaborateurs qui n’ont jamais accepté d’être évalués par un modèle. L’inclusion consiste à faire place à ces perspectives avant le déploiement, pas seulement après des réclamations ou des incidents.\u003C/p\u003E\r\n\u003Cp\u003E\u003Cb\u003EAction concrète : \u003C/b\u003EIncluez des représentants des groupes d’utilisateurs concernés, des parties prenantes business, des équipes risques et des responsables techniques dans la revue des cas d’usage, les critères d’évaluation et les boucles de feedback post-déploiement.\u003C/p\u003E\r\n\u003Cp\u003E\u003Ci\u003ERegardez cette discussion avec les leaders de Microsoft et Snowflake sur la construction et le déploiement responsables de l’IA :\u003C/i\u003E\u003C/p\u003E\r\n","richText":true,":type":"snowflake-site/components/text","appliedCssClassNames":"text-color-text-05"},"youtube":{"id":"embed-b18233c9bc","youtubeVideoId":"dzKmato_364","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_detecting-and-measuring-algorithmic-bias":{"id":"title-v2-93f485a131","additionalClasses":"anchor-title anchor-title--why-responsible-ai-matters","type":"heading2","lines":["Pourquoi l’IA responsable compte"],":type":"snowflake-site/components/title-v2"},"text_detecting-and-measuring-algorithmic-bias_0":{"id":"text-4d1af4a3f4","text":"\u003Cp\u003EL’IA responsable compte parce qu’un système d’IA mis en production sans contrôles clairs peut créer un risque de réputation, une exposition juridique, une perte de confiance client, des reprises opérationnelles et une dette de modèle. Le \u003Ca href=\"https://www.snowflake.com/en/artificial-intelligence/ai-governance/eu-ai-act/\"\u003Erèglement européen sur l’IA \u003C/a\u003Ecrée des obligations fondées sur les risques pour les systèmes d’IA. Les systèmes à haut risque sont soumis à des exigences couvrant la gestion des risques, la \u003Ca href=\"https://www.snowflake.com/en/data-governance/\"\u003Egouvernance des données\u003C/a\u003E, la documentation technique, la tenue de registres, la transparence, la supervision humaine, l’exactitude, la robustesse et la cybersécurité.\u003C/p\u003E\n\u003Cp\u003EL’argument stratégique en faveur de l’IA responsable est solide : la gouvernance de l’IA et des données est liée à la réputation, à la confiance des clients et à la capacité d’une organisation à démontrer qu’elle gère l’IA en toute sûreté. Les clients et les équipes achats considèrent de plus en plus la maturité de la gouvernance comme un seuil de qualification, et non comme un différenciateur.\u003C/p\u003E\n\u003Cp\u003ELes principaux frameworks de gouvernance de l’IA reflètent l’importance de l’IA responsable. \u003Ca href=\"https://www.nist.gov/itl/ai-risk-management-framework\" target=\"_blank\"\u003ELe framework de gestion des risques liés à l’IA du NIST\u003C/a\u003E est volontaire, mais il est conçu pour aider les organisations à intégrer les critères de fiabilité à la conception, au développement, à l’utilisation et à l’évaluation des systèmes d’IA. \u003Ca href=\"https://www.iso.org/standard/42001\" target=\"_blank\"\u003ELa norme ISO/IEC 42001\u003C/a\u003E adopte une approche par système de management, offrant aux organisations un cadre structuré pour gérer les risques et opportunités liés à l’IA, y compris les considérations éthiques, la transparence et l’amélioration continue.\u003C/p\u003E\n\u003Cp\u003EPour les équipes opérationnelles, les pratiques d’IA responsable créent des points de contrôle plus en amont pour les données biaisées, les responsabilités floues, la documentation manquante, les cas d’usage non pris en charge et une surveillance insuffisante, ce qui réduit la probabilité de découvrir le problème après une réclamation client, une demande réglementaire ou un incident en production.\u003C/p\u003E\n","richText":true,":type":"snowflake-site/components/text","appliedCssClassNames":"text-color-text-05"},"callout_what_is_ai_g_294410134":{"id":"text-0e541cd4cd","additionalClasses":"callout callout--general","text":"\u003Cp\u003E\u003Cb\u003EPIÈGE COURANT\u003C/b\u003E\u003C/p\u003E\n\u003Cp\u003EÉvitez de vous concentrer sur la performance agrégée du modèle au point d’ignorer les différences entre groupes, les variables proxy ou une représentation inégale des données, qui peuvent créer des résultats injustes en production.\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-v2-16462f7abf","additionalClasses":"anchor-title anchor-title--how-to-put-responsible-ai-into-practice","type":"heading2","lines":["Comment mettre l’IA responsable en pratique"],":type":"snowflake-site/components/title-v2"},"text_mitigating-algorithmic-bias_0":{"id":"text-6f5c37bded","text":"\u003Cp\u003EL’IA responsable fonctionne mieux comme discipline de cycle de vie. Les contrôles doivent suivre le système depuis l’approvisionnement en données jusqu’au développement du modèle, au déploiement, à la surveillance et à la revue périodique.\u003C/p\u003E\n\u003Ch3\u003EDonnées : Gouverner les entrées avant le début de l’entraînement\u003C/h3\u003E\n\u003Cp\u003EUn cycle de vie d’IA responsable commence par les données. Les équipes doivent savoir d’où viennent les données d’entraînement, si des consentements ou des limites contractuelles s’appliquent, comment les libellés ont été créés, quels attributs peuvent introduire des biais et si les données reflètent la population que le modèle affectera.\u003C/p\u003E\n\u003Cp\u003ELa gouvernance des données d’entraînement doit aussi couvrir les données synthétiques. Les données synthétiques peuvent aider à préserver la confidentialité, tester ou équilibrer les classes, mais elles doivent tout de même être documentées : ce qui les a générées, les données d’origine qui les ont façonnées, les contextes où elles sont appropriées et les schémas qui ont pu être amplifiés ou perdus.\u003C/p\u003E\n\u003Cp\u003ELes artefacts utiles à ce stade incluent une fiche de données, des enregistrements de traçabilité, des notes sur la qualité des libellés, des résultats de détection des biais, des politiques d’accès aux données et des enregistrements d’approbation pour les champs sensibles.\u003C/p\u003E\n\u003Ch3\u003EModèle : Documenter l’usage prévu et tester au-delà de l’exactitude\u003C/h3\u003E\n\u003Cp\u003EPendant le développement du modèle, les pratiques d’IA responsable passent de l’adéquation des données au comportement du système. Une fiche descriptive de modèle doit consigner l’usage prévu, les usages hors périmètre, les données d’évaluation, les résultats de performance, les tests d’équité, les tests de robustesse et les limites documentées.\u003C/p\u003E\n\u003Cp\u003EC’est là que les équipes doivent tester si le modèle se comporte différemment selon les groupes, gère de manière fiable les variations d’entrées courantes et fournit des scores de confiance ou des explications interprétables par les réviseurs. Pour les cas d’usage à fort enjeu, le standard d’approbation doit inclure des preuves que le modèle est adapté au contexte de décision, et pas seulement qu’il obtient de bons résultats face à un benchmark agrégé.\u003C/p\u003E\n\u003Ch3\u003EDéploiement : Placer les contrôles là où les décisions se prennent\u003C/h3\u003E\n\u003Cp\u003ELes systèmes à fort enjeu doivent inclure une revue human-in-the-loop dotée d’une véritable autorité, et non une étape d’approbation de pure forme une fois que le système a effectivement pris la décision.\u003C/p\u003E\n\u003Cp\u003ELes équipes doivent aussi définir des limites de débit, des contrôles d’accès, des restrictions de sortie, une surveillance de la dérive, une surveillance des biais et des seuils de remontées. Pour les applications d’IA générative, les contrôles de déploiement peuvent inclure des contraintes de récupération, des protections contre l’injection de prompt, la modération des sorties, la journalisation et des restrictions sur les appels d’outils ou les actions en aval.\u003C/p\u003E\n\u003Ch3\u003EGouvernance : Revoir, recertifier et répondre\u003C/h3\u003E\n\u003Cp\u003EUn comité de revue de l’IA responsable, ou un organe de gouvernance équivalent, doit évaluer les cas d’usage à risque plus élevé, approuver les exceptions, examiner les incidents et exiger une recertification périodique.\u003C/p\u003E\n\u003Cp\u003ELe processus de revue doit produire des preuves qu’une organisation pourra réexaminer plus tard, comme des décisions d’approbation, des fiches de modèle, des fiches de données, des rapports d’incident d’IA, des exceptions aux politiques, des résultats de surveillance et des plans de remédiation. À mesure que les systèmes évoluent, ces enregistrements aident les équipes à déterminer si un modèle correspond toujours à son usage prévu, si la dérive a modifié les résultats et si de nouvelles réglementations ou politiques internes exigent des contrôles supplémentaires.\u003C/p\u003E\n","richText":true,":type":"snowflake-site/components/text","appliedCssClassNames":"text-color-text-05"},"title_regulatory-expectations-on-algorithmic-bias":{"id":"title-v2-cc69bf6899","additionalClasses":"anchor-title anchor-title--responsible-ai-vs-ai-ethics-vs-ai-governance","type":"heading2","lines":["IA responsable vs. Éthique de l’IA vs. Gouvernance de l’IA"],":type":"snowflake-site/components/title-v2"},"text_regulatory-expectations-on-algorithmic-bias_0":{"id":"text-638b6b8756","text":"\u003Cp\u003ECes termes se recoupent, mais ne sont pas interchangeables.\u003C/p\u003E\n\u003Cul\u003E\n\u003Cli\u003E\u003Cp\u003EL’\u003Ca href=\"https://www.snowflake.com/fr/artificial-intelligence/ai-governance/ai-ethics/\"\u003Eéthique de l’IA\u003C/a\u003E traite les questions normatives : Que devrait-on autoriser un système d’IA à faire ? Quels usages sont inacceptables ? Quelles obligations une organisation a-t-elle envers les utilisateurs, les clients, les collaborateurs et les communautés concernées ?\u003C/p\u003E\n\u003C/li\u003E\n\u003Cli\u003E\u003Cp\u003EL’IA responsable transforme ces valeurs en principes opérationnels : équité, transparence, responsabilité, confidentialité, sûreté et inclusion. Elle demande aux équipes de les appliquer à travers les choix de conception, la documentation, les tests, la supervision et la surveillance.\u003C/p\u003E\n\u003C/li\u003E\n\u003Cli\u003E\u003Cp\u003ELa gouvernance de l’IA rend ces principes applicables. Elle attribue les droits de décision, crée des processus de revue, associe des contrôles aux données et aux modèles, suit les approbations, surveille les systèmes en production et consigne des preuves pour l’audit, la conformité et la réponse aux incidents.\u003C/p\u003E\n\u003C/li\u003E\n\u003C/ul\u003E\n\u003Cp\u003EL’éthique de l’IA pose la question. L’IA responsable définit les principes opérationnels. La gouvernance de l’IA crée le système d’entreprise qui les fait respecter.\u003C/p\u003E\n","richText":true,":type":"snowflake-site/components/text","appliedCssClassNames":"text-color-text-05"},"title_how-snowflake-helps-organizations-address-algorithmic-bias":{"id":"title-v2-4e0a5becf3","additionalClasses":"anchor-title anchor-title--responsible-ai-on-snowflake","type":"heading2","lines":["L’IA responsable sur Snowflake"],":type":"snowflake-site/components/title-v2"},"text_how-snowflake-helps-organizations-address-algorithmic-bias_0":{"id":"text-faf8617584","text":"\u003Cp\u003EL’IA responsable dépend du contexte : les données utilisées pour entraîner ou ancrer un modèle, les politiques d’accès qui déterminent qui peut l’utiliser, la traçabilité qui montre d’où viennent les entrées, la surveillance qui détecte les comportements inattendus et les contrôles qui modèrent les sorties à l’exécution. \u003Ca href=\"https://www.snowflake.com/fr/product/platform/\"\u003ESnowflake\u003C/a\u003E prend en charge la gouvernance des données et de l’IA dans le même environnement que celui où les organisations gèrent leurs données, leurs applications et leurs workloads d’IA.\u003C/p\u003E\n\u003Cp\u003E\u003Ca href=\"https://www.snowflake.com/fr/blog/ISO-IEC-42001-AI-certification/\"\u003ESnowflake a obtenu la certification ISO/IEC 42001\u003C/a\u003E à la suite d’un audit indépendant réalisé par un tiers, couvrant les exigences de son système de management de l’IA pour établir, mettre en œuvre, maintenir et améliorer en continu la gouvernance des technologies d’IA.\u003C/p\u003E\n\u003Cp\u003E\u003Ca href=\"https://www.snowflake.com/fr/product/features/horizon/\"\u003ESnowflake Horizon Catalog\u003C/a\u003E unifie la gouvernance des données, des applications et des modèles grâce au contrôle d’accès basé sur les rôles, au contrôle d’accès basé sur les attributs, à la classification, au balisage, à la surveillance et à la traçabilité. Access History, Time Travel, les métadonnées partagées et la traçabilité dans Snowflake et le stockage externe donnent aux équipes le contexte nécessaire pour examiner l’utilisation des données et l’application des contrôles au fil du temps.\u003C/p\u003E\n\u003Cp\u003E\u003Ca href=\"https://docs.snowflake.com/fr/user-guide/snowflake-cortex/cortex-ai-guardrails\"\u003ESnowflake Cortex Guard\u003C/a\u003E est conçu pour filtrer à l’exécution les réponses de LLM potentiellement dangereuses, en évaluant les sorties du modèle avant leur retour à l’application.\u003C/p\u003E\n\u003Cp\u003EEnsemble, ces contrôles aident à relier les principes d’IA responsable aux preuves opérationnelles : qui a accédé aux données, quelles politiques se sont appliquées, ce que montre la traçabilité, où les sorties ont été modérées et comment les systèmes d’IA ont été gouvernés dans l’ensemble du patrimoine de données.\u003C/p\u003E\n","richText":true,":type":"snowflake-site/components/text","appliedCssClassNames":"text-color-text-05"},"title_bias-control-starts-before-the-model":{"id":"title-v2-0f410d9055","additionalClasses":"anchor-title anchor-title--the-demand-for-responsible-ai","type":"heading2","lines":["La demande en IA responsable"],":type":"snowflake-site/components/title-v2"},"text_bias-control-starts-before-the-model_0":{"id":"text-d0d0b42f57","text":"\u003Cp\u003ELes attentes des clients et partenaires autour de l’IA responsable progressent encore plus vite que la plupart des calendriers réglementaires. Les entreprises qui considéraient autrefois la gouvernance de l’IA comme un exercice de conformité constatent que les équipes achats, les grands clients et les parties prenantes au niveau du conseil d’administration posent des questions plus précises sur les pratiques de données, la documentation des modèles, les tests d’équité et la réponse aux incidents avant de signer. \u003C/p\u003E\n\u003Cp\u003ELes équipes qui gardent une longueur d’avance disposent généralement de données d’entraînement dont elles peuvent rendre compte, d’un comportement de modèle testé sur différents groupes, de contrôles de déploiement dotés d’une véritable autorité et de revues de gouvernance qui produisent des preuves, pas seulement des validations. Ces artefacts, fiches de données, fiches de modèle, rapports d’incident et pistes d’audit, sont l’IA responsable en pratique. Ils démontrent aussi aux régulateurs, aux clients et aux parties prenantes internes que les valeurs déclarées d’une organisation et ses systèmes réels ne font qu’un.\u003C/p\u003E\n","richText":true,":type":"snowflake-site/components/text","appliedCssClassNames":"text-color-text-05"},"callout_what_is_ai_g_1939414635":{"id":"text-d5c8b61522","additionalClasses":"callout callout--general","text":"\u003Cp\u003E\u003Cb\u003EÀ RETENIR\u003C/b\u003E\u003C/p\u003E\n\u003Cp\u003EL’IA responsable transforme les principes de haut niveau en exigences pratiques, aidant les équipes à prouver que les systèmes d’IA sont testés, documentés, surveillés et gouvernés de façon à soutenir la confiance et l’examen.\u003C/p\u003E\n","richText":true,":type":"snowflake-site/components/text","appliedCssClassNames":"text-size-regular text-color-text-05"}},":itemsOrder":["callout_what_is_ai_g","text_intro_0","quote_item","text_intro_0_copy","title_sources_of_alg","text_what-is-algorithmic-bias_0","title_sources-of-algorithmic-bias","text_sources-of-algorithmic-bias_0","youtube","title_detecting-and-measuring-algorithmic-bias","text_detecting-and-measuring-algorithmic-bias_0","callout_what_is_ai_g_294410134","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","callout_what_is_ai_g_1939414635"]},"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","appliedCssClassNames":"snowflake-responsive-container-inner-padding-small",":items":{"container":{"additionalClasses":"sticky-sidebar","layout":"RESPONSIVE_GRID","columnCount":12,"columnClassNames":{"text_943981956_copy_":"aem-GridColumn aem-GridColumn--default--12","text_copy":"aem-GridColumn aem-GridColumn--default--12"},"gridClassNames":"aem-Grid aem-Grid--12 aem-Grid--default--12","id":"container-d0d95e4545",":type":"snowflake-site/components/container","appliedCssClassNames":"snowflake-responsive-container-inner-padding-medium",":items":{"text_943981956_copy_":{"id":"text-e901749b26","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-ffad578389","additionalClasses":"page-toc","text":"\u003Cul\u003E\n\u003Cli data-anchor=\"what-is-responsible-ai\"\u003EQu’est-ce que l’IA responsable ?\u003C/li\u003E\n\u003Cli data-anchor=\"core-principles-of-responsible-ai\"\u003EPrincipes clés de l’IA responsable\u003C/li\u003E\n\u003Cli data-anchor=\"why-responsible-ai-matters\"\u003EPourquoi l’IA responsable compte\u003C/li\u003E\n\u003Cli data-anchor=\"how-to-put-responsible-ai-into-practice\"\u003EComment mettre l’IA responsable en pratique\u003C/li\u003E\n\u003Cli data-anchor=\"responsible-ai-vs-ai-ethics-vs-ai-governance\"\u003EIA responsable vs. Éthique de l’IA vs. Gouvernance de l’IA\u003C/li\u003E\n\u003Cli data-anchor=\"responsible-ai-on-snowflake\"\u003EL’IA responsable sur Snowflake\u003C/li\u003E\n\u003Cli data-anchor=\"the-demand-for-responsible-ai\"\u003ELa demande en IA responsable\u003C/li\u003E\n\u003C/ul\u003E\n","richText":true,":type":"snowflake-site/components/text","appliedCssClassNames":"text-size-small text-color-text-05"}},":itemsOrder":["text_943981956_copy_","text_copy"]}},":itemsOrder":["container"]},":type":"snowflake-site/components/flexible-column-container","isActiveTOC":false,"isBlogPage":false},"flexible_column_cont_963294944":{"id":"flexible-column-container-f1148583d7","propertiesId":"hub-faq","type":"2-column-40-60","alignColumns":"top","containerMaxWidth":"extra-large","topPadding":"extra-large","bottomPadding":"large","spaceBetween":"small","reverseOnMobile":false,"carouselOnMobile":false,"backgroundImageOption":"none","flexible_column_content_container_1":{"layout":"SIMPLE","id":"hub-faq-intro",":type":"snowflake-site/components/flexible-column-container/flexible-column-content-container","appliedCssClassNames":"snowflake-responsive-container-inner-padding-extra-small",":items":{"title_v2_copy":{"id":"title-v2-8d0c0b9166","additionalClasses":"hub-faq__headline","type":"heading2","lines":["Foire aux questions"],":type":"snowflake-site/components/title-v2","appliedCssClassNames":"left-alignment"},"text_copy":{"id":"text-2a1edbe03e","additionalClasses":"hub-faq__subheadline","text":"\u003Cp\u003ELes réponses des experts Snowflake à vos questions fréquentes sur l’IA responsable.\u003C/p\u003E\n","richText":true,":type":"snowflake-site/components/text","appliedCssClassNames":"text-color-text-05"}},":itemsOrder":["title_v2_copy","text_copy"]},"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-3c7a7aeeaf","additionalClasses":"seo-hub__faqs","showDivider":false,"accordionItemsList":[{"title":"L’IA responsable est-elle légalement obligatoire ?","richText":"\u003Cp\u003EL’IA responsable n’est pas définie comme une obligation juridique unique, mais les principales réglementations et normes relatives à l’IA codifient les principes de l’IA responsable en obligations applicables. Le règlement européen sur l’IA, le NIST AI RMF et la norme ISO/IEC 42001 traduisent tous des notions comme la sûreté, la transparence, la responsabilité, la confidentialité et la gestion des risques en attentes concrètes de gouvernance.\u003C/p\u003E\n"},{"title":"Qui est chargé de l’IA responsable dans une entreprise ?","richText":"\u003Cp\u003EL’IA responsable est partagée entre les équipes business, techniques, juridiques, risques, sécurité et gouvernance, mais chaque cas d’usage d’IA doit avoir des responsables nommés. Au minimum, les organisations ont besoin d’un sponsor exécutif, d’un responsable business et de responsables techniques chargés des décisions de déploiement, de la surveillance et de la réponse aux incidents.\u003C/p\u003E\n"}],":type":"snowflake-site/components/simple-snowflake-accordion"}},":itemsOrder":["simple_snowflake_acc"]},":type":"snowflake-site/components/flexible-column-container","isActiveTOC":false,"isBlogPage":false},"flexible_column_cont_1467213961":{"id":"flexible-column-container-a7051f8249","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-07cc15edbf",":type":"snowflake-site/components/flexible-column-container/flexible-column-content-container",":items":{"title_v2":{"id":"title-v2-4f79353809","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","isActiveTOC":false,"isBlogPage":false,"appliedCssClassNames":"snowflake-flexible-column-container-gray-10-bg"},"flexible_column_cont_912630531":{"id":"flexible-column-container-57b140e911","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-5320d33736","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-v2-86006475e7","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-5c37f1cdea","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-v2-15c2a80c81","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-1cdb4d8e92","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-v2-749d8247df","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-92ae90c1d3","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-e975bc143c","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","isActiveTOC":false,"isBlogPage":false,"appliedCssClassNames":"snowflake-flexible-column-container-gray-10-bg"},"flexible_column_cont_1158003461":{"id":"flexible-column-container-a9e589a937","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-e2e8f7573e",":type":"snowflake-site/components/flexible-column-container/flexible-column-content-container","appliedCssClassNames":"snowflake-responsive-container-inner-padding-extra-small",":items":{"title_v2_copy_copy":{"id":"title-v2-8c9637274d","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-95170b909e","additionalClasses":"hub-explore-topics-header__subheadline","text":"\u003Cp\u003EUne analyse approfondie de chaque aspect de l’intelligence artificielle\u003C/p\u003E\n","richText":true,":type":"snowflake-site/components/text","appliedCssClassNames":"text-color-text-05"}},":itemsOrder":["title_v2_copy_copy","text_copy_copy"]},":type":"snowflake-site/components/flexible-column-container","isActiveTOC":false,"isBlogPage":false,"appliedCssClassNames":"snowflake-flexible-column-container-white-bg"},"flexible_column_cont_1377146023":{"id":"flexible-column-container-42a43844c8","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-b72a9bf6f3",":type":"snowflake-site/components/flexible-column-container/flexible-column-content-container",":items":{"topic_card_0":{"id":"card-v2-f19c79ec36","configurationStatus":{"configured":true,"message":""},":type":"snowflake-site/components/card-v2","title":{"id":"title","type":"heading4","lines":["Transparence de l’IA"],":type":"snowflake-site/components/title-v2"},"button":{"id":"button","showOutboundIcon":false,"buttonLink":{"valid":true,"url":"https://www.snowflake.com/fr/artificial-intelligence/ai-governance/ai-transparency/"},"linkTargetContentType":"GENERIC",":type":"snowflake-site/components/button","linkType":"SNOWFLAKE_EXTERNAL","text":"En savoir plus"},"type":"content-card","text":{"id":"text","text":"\u003Cp\u003ELa transparence de l'IA rend les systèmes d'IA compréhensibles en documentant leur finalité, leurs données d'entrée, leurs limites et leur comportement. \u003C/p\u003E\n","richText":true,":type":"snowflake-site/components/text"},"layoutStyle":"vertical"}},":itemsOrder":["topic_card_0"]},"flexible_column_content_container_2":{"layout":"SIMPLE","id":"container-76df83f7b2",":type":"snowflake-site/components/flexible-column-container/flexible-column-content-container",":items":{"topic_card_1":{"id":"card-v2-d797fbd4f9","configurationStatus":{"configured":true,"message":""},":type":"snowflake-site/components/card-v2","title":{"id":"title","type":"heading4","lines":["Éthique de l’IA"],":type":"snowflake-site/components/title-v2"},"button":{"id":"button","showOutboundIcon":false,"buttonLink":{"valid":true,"url":"https://www.snowflake.com/fr/artificial-intelligence/ai-governance/ai-ethics/"},"linkTargetContentType":"GENERIC",":type":"snowflake-site/components/button","linkType":"SNOWFLAKE_EXTERNAL","text":"En savoir plus"},"type":"content-card","text":{"id":"text","text":"\u003Cp\u003EPrincipes fondamentaux (équité, responsabilité, contrôle humain) pour guider une utilisation responsable de l’IA.\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-2f73de7fc6",":type":"snowflake-site/components/flexible-column-container/flexible-column-content-container",":items":{"topic_card_2":{"id":"card-v2-98bc988471","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\u003ELe règlement européen sur l’IA exige des entreprises qu’elles démontrent ce que fait chaque système d’IA, le niveau de risque applicable, les responsabilités et les contrôles qui encadrent son utilisation. \u003C/p\u003E\n","richText":true,":type":"snowflake-site/components/text"},"layoutStyle":"vertical"}},":itemsOrder":["topic_card_2"]},":type":"snowflake-site/components/flexible-column-container","isActiveTOC":false,"isBlogPage":false,"appliedCssClassNames":"snowflake-flexible-column-container-white-bg"},"flexible_column_cont_1786318617":{"id":"flexible-column-container-22205e52b2","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","appliedCssClassNames":"snowflake-responsive-container-inner-padding-extra-small",":items":{},":itemsOrder":[]},"flexible_column_content_container_2":{"layout":"SIMPLE","id":"hub-faq-accordions",":type":"snowflake-site/components/flexible-column-container/flexible-column-content-container",":items":{},":itemsOrder":[]},":type":"snowflake-site/components/flexible-column-container","isActiveTOC":false,"isBlogPage":false,"appliedCssClassNames":"snowflake-flexible-column-container-gray-10-bg"}},":itemsOrder":["flexible_column_cont","flexible_column_cont_939100716","flexible_column_cont_1398138236","flexible_column_cont_663228916","flexible_column_cont_963294944","flexible_column_cont_1467213961","flexible_column_cont_912630531","flexible_column_cont_1158003461","flexible_column_cont_1377146023","flexible_column_cont_1786318617"],":type":"wcm/foundation/components/responsivegrid"},"modal_container":{"layout":"SIMPLE","id":"container-4c583f378f",":type":"snowflake-site/components/modal/modal-container",":items":{},":itemsOrder":[]},"markup_editor_928258845":{"id":"markup-editor-6c297030b9","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-34887c36ed","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-9cbbaa4739","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-6a79db58b9","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-64717c7cbf","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"],"isPasswordProtected":false,"analyticsContentTags":["snowflake-site:taxonomy/content-type/fundamentals"],"analyticsEnabled":true,"coveoConfig":{"searchHub":"snowflake.com","organizationId":"snowflakecomputingproduction8neljofn","apiKey":"xx335921a6-2a0a-40f2-a167-e390b4766c3d","pipeline":"snowflake.com"},"analyticsDebugMode":false,"analyticsData":{"excludeFromAnalytics":false,"subCategory":"","pageType":"homepage","templateName":"base-page-template54","siteName":"snowflake","pageUrl":"/content/snowflake-site/global/fr/artificial-intelligence/ai-governance/responsible-ai","language":"fr","category":"general","pageName":"IA responsable : Principes et pratiques pour des systèmes dignes de confiance","contentTags":["snowflake-site:taxonomy/content-type/fundamentals"]},"locale":"fr"}