{"templateName":"base-page-template54","cssClassNames":"page basicpage summit-page","canonicalLink":"https://www.snowflake.com/fr/artificial-intelligence/industries/","robotsTags":[],"description":"Explorez les cas d’usage de l’IA dans 13 secteurs d’activité, de la santé et de la finance au retail et au secteur de l’industrie, et découvrez les conditions nécessaires pour déployer l’IA en toute fiabilité.","language":"fr","title":"Cas d’usage de l’IA par secteur d’activité | Snowflake","allowedRenditionsWidth":["320","480","640","768","960","1200","1440","1920"],"analyticsPageType":"homepage","analyticsCategory":"general","analyticsSubCategory":"","excludeFromAnalytics":false,":hierarchyType":"page",":path":"/content/snowflake-site/global/fr/artificial-intelligence/industries","isPasswordProtected":false,":mappedPath":"/fr/artificial-intelligence/industries/","analyticsEnabled":true,"coveoConfig":{"pipeline":"snowflake.com","apiKey":"xx335921a6-2a0a-40f2-a167-e390b4766c3d","organizationId":"snowflakecomputingproduction8neljofn","searchHub":"snowflake.com"},":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-1f207d58de","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-0e7c6d59da","localizedFragmentVariationPath":"/content/experience-fragments/snowflake-site/language-masters/fr/site/mega-nav-header/master/jcr:content","configured":true,"languageNavPath":"/content/snowflake-site/global/fr/artificial-intelligence/industries.languagenav.json",":type":"snowflake-site/components/experiencefragment","xfModelPath":"/content/experience-fragments/snowflake-site/language-masters/fr/site/mega-nav-header/master.xfmodel.json"},"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_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-85b156ff32","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":{"id":"container-46b8b099ea","layout":"SIMPLE",":type":"snowflake-site/components/flexible-column-container/flexible-column-content-container",":items":{"breadcrumb":{"id":"breadcrumb-26dabbd0ac","items":[{"id":"breadcrumb-26dabbd0ac-item-cb93a03c0a","link":{"valid":true,"url":"/fr/"},"active":false,"current":false,"title":"Français",":type":"snowflake-site/components/structure/page","appliedCssClassNames":"summit-page"},{"id":"breadcrumb-26dabbd0ac-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-26dabbd0ac-item-0035fefd38","link":{"valid":true,"url":"/fr/artificial-intelligence/industries/"},"active":true,"current":true,"title":"L’IA par secteur d’activité",":type":"snowflake-site/components/structure/page","appliedCssClassNames":"summit-page"}],":type":"snowflake-site/components/breadcrumb"}},":itemsOrder":["breadcrumb"]},"isBlogPage":false,":type":"snowflake-site/components/flexible-column-container","isActiveTOC":false,"appliedCssClassNames":"snowflake-flexible-column-container-gray-10-bg"},"flexible_column_cont_939100716":{"id":"flexible-column-container-fe28737de2","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":{"id":"container-cdde14b07d","layout":"SIMPLE",":type":"snowflake-site/components/flexible-column-container/flexible-column-content-container",":items":{"text_759888059":{"id":"text-6d51335631","additionalClasses":"eyebrow-text","text":"\u003Cp style=\"padding-top: 8.0px;\"\u003EGuide de référence\u003C/p\u003E\n","richText":true,":type":"snowflake-site/components/text","appliedCssClassNames":"text-size-regular text-color-text-02"},"title_v2":{"id":"title-v2-bd64c066fb","additionalClasses":"hub-hero__headline","type":"heading1","lines":["L’IA en action : guide des cas d’usage de l’IA par secteur d’activité"],":type":"snowflake-site/components/title-v2","appliedCssClassNames":"left-alignment"},"text":{"id":"text-1b5b25580f","additionalClasses":"hub-hero__subheadline","text":"\u003Cp\u003EL'IA en entreprise se spécialise, mais les résultats reposent sur une base reproductible. Ce guide examine l'évolution des cas d'usage de l'IA propres à chaque secteur d'activité et explique pourquoi les données gouvernées, le contexte sémantique et une infrastructure conçue à cet effet déterminent la fiabilité des résultats.\u003C/p\u003E\r\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","id":"container-69b3c35a1f","layout":"RESPONSIVE_GRID","columnCount":12,":type":"snowflake-site/components/container",":items":{"content_chip":{"id":"content-chip-490e655955","cta":{"id":"cta","showOutboundIcon":false,"linkTargetContentType":"GENERIC","linkType":"SNOWFLAKE_INTERNAL",":type":"snowflake-site/components/button","text":"Lire la biographie"},"image":{"id":"image","isLcpImage":true,"src":"https://www.snowflake.com/adobe/dynamicmedia/deliver/dm-aid--a7e9fdff-6f08-4edc-9cd1-e213bb234aaa/laurie-macpherson.jpg?preferwebp=true&quality=85","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_copy":{"id":"content-chip-9a9527ee37","cta":{"id":"cta","showOutboundIcon":false,"buttonLink":{"valid":true,"url":"https://www.snowflake.com/en/blog/authors/tracy-kabuya/"},"linkTargetContentType":"GENERIC","linkType":"SNOWFLAKE_EXTERNAL",":type":"snowflake-site/components/button","text":"Lire la biographie"},"image":{"id":"image","isLcpImage":false,"src":"https://www.snowflake.com/adobe/dynamicmedia/deliver/dm-aid--9ad7a3c0-e23e-4370-bc36-f59a5fe02eff/img-1817.jpg?preferwebp=true&quality=85","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","content_chip_copy"],"appliedCssClassNames":"snowflake-responsive-container-inner-padding-small"}},":itemsOrder":["text_759888059","title_v2","text","container"],"appliedCssClassNames":"snowflake-responsive-container-inner-padding-extra-small"},"flexible_column_content_container_2":{"additionalClasses":"hub-hero__video-column","id":"container-e03d2798db","layout":"SIMPLE",":type":"snowflake-site/components/flexible-column-container/flexible-column-content-container",":items":{"youtube":{"id":"embed-8bbc15db0a","youtubeVideoId":"F34xlRoQ3eQ","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"]},"isBlogPage":false,":type":"snowflake-site/components/flexible-column-container","isActiveTOC":false,"appliedCssClassNames":"snowflake-flexible-column-container-gray-10-bg"},"flexible_column_cont_1398138236":{"id":"flexible-column-container-9f3611fe24","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","id":"container-8483811167","layout":"SIMPLE",":type":"snowflake-site/components/flexible-column-container/flexible-column-content-container",":items":{"text_894059747":{"id":"text-ab4c33f98f","additionalClasses":"seo-hub-hero__related-topic-label","text":"\u003Cp\u003ESujets liés à l’IA par secteur d’activité :\u003C/p\u003E\n","richText":true,":type":"snowflake-site/components/text","appliedCssClassNames":"text-size-regular text-color-text-05"},"text":{"id":"text-b2aa42913b","additionalClasses":"related-topics ","text":"\u003Cul\u003E\n\u003Cli\u003E\u003Ca href=\"https://www.snowflake.com/en/artificial-intelligence/industries/ai-in-advertising/\"\u003EL’IA dans la publicité\u003C/a\u003E\u003C/li\u003E\n\u003Cli\u003E\u003Ca href=\"https://www.snowflake.com/fr/artificial-intelligence/industries/ai-in-cybersecurity/\"\u003EL’IA dans la cybersécurité\u003C/a\u003E\u003C/li\u003E\n\u003Cli\u003E\u003Ca href=\"https://www.snowflake.com/en/artificial-intelligence/industries/ai-in-finance/\"\u003EL’IA dans les services financiers\u003C/a\u003E\u003C/li\u003E\n\u003Cli\u003E\u003Ca href=\"https://www.snowflake.com/fr/artificial-intelligence/industries/ai-in-healthcare/\"\u003EL’IA dans le secteur de la santé\u003C/a\u003E\u003C/li\u003E\n\u003Cli\u003E\u003Ca href=\"https://www.snowflake.com/en/artificial-intelligence/industries/ai-in-manufacturing/\"\u003EL’IA dans le secteur de l’industrie\u003C/a\u003E\u003C/li\u003E\n\u003Cli\u003E\u003Ca href=\"https://www.snowflake.com/en/artificial-intelligence/industries/ai-in-retail/\"\u003EL’IA dans le retail\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"]},"isBlogPage":false,":type":"snowflake-site/components/flexible-column-container","isActiveTOC":false,"appliedCssClassNames":"snowflake-flexible-column-container-gray-10-bg"},"flexible_column_cont_663228916":{"id":"flexible-column-container-510328706c","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","id":"hub-body-content","layout":"SIMPLE",":type":"snowflake-site/components/flexible-column-container/flexible-column-content-container",":items":{"text_intro_0":{"id":"text-37cac9000b","text":"\u003Cp\u003ESelon le \u003Ca href=\"https://www.credoc.fr/publications/barometre-du-numerique-2026-rapport\"\u003EBaromètre du numérique du CREDOC\u003C/a\u003E (2026), 48 % des Français utilisent l'IA générative : c'est la technologie adoptée le plus rapidement en 25 ans de mesure. En entreprise, 55 % des TPE-PME françaises déclarent utiliser l'IA générative fin 2025, contre 15 % deux ans plus tôt (\u003Ca href=\"https://lelab.bpifrance.fr/analyse-regionale-barometre-tpe-et-pme-de-janvier-2026/\"\u003EBpifrance Le Lab\u003C/a\u003E). Les dépenses consacrées aux applications d'IA générative sectorielles ont atteint environ 3,5 milliards USD en 2025, soit près de trois fois le montant de l'année précédente (\u003Ca href=\"https://menlovc.com/perspective/2025-the-state-of-generative-ai-in-the-enterprise/\"\u003EMenlo Ventures\u003C/a\u003E).\u003C/p\u003E\r\n\u003Cp\u003ECette croissance traduit l'élargissement d'un marché de l'IA en entreprise construit autour des workflows, des données et des exigences opérationnelles propres à chaque secteur d'activité.\u003C/p\u003E\r\n\u003Cp\u003EDans tous les environnements, les organisations utilisent le \u003Ca href=\"https://www.snowflake.com/fr/artificial-intelligence/machine-learning/\"\u003Emachine learning\u003C/a\u003E prédictif, l’\u003Ca href=\"https://www.snowflake.com/fr/artificial-intelligence/generative-ai/\"\u003EIA générative\u003C/a\u003E et l’\u003Ca href=\"https://www.snowflake.com/fr/artificial-intelligence/agents/\"\u003EIA agentique\u003C/a\u003E, souvent associés à la \u003Ca href=\"https://www.snowflake.com/fr/artificial-intelligence/computer-vision/\"\u003Evision par ordinateur\u003C/a\u003E et à d’autres fonctionnalités multimodales, pour soutenir des processus commerciaux allant de la détection et de la prévision à la recherche, à l’aide à la décision et à l’automatisation opérationnelle.\u003C/p\u003E\r\n\u003Cp\u003ECe guide examine les cas d’usage de l’IA qui transforment 13 secteurs d’activité, leur intégration dans des processus métier précis et les moyens dont les organisations disposent pour convertir ces fonctionnalités en résultats fiables. Il présente également les principes fondamentaux qui peuvent contribuer à la réussite des initiatives d’IA.\u003C/p\u003E\r\n","richText":true,":type":"snowflake-site/components/text","appliedCssClassNames":"text-color-text-05"},"title_what-shapes-ai-outcomes-across-industries":{"id":"title-v2-5caa810d77","additionalClasses":"anchor-title anchor-title--qu-est-ce-qui-determine-le-succes-d-un-projet-ia","type":"heading2","lines":["Qu'est-ce qui détermine le succès d'un projet d'IA ?"],":type":"snowflake-site/components/title-v2"},"text_what-shapes-ai-outcomes-across-industries_0":{"id":"text-b35eefcfa4","text":"\u003Cp\u003EUn modèle d’IA peut offrir de puissantes fonctionnalités d’analyse et de raisonnement, mais le système qui l’entoure détermine largement si ses résultats reposent sur des données pertinentes, s’interprètent dans le bon contexte commercial et respectent les politiques et procédures applicables. Cette base détermine la fiabilité avec laquelle les fonctionnalités du modèle peuvent s’appliquer au sein du business.\u003C/p\u003E\n\u003Ch3\u003EDonnées gouvernées et fiables\u003C/h3\u003E\n\u003Cp\u003EUn système d’IA commence par les données auxquelles il a accès. Lorsque les enregistrements sont incomplets, obsolètes ou définis de manière incohérente, leurs faiblesses se répercutent sur le résultat. Par exemple, la prédiction d’une panne d’équipement dépend de relevés précis des capteurs, de l’historique de maintenance et de l’identité de l’actif. Des enregistrements de service manquants ou des signaux associés au mauvais composant peuvent fausser la prédiction avant même que le modèle ne commence son analyse.\u003C/p\u003E\n\u003Cp\u003ELa confiance dépend également de la manière dont ces informations sont consultées et utilisées. Les données sensibles doivent rester protégées lorsqu’elles alimentent les flux de travail des modèles, de la récupération d’informations et des agents. Les équipes doivent disposer d’une traçabilité suffisante pour déterminer quels enregistrements, modèles et instructions ont contribué à un résultat, notamment lorsque le système peut récupérer des informations, appeler un outil ou lancer une action.\u003C/p\u003E\n\u003Cp\u003ELa gouvernance ne garantit pas qu’un modèle produira un résultat correct. Elle établit toutefois les conditions nécessaires pour que les équipes puissent examiner le résultat, en identifier la source et limiter les personnes ou les systèmes autorisés à utiliser les informations sous-jacentes.\u003C/p\u003E\n\u003Ch3\u003EContexte sémantique\u003C/h3\u003E\n\u003Cp\u003ELes données d’entreprise portent presque toujours une signification qui ne transparaît pas clairement dans le nom du libellé. Par exemple, une colonne intitulée « chiffre d’affaires » peut désigner les réservations, la facturation ou le chiffre d’affaires constaté. Chacune de ces interprétations produirait une réponse différente à la même question.\u003C/p\u003E\n\u003Cp\u003ELes personnes qui travaillent au sein de l’organisation comprennent ces distinctions grâce à leur expérience, aux politiques et aux règles commerciales établies. Un système d’IA doit rendre ces éléments explicites. Les définitions des métriques, les relations entre les entités, la terminologie, la traçabilité des données, les métadonnées et la logique de calcul approuvée relient chaque demande aux données appropriées et contribuent à préserver la signification métier souhaitée par l’organisation.\u003C/p\u003E\n\u003Ch3\u003EInfrastructure d’IA au plus près des données gouvernées\u003C/h3\u003E\n\u003Cp\u003ELes applications d’IA d’entreprise ont souvent besoin de dossiers structurés, de documents, d’images, de flux d’événements et de données provenant de sources externes au sein d’un même workflow. Déplacer ces actifs vers un environnement d’IA distinct peut créer des copies supplémentaires, des contrôles fragmentés et des pipelines qui doivent préserver les autorisations lorsque les données franchissent les limites entre les systèmes.\u003C/p\u003E\n\u003Cp\u003EMaintenir l'inférence des modèles, la récupération d'informations, le feature engineering et les workflows d'agents au plus près des données gouvernées peut réduire les transferts inutiles de données. Selon l’architecture et la configuration, les équipes peuvent appliquer des contrôles d’accès, utiliser des informations sources récemment mises à jour et surveiller l’utilisation des données dans les portions prises en charge du workflow d’IA.\u003C/p\u003E","richText":true,":type":"snowflake-site/components/text","appliedCssClassNames":"text-color-text-05"},"title_ai-use-cases-built-on-sensitive-regulated-data":{"id":"title-v2-ad387e3d10","additionalClasses":"anchor-title anchor-title--ia-secteurs-reglementes-sante-finance","type":"heading2","lines":["L'IA dans les secteurs réglementés : santé et finance"],":type":"snowflake-site/components/title-v2"},"text_ai-use-cases-built-on-sensitive-regulated-data_0":{"id":"text-b11fc0a4cc","text":"\u003Cp\u003ELes organisations du secteur de la santé et des services financiers évoluent dans un cadre réglementaire exigeant. Le \u003Ca href=\"https://www.snowflake.com/fr/data-governance/regulatory-compliance/gdpr/\"\u003ERèglement Général sur la Protection des Données\u003C/a\u003E (RGPD) impose des obligations strictes de protection, de minimisation et de traçabilité des données personnelles. Le \u003Ca href=\"https://www.snowflake.com/fr/artificial-intelligence/ai-governance/eu-ai-act/\"\u003ERèglement européen sur l'IA\u003C/a\u003E (EU AI Act), en cours d'application progressive depuis 2024, classe plusieurs usages sectoriels de l'IA comme « systèmes à haut risque », notamment dans la santé, le crédit et les ressources humaines. En France, la CNIL veille à l'application du RGPD et publie des recommandations spécifiques sur les traitements automatisés. Disposer de données bien gouvernées constitue dès lors un prérequis de conformité, pas seulement un avantage opérationnel.\u003C/p\u003E\r\n\u003Cp\u003ELa collaboration avec les prestataires, les partenaires de recherche, les contreparties et les autorités réglementaires ajoute une autre exigence : les données sensibles doivent rester gouvernées lorsque l'analyse franchit les frontières entre les organisations.\u003C/p\u003E\r\n\u003Ch3\u003ECas d’usage de l’IA pour la santé et les sciences de la vie\u003C/h3\u003E\r\n\u003Cp\u003ECes applications sont conçues pour accompagner, et non remplacer, le jugement de professionnels qualifiés des domaines clinique ou réglementaire. Elles doivent également être validées pour le cas d’usage, la population de patients et l’environnement opérationnel concernés. \u003C/p\u003E\r\n\u003Ch4\u003EDétection précoce des maladies et des risques\u003C/h4\u003E\r\n\u003Cp\u003ELes modèles prédictifs peuvent combiner les résultats de laboratoire, les diagnostics, les antécédents médicamenteux, les observations cliniques et la consommation passée de soins afin d’identifier les patients dont le risque augmente avant qu’un résultat isolé ne suscite l’inquiétude. Pour produire une valeur opérationnelle, le score doit être associé à une réponse définie, comme une revue clinique, des examens supplémentaires ou une prise en charge, puis évalué à l’aide de mesures telles que les admissions évitables, le délai de diagnostic et les taux de complications.\u003C/p\u003E\r\n\u003Ch4\u003EAide à la décision clinique\u003C/h4\u003E\r\n\u003Cp\u003EL’IA peut récupérer les éléments probants pertinents, résumer l’historique récent d’un patient et comparer les options thérapeutiques aux contre-indications ou aux facteurs de risque. Les synthèses incomplètes pouvant être aussi lourdes de conséquences que les synthèses erronées, les cliniciens doivent pouvoir accéder au dossier sous-jacent, disposer d'indicateurs clairs d'incertitude et conserver l'autorité sur la décision finale.\u003C/p\u003E\r\n\u003Ch4\u003EImagerie médicale et aide au diagnostic\u003C/h4\u003E\r\n\u003Cp\u003ELa vision par ordinateur peut aider à repérer des observations dans des images de radiologie, des lames d’analyse anatomopathologique, des scans rétiniens et d’autres supports diagnostiques. Les systèmes multimodaux associent ces images aux comptes rendus, aux résultats de laboratoire et aux antécédents des patients. La validation doit tenir compte du type de scanner, de la qualité des images, du protocole d’acquisition et de la population de patients. Les résultats peuvent être mesurés selon le temps de lecture, le délai d’obtention du diagnostic, le volume de dépistage ou les taux de détection.\u003C/p\u003E\r\n\u003Ch4\u003EFlux des patients et planification des capacités\u003C/h4\u003E\r\n\u003Cp\u003ELes modèles de prévision peuvent estimer les arrivées aux urgences, la demande d’hospitalisation, le calendrier des sorties et le volume des actes, tandis que les méthodes d’optimisation répartissent les lits, les blocs opératoires, les fauteuils de perfusion et le personnel. Le modèle doit représenter les actes planifiés, le niveau de gravité des patients, les contraintes de personnel et les capacités en aval. Les mesures utiles incluent le temps d’attente, les actes annulés, les heures supplémentaires et la durée d’hospitalisation.\u003C/p\u003E\r\n\u003Ch4\u003ECycle de revenus et gestion des demandes de remboursement\u003C/h4\u003E\r\n\u003Cp\u003EL’IA peut extraire des informations de la documentation clinique, suggérer un codage, repérer les dossiers manquants et prévoir les refus de remboursement. Les agents peuvent réunir les pièces justificatives, vérifier les exigences de l’organisme payeur et préparer les recours en vue de leur examen par un spécialiste, à condition que le workflow préserve les liens entre les événements cliniques, les autorisations, les contrats, les codes et le statut de la demande de remboursement. Les taux de refus, le nombre de jours avant recouvrement des créances et le nombre d’interventions manuelles par demande montrent si l’application réduit les reprises de traitement.\u003C/p\u003E\r\n\u003Ch4\u003EEngagement des patients et navigation dans les soins\u003C/h4\u003E\r\n\u003Cp\u003ELa navigation assistée par l’IA peut répondre aux questions sur la préparation ou la couverture, orienter les patients vers les ressources appropriées et personnaliser les rappels en fonction d’un plan de soins. Les modèles prédictifs peuvent également identifier les patients à risque de manquer des rendez-vous ou d'interrompre leur traitement, la personnalisation étant modulée par le consentement, le canal de communication préféré, la langue et le niveau de littératie en santé. Le taux de rendez-vous honorés, la réduction des écarts de soins et le volume du centre de contacts fournissent des indicateurs concrets.\u003C/p\u003E\r\n\u003Ch4\u003EDécouverte de médicaments et développement clinique\u003C/h4\u003E\r\n\u003Cp\u003ELe machine learning peut aider à hiérarchiser les cibles thérapeutiques, à prédire les propriétés moléculaires et à réduire le nombre de composés candidats avant leur validation en laboratoire. Pendant le développement clinique, l’IA peut accompagner la conception des protocoles, la sélection des sites, la mise en correspondance des patients, l’examen des signaux de sécurité et la prévision des essais, en s’appuyant sur la littérature scientifique, les données d’essais, les structures moléculaires, les dossiers d’essais et les données probantes en vie réelle. Ces résultats éclairant le jugement expérimental et réglementaire, la reproductibilité et le contrôle des versions restent essentiels.\u003C/p\u003E\r\n\u003Ch4\u003EPharmacovigilance et veille réglementaire\u003C/h4\u003E\r\n\u003Cp\u003EL’intelligence documentaire peut extraire les événements indésirables des rapports de cas, de la littérature médicale et des notes d’appels, tandis que les modèles de classification orientent les cas selon leur gravité, leur caractère attendu et leur délai de déclaration. L’IA générative peut résumer les cas ou comparer de nouvelles recommandations aux obligations existantes, à condition que le système assure une résolution fiable des entités et relie chaque conclusion aux éléments probants sources.\u003C/p\u003E\r\n\u003Cp\u003E\u003Ca href=\"https://www.snowflake.com/fr/artificial-intelligence/industries/ai-in-healthcare/\"\u003EEn savoir plus sur l’IA dans le secteur de la santé >\u003C/a\u003E\u003C/p\u003E\r\n","richText":true,":type":"snowflake-site/components/text","appliedCssClassNames":"text-color-text-05"},"text_ai-use-cases-built-on-sensitive-regulated-data_1":{"id":"text-68c769d761","text":"\u003Ch3\u003ECas d’usage de l’IA dans les services financiers\u003C/h3\u003E\r\n\u003Ch4\u003EDétection des fraudes et surveillance des transactions\u003C/h4\u003E\r\n\u003Cp\u003ELes modèles de détection des fraudes évaluent l’appareil, le lieu, le commerçant, l’historique du compte, le modèle de paiement et les relations au sein du réseau afin d’identifier les activités suspectes. Les techniques basées sur les graphes peuvent révéler des comportements coordonnés entre des comptes qui semblent légitimes pris individuellement. Le taux de détection, les faux positifs, le temps d’enquête et les perturbations subies par les clients légitimes indiquent la performance opérationnelle.\u003C/p\u003E\r\n\u003Ch4\u003EEnquêtes de lutte contre le blanchiment d’argent\u003C/h4\u003E\r\n\u003Cp\u003EL’IA peut hiérarchiser les alertes, relier les entités associées et résumer les preuves issues des dossiers de connaissance client, de l’historique des transactions, des dossiers précédents et des sources de risque externes. Les enquêteurs doivent reconstituer la manière dont le système a identifié chaque relation, en particulier lorsque le résultat contribue à une déclaration réglementaire.\u003C/p\u003E\r\n\u003Ch4\u003ERisque de crédit et souscription\u003C/h4\u003E\r\n\u003Cp\u003ELes modèles prédictifs peuvent estimer le risque de défaut, la gravité des pertes et la capacité de remboursement à partir des données d’application, du comportement du compte et des informations sur les flux de trésorerie, tandis que l’intelligence documentaire extrait les informations financières des relevés, des documents fiscaux et des contrats. Les institutions ont besoin de raisons claires pour justifier leurs décisions, de parcours de contrôle manuel et d’une supervision des différents segments d’emprunteurs, produits et contextes économiques.\u003C/p\u003E\r\n\u003Cp\u003EL’utilisation dans les décisions de crédit doit également respecter les exigences applicables en matière de prêts équitables, de décisions défavorables, d’explicabilité et de protection des consommateurs. \u003C/p\u003E\r\n\u003Cp\u003EEn Europe, l'\u003Ca href=\"https://gdpr-info.eu/art-22-gdpr/\" target=\"_blank\" rel=\"noopener noreferrer\"\u003Earticle 22 du RGPD\u003C/a\u003E encadre les décisions entièrement automatisées, notamment l'octroi de crédit et le scoring, en garantissant aux personnes concernées le droit à une intervention humaine. L'EU AI Act classe les systèmes d'IA utilisés pour l'évaluation de la solvabilité comme « à haut risque », ce qui implique des exigences documentaires et de supervision renforcées.\u003C/p\u003E\r\n\u003Cp\u003E\u003Ca href=\"/fr/data-governance/regulatory-compliance/gdpr/\"\u003EEn savoir plus sur la conformité RGPD dans le contexte des services financiers\u003C/a\u003E\u003C/p\u003E\r\n\u003Ch4\u003EExpériences financières personnalisées\u003C/h4\u003E\r\n\u003Cp\u003EUne vue client à 360 degrés peut relier l’activité du compte, les produits détenus, les transactions et l’historique des interactions afin que les institutions recommandent l’action suivante la plus pertinente. L’éligibilité, l’adéquation et le consentement doivent orienter le résultat, au même titre que l’intérêt prédit. L’adoption des produits, la fidélisation et la demande de services fournissent une mesure plus complète que l’engagement seul.\u003C/p\u003E\r\n\u003Ch4\u003ERisque de marché, de liquidité et de portefeuille\u003C/h4\u003E\r\n\u003Cp\u003EDans la banque d’investissement, le machine learning peut aider à surveiller l’évolution des expositions, à signaler les corrélations inhabituelles et à améliorer l’analyse de scénarios sur les positions et les contreparties. Les interfaces en langage naturel aident les analystes à explorer les facteurs de risque, tandis que l’IA générative résume les évolutions des portefeuilles ou des périodes de reporting. Ces applications reposent sur des identifiants homogènes, des données de tarification, l’historique des positions et des calculs approuvés.\u003C/p\u003E\r\n\u003Ch4\u003EConformité et rapports réglementaires\u003C/h4\u003E\r\n\u003Cp\u003EL’intelligence documentaire peut comparer les nouveaux textes réglementaires aux politiques, contrôles et obligations de reporting existants, tandis que les agents rassemblent les preuves et préparent certaines parties des déclarations récurrentes. La base de connaissances doit conserver la juridiction, la date d’entrée en vigueur et les exceptions. Un contrôle juridique ou de conformité doit rester obligatoire pour les interprétations inédites.\u003C/p\u003E\r\n\u003Ch4\u003EAutomatisation des opérations\u003C/h4\u003E\r\n\u003Cp\u003EL’IA peut classer les demandes, extraire les informations des formulaires, rapprocher les dossiers et orienter les exceptions. Les agents peuvent rassembler les documents nécessaires à une modification de compte, les valider au regard de la politique et préparer la mise à jour pour approbation. Le traitement direct, les reprises et le stock d’exceptions montrent si l’automatisation améliore réellement le processus au lieu d’en dissimuler la complexité.\u003C/p\u003E\r\n\u003Ch4\u003ETarification, gestion des sinistres et prévention des pertes\u003C/h4\u003E\r\n\u003Cp\u003ELes assureurs peuvent utiliser l’IA pour estimer les risques, trier les déclarations de sinistres, évaluer les dommages et détecter les fraudes. La vision par ordinateur évalue les images de biens ou de véhicules endommagés, tandis que l’IA générative résume les notes des experts et le contenu des contrats d’assurance. Des relations précises entre les assurés, les actifs couverts, les incidents et les sinistres précédents permettent de mesurer le délai de traitement des sinistres, les fuites de valeur, les pertes liées à la fraude et la concordance de la souscription.\u003C/p\u003E\r\n\u003Cp\u003E\u003Ca href=\"https://www.snowflake.com/en/artificial-intelligence/industries/ai-in-finance/\"\u003EEn savoir plus sur l’IA dans les services financiers >\u003C/a\u003E\u003C/p\u003E\r\n","richText":true,":type":"snowflake-site/components/text","appliedCssClassNames":"text-color-text-05"},"card_v2":{"id":"card-v2-7b1524ef14","additionalClasses":"seo-customer","configurationStatus":{"configured":true,"message":""},"title":{"id":"title","type":"heading4","lines":["TÉMOIGNAGE CLIENT : Oney"],":type":"snowflake-site/components/title-v2"},"button":{"id":"button","showOutboundIcon":false,"buttonLink":{"valid":true,"url":"/fr/customers/all-customers/video/oney/"},"linkTargetContentType":"GENERIC","linkType":"SNOWFLAKE_INTERNAL",":type":"snowflake-site/components/button","text":"Regarder la vidéo"},"image":{"id":"image","isLcpImage":false,"src":"https://www.snowflake.com/adobe/dynamicmedia/deliver/dm-aid--bb566b6b-c18b-4222-88be-fa878e122734/oney.png?preferwebp=true&quality=85","alt":"logo-oney","lazyEnabled":true,"height":"351","width":"624",":type":"snowflake-site/components/image"},"type":"content-card","text":{"id":"text","text":"\u003Cp\u003EOney modernise son service client financier grâce à l'IA en s'appuyant sur l'AI Data Cloud pour gérer d'énormes volumes de données financières sensibles. Arrivée aux limites de son ancienne plateforme, l'entreprise a migré vers Snowflake et développé « Orchestrator 360 », son propre outil d'IA pour le service client, qui suggère des ventes incitatives et croisées pertinentes à chaque appel. Grâce à un stack unifié et sécurisé, Oney a réduit de 12x le temps de traitement et de préparation des données (de 2 à 3 heures à environ 15 minutes), doublé le temps consacré à l'analyse, tout en améliorant simultanément la satisfaction client et la productivité de ses équipes.\u003C/p\u003E\r\n","richText":true,":type":"snowflake-site/components/text"},"layoutStyle":"horizontal",":type":"snowflake-site/components/card-v2"},"title_ai-use-cases-built-on-machine-and-operational-data":{"id":"title-v2-3790d64c59","additionalClasses":"anchor-title anchor-title--cas-usage-ia-industrie-logistique-automobile","type":"heading2","lines":["Cas d'usage de l'IA dans l'industrie, la logistique et l'automobile"],":type":"snowflake-site/components/title-v2"},"text_ai-use-cases-built-on-machine-and-operational-data_0":{"id":"text-b195cd72ef","text":"\u003Cp\u003ELes organisations des secteurs de l’industrie, de l’automobile, de la logistique, de l’énergie et de la construction génèrent en continu des données sur le comportement de leurs actifs physiques. Les applications d’IA dans ces environnements reposent sur une ingestion fiable des données de télémétrie, des horodatages synchronisés, des hiérarchies d’actifs et un historique des opérations de maintenance ou des défaillances qui donne du sens à chaque signal. Certaines décisions nécessitent également un traitement en périphérie, mais les résultats des inspections et les événements d’exploitation doivent toujours revenir dans un environnement gouverné pour permettre une analyse plus large.\u003C/p\u003E\r\n\u003Cp\u003EPour les applications stratégiques pour la sécurité ou à lourdes conséquences, les résultats de l’IA nécessitent une validation adaptée au cas d’usage, des limites d’exploitation définies, une supervision humaine appropriée et le respect des exigences applicables au secteur d’activité.\u003C/p\u003E\r\n\u003Ch3\u003ECas d'usage de l'IA dans l'industrie manufacturière\u003C/h3\u003E\r\n\u003Ch4\u003EMaintenance prédictive\u003C/h4\u003E\r\n\u003Cp\u003ELes modèles de maintenance prédictive combinent les vibrations, la température, la pression, les signaux acoustiques et l’historique des interventions pour estimer le risque de défaillance ou la durée de vie utile restante. Les alertes doivent arriver suffisamment tôt pour influencer la planification de la main-d’œuvre, des pièces et de la production sans générer trop de fausses alarmes. Les fabricants évaluent donc généralement le temps d’arrêt, les ordres de travail urgents, le coût de la maintenance et la disponibilité des actifs.\u003C/p\u003E\r\n\u003Ch4\u003EInspection visuelle de la qualité\u003C/h4\u003E\r\n\u003Cp\u003ELa vision par ordinateur peut détecter les rayures, les contaminations, les défauts dimensionnels, les composants manquants et les erreurs d’assemblage à la vitesse de production. La fiabilité des inspections dépend d’un éclairage homogène, du positionnement des caméras et de la capture des images, ainsi que d’un contrôle humain pour les cas incertains et d’un processus permettant d’ajouter les nouveaux types de défauts détectés.\u003C/p\u003E\r\n\u003Ch4\u003EOptimisation des processus\u003C/h4\u003E\r\n\u003Cp\u003EL’IA peut modéliser les relations entre les réglages des machines, les propriétés des matériaux, les conditions environnementales et la qualité des produits finis, puis recommander des ajustements qui réduisent les rebuts, le temps de cycle ou la consommation d’énergie. De nombreux fabricants commencent par une aide à la décision et automatisent uniquement les ajustements qui restent fiables dans des plages d’exploitation définies.\u003C/p\u003E\r\n\u003Ch4\u003EPlanification de la production et alignement sur la demande\u003C/h4\u003E\r\n\u003Cp\u003ELes prévisions de la demande peuvent alimenter des plans de production qui tiennent compte des stocks, des délais fournisseurs, des coûts de changement de série et de la capacité disponible. Les hiérarchies de produits, les règles de substitution et les composants communs déterminent la faisabilité du plan. Les pénuries, les stocks excédentaires et les perturbations du calendrier fournissent des indicateurs utiles des résultats.\u003C/p\u003E\r\n\u003Ch4\u003EJumeaux numériques et simulation\u003C/h4\u003E\r\n\u003Cp\u003EUn jumeau numérique, c’est-à-dire un modèle virtuel d’un actif physique, combine les informations de conception, la configuration de l’actif, les relevés des capteurs et l’historique d’exploitation dans une représentation constamment mise à jour. Les équipes peuvent simuler des changements de processus, des stratégies de maintenance ou des calendriers de production sans perturber les opérations en cours, à condition que le jumeau reste aligné sur les modifications des équipements et les conditions d’exploitation actuelles.\u003C/p\u003E\r\n\u003Ch4\u003ERisque lié à la chaîne d’approvisionnement et optimisation des stocks\u003C/h4\u003E\r\n\u003Cp\u003EL’IA peut estimer les retards des fournisseurs, prévoir la demande en composants et identifier les dépendances qui créent un risque pour la production. Les agents peuvent surveiller les bons de commande, les stocks, les communications des fournisseurs et les perturbations externes, puis présenter aux planificateurs les produits concernés et les options de réponse. Une visibilité accrue sur les différents niveaux de fournisseurs améliore l’analyse lorsque les accords de collaboration l’autorisent.\u003C/p\u003E\r\n\u003Ch4\u003ERecherche de connaissances en ingénierie et en maintenance\u003C/h4\u003E\r\n\u003Cp\u003EUn assistant d’IA générative peut rechercher des informations dans les manuels, les plans d’ingénierie, les procédures opératoires standard et les dossiers de maintenance, puis présenter la procédure pertinente, les réparations récentes et les pièces compatibles. Une identification précise des actifs et une gestion rigoureuse des versions des documents sont essentielles, notamment lorsque des exigences de sécurité ou de garantie s’appliquent.\u003C/p\u003E\r\n\u003Cp\u003E\u003Ca href=\"https://www.snowflake.com/en/artificial-intelligence/industries/ai-in-manufacturing/\"\u003EEn savoir plus sur l’IA dans le secteur de l’industrie >\u003C/a\u003E\u003C/p\u003E\r\n\u003Ch3\u003ECas d’usage de l’IA dans l’automobile\u003C/h3\u003E\r\n\u003Ch4\u003ESystèmes avancés d’aide à la conduite\u003C/h4\u003E\r\n\u003Cp\u003ELes systèmes avancés d’aide à la conduite combinent vision par ordinateur, radar, lidar et télémétrie du véhicule pour faciliter le maintien dans la voie, la détection des objets et le freinage d’urgence. Le développement exige des données de conduite variées et une validation couvrant la conception des routes, la météo, la géographie, l’éclairage, la configuration du véhicule et les scénarios rares, avec un chemin de traçabilité entre chaque version du modèle et ses données de test.\u003C/p\u003E\r\n\u003Ch4\u003EDiagnostic des véhicules connectés\u003C/h4\u003E\r\n\u003Cp\u003EL’IA peut analyser la télémétrie des véhicules pour détecter les pannes naissantes et repérer les problèmes récurrents sur une flotte, lorsqu’elle est connectée aux dossiers de réparation et de garantie. Comme une même mesure peut avoir différentes significations selon l’année du modèle, les fournisseurs de composants ou les versions logicielles, un diagnostic fiable repose sur une configuration précise du véhicule et un historique d’entretien complet.\u003C/p\u003E\r\n\u003Ch4\u003EÉtat de santé de la batterie et prévision de l’autonomie\u003C/h4\u003E\r\n\u003Cp\u003EPour les véhicules électriques, le machine learning peut estimer l’état de santé de la batterie et l’autonomie restante à partir des cycles de charge, de la température, du comportement de conduite et de l’état des cellules. Les modèles doivent rester fiables en cas de températures extrêmes, de recharge rapide et de comportements de conduite atypiques, car les estimations inexactes entraînent alors les coûts opérationnels les plus élevés.\u003C/p\u003E\r\n\u003Ch4\u003EAnalyse de la qualité et des garanties dans le secteur de l’industrie\u003C/h4\u003E\r\n\u003Cp\u003EL’IA peut relier les mesures effectuées en usine, les lots des fournisseurs, les configurations des véhicules et les demandes de garantie pour identifier les défauts récurrents. Les modèles de langage extraient des tendances des récits des techniciens, tandis que la vision par ordinateur facilite l’inspection de la production. Une nomenclature détaillée et les historiques des logiciels aident à cibler les mesures correctives sur les véhicules concernés.\u003C/p\u003E\r\n\u003Ch4\u003EDéveloppement de véhicules définis par logiciel\u003C/h4\u003E\r\n\u003Cp\u003EL’IA peut analyser les résultats de tests, les journaux et les rapports de défauts pour de nombreuses combinaisons matérielles et logicielles. Les agents de codage prennent en charge des tâches de développement bien délimitées, tandis que la détection des anomalies met en évidence les régressions sur les flottes de test. Un contrôle strict de la configuration est nécessaire, car un défaut peut apparaître uniquement sur une révision matérielle, une année de modèle ou une version logicielle donnée.\u003C/p\u003E\r\n\u003Ch4\u003EExpériences personnalisées à bord du véhicule\u003C/h4\u003E\r\n\u003Cp\u003ELes systèmes de recommandation peuvent adapter les suggestions de navigation, de divertissement, de climatisation et de recharge au conducteur et au contexte actuels, tandis que les interfaces en langage naturel simplifient l’accès aux fonctions du véhicule. Les contrôles de confidentialité doivent distinguer les données au niveau du véhicule des données relatives à chaque conducteur, et les recommandations doivent tenir compte des risques de distraction et des exigences de sécurité.\u003C/p\u003E\r\n\u003Ch4\u003EOpérations des concessionnaires, de l’entretien et des pièces détachées\u003C/h4\u003E\r\n\u003Cp\u003ELa prévision de la demande peut aider les concessionnaires à anticiper le volume d’entretien et les besoins en pièces, tandis que les agents coordonnent la planification, l’autorisation des réparations et les mises à jour destinées aux clients. Les stocks disponibles, la capacité des techniciens et l’historique des véhicules permettent de suivre des indicateurs tels que le taux de réparation réussie dès la première intervention, le délai avant rendez-vous et la disponibilité des pièces.\u003C/p\u003E\r\n\u003Ch3\u003ECas d’usage de l’IA en logistique\u003C/h3\u003E\r\n\u003Ch4\u003EOptimisation des itinéraires et du réseau\u003C/h4\u003E\r\n\u003Cp\u003ELes modèles d’optimisation des itinéraires équilibrent les créneaux de livraison, la capacité des véhicules, le trafic, le coût du carburant, les horaires des conducteurs et les contraintes des dépôts sur l’ensemble du réseau. Les plans peuvent évoluer avec les conditions. Le taux de livraison à l’heure, les kilomètres à vide, les émissions et le coût par arrêt fournissent des indicateurs concrets.\u003C/p\u003E\r\n\u003Ch4\u003EOptimisation des entrepôts et de l’exécution des commandes\u003C/h4\u003E\r\n\u003Cp\u003EL’IA peut prévoir les besoins en main-d’œuvre, sélectionner les emplacements de stockage, optimiser les parcours de préparation et détecter les écarts de stock. Dans les sites fortement automatisés, les modèles peuvent coordonner les équipements ou faire ressortir les goulots d’étranglement. Chaque site nécessite un contexte opérationnel local, car la configuration de l’entrepôt, les exigences de service et les profils de commandes varient.\u003C/p\u003E\r\n\u003Ch4\u003EMaintenance et utilisation des flottes\u003C/h4\u003E\r\n\u003Cp\u003ELa télématique, les inspections et l'historique des réparations peuvent éclairer la maintenance prédictive et révéler des actifs inactifs ou mal positionnés parmi les camions, les remorques, les aéronefs, les navires et les équipements de manutention. Une identification fiable des actifs est stratégique lorsque les tracteurs, les remorques et les composants se déplacent indépendamment.\u003C/p\u003E\r\n\u003Ch4\u003EGestion des risques et des exceptions liés aux expéditions\u003C/h4\u003E\r\n\u003Cp\u003ELes agents peuvent surveiller la météo, les événements liés aux emplacements, le statut douanier et les communications des transporteurs pour repérer les expéditions à risque, puis préparer des itinéraires alternatifs, des options de stock et les engagements clients à examiner. Les limites d’approbation doivent refléter les conséquences de chaque action, qu’il s’agisse de recommander un itinéraire, de modifier une promesse de livraison ou de changer de transporteur.\u003C/p\u003E\r\n\u003Ch4\u003EAutomatisation des documents et des formalités douanières\u003C/h4\u003E\r\n\u003Cp\u003EL’intelligence documentaire peut extraire et comparer les champs de connaissements, de listes de colisage, de factures et de formulaires douaniers, puis transmettre les informations manquantes ou incohérentes aux spécialistes. Les agents peuvent également constituer des dossiers documentaires et suivre leur finalisation. Le délai de dédouanement, les frais de stockage et le nombre d’interventions manuelles indiquent si le processus gagne en efficacité.\u003C/p\u003E\r\n\u003Ch4\u003EPrévision de la demande et des capacités\u003C/h4\u003E\r\n\u003Cp\u003ELes modèles de prévision peuvent estimer le volume des expéditions par itinéraire, client et niveau de service, afin d’aider les transporteurs à positionner leurs équipements et à négocier leur capacité. Comme une hausse de la demande sur un itinéraire peut créer des pénuries ailleurs, le modèle doit prendre en charge une planification à l’échelle du réseau, plutôt qu’une simple optimisation locale.\u003C/p\u003E\r\n\u003Ch3\u003ECas d’usage de l’IA dans la construction\u003C/h3\u003E\r\n\u003Ch4\u003EPrévision du calendrier des projets et des retards\u003C/h4\u003E\r\n\u003Cp\u003EL’intelligence artificielle peut combiner les plans de projet, les journaux quotidiens, l’état des approvisionnements, les données sur les effectifs et les performances historiques afin d’identifier les activités susceptibles d’affecter le chemin critique. Une hiérarchie de projet homogène entre les calendriers, les contrats et les systèmes utilisés sur le terrain permet de suivre des indicateurs comme l’écart au calendrier, le délai de rattrapage et les risques identifiés avant qu’ils n’affectent un jalon.\u003C/p\u003E\r\n\u003Ch4\u003EPrévision des coûts et des risques liés aux avenants\u003C/h4\u003E\r\n\u003Cp\u003ELes modèles peuvent prévoir le coût à l’achèvement, repérer les dépenses inhabituelles et mettre en évidence les changements de périmètre susceptibles d’entraîner des dépassements ou des litiges. L’intelligence documentaire relie les demandes de modification aux clauses contractuelles, aux plans, aux approbations et à la correspondance. La gestion des versions garantit que le système utilise la formulation qui régit actuellement les travaux.\u003C/p\u003E\r\n\u003Ch4\u003ESurveillance de la sécurité sur site\u003C/h4\u003E\r\n\u003Cp\u003ELa vision par ordinateur peut repérer l’absence d’équipements de protection, une proximité dangereuse avec les machines et l’entrée dans des zones restreintes. Les modèles prédictifs combinent quant à eux l’historique des incidents, les conditions météorologiques, la pression liée au calendrier et les tendances concernant les effectifs afin d’identifier les risques élevés. Le calibrage, la gravité des alertes et la désignation claire des responsables déterminent la capacité du système à améliorer la réactivité.\u003C/p\u003E\r\n\u003Ch4\u003EVérification de l’avancement\u003C/h4\u003E\r\n\u003Cp\u003ELe système peut comparer les images de caméras, de drones et d’appareils mobiles aux maquettes numériques des bâtiments et aux calendriers des projets afin d’estimer les quantités installées ou l’avancement des travaux. Des protocoles de capture homogènes aident le modèle à distinguer les travaux terminés des matériaux entreposés sur site ou des composants partiellement installés.\u003C/p\u003E\r\n\u003Ch4\u003EOptimisation des équipements et de la flotte\u003C/h4\u003E\r\n\u003Cp\u003ELa télématique peut faciliter la maintenance, l’analyse de l’utilisation et l’affectation des grues, des excavatrices et d’autres équipements sur plusieurs sites. Le temps d’inactivité, les frais de location, les temps d’arrêt imprévus et le transport entre les sites indiquent si l’application améliore l’utilisation des actifs.\u003C/p\u003E\r\n\u003Ch4\u003EIntelligence contractuelle et documentaire\u003C/h4\u003E\r\n\u003Cp\u003EL’IA générative peut rechercher dans les contrats, les spécifications, les demandes d’information, les documents soumis et les comptes rendus de réunion afin de répondre aux questions relatives au projet ou d’identifier les exigences contradictoires. Le système doit retrouver la version approuvée en vigueur tout en conservant les documents remplacés à des fins d’audit et de résolution des litiges.\u003C/p\u003E\r\n\u003Ch4\u003EPlanification des offres et des ressources\u003C/h4\u003E\r\n\u003Cp\u003EL’intelligence artificielle peut estimer les coûts, les besoins en main-d’œuvre et les besoins en matériaux à partir des documents de conception, de la localisation, des offres historiques et des conditions du marché. Comme les codes de coûts, les modes de livraison et les hypothèses régionales varient, les données historiques doivent être normalisées avant de permettre des comparaisons fiables.\u003C/p\u003E\r\n","richText":true,":type":"snowflake-site/components/text","appliedCssClassNames":"text-color-text-05"},"card_v2_ai-use-cases-built-on-machine-and-operational-data_0":{"id":"card-v2-ac129a2eb6","additionalClasses":"seo-customer","configurationStatus":{"configured":true,"message":""},"title":{"id":"title","type":"heading4","lines":["TÉMOIGNAGE CLIENT : Siemens Energy"],":type":"snowflake-site/components/title-v2"},"button":{"id":"button","showOutboundIcon":false,"buttonLink":{"valid":true,"url":"/fr/customers/all-customers/video/siemens-energy/"},"linkTargetContentType":"GENERIC","linkType":"SNOWFLAKE_INTERNAL",":type":"snowflake-site/components/button","text":"Lire le témoignage client"},"image":{"id":"image","isLcpImage":false,"src":"https://www.snowflake.com/adobe/dynamicmedia/deliver/dm-aid--9d8b3fc8-6209-4a5e-a714-287c2c1b1f76/siemens-energy.png?preferwebp=true&quality=85","alt":"Siemens Energy Logo","lazyEnabled":true,"height":"234","width":"416",":type":"snowflake-site/components/image"},"type":"content-card","text":{"id":"text","text":"\u003Cp\u003ESiemens Energy utilise Snowflake et Cortex AI pour transformer des informations techniques sur papier en données consultables et exploitables par les employés de toute l’entreprise. Avec l’AI Data Cloud de Snowflake, Cortex AI et une interface optimisée par Streamlit, Siemens Energy a rendu plus de 800 000 pages accessibles via des chatbots d’intelligence artificielle. Les équipes peuvent ainsi trouver les informations utiles à l’optimisation de la conception, aux modifications de coûts, à la formation et à de futurs cas d’usage, comme les documents commerciaux et les procédures d’usine, tout en sécurisant les données dans Snowflake.\u003C/p\u003E\n","richText":true,":type":"snowflake-site/components/text"},"layoutStyle":"horizontal",":type":"snowflake-site/components/card-v2"},"title_ai-use-cases-built-on-documents-and-language":{"id":"title-v2-0571119d80","additionalClasses":"anchor-title anchor-title--ia-documentaire-droit-education-langage","type":"heading2","lines":["IA documentaire : droit, éducation et traitement du langage"],":type":"snowflake-site/components/title-v2"},"text_ai-use-cases-built-on-documents-and-language_0":{"id":"text-e59a9ea2ef","text":"\u003Cp\u003ELes services juridiques et les établissements d’éducation stockent une grande partie de leurs connaissances opérationnelles dans des contrats, des politiques, des travaux de recherche, des supports pédagogiques et d’autres données non structurées. Dans ces environnements, les applications d’intelligence artificielle doivent analyser de manière fiable les numérisations, les PDF, les tableaux et les formulaires, récupérer les informations en tenant compte des autorisations, gérer les versions des documents et les citations, et distinguer clairement les résultats fondés sur les sources des inférences du modèle.\u003C/p\u003E\n\u003Ch3\u003ECas d’usage de l’intelligence artificielle dans le domaine juridique\u003C/h3\u003E\n\u003Ch4\u003EAnalyse et révision des contrats\u003C/h4\u003E\n\u003Cp\u003EL’intelligence documentaire peut extraire les parties, les dates, les obligations, les conditions de renouvellement et les clauses de responsabilité. L’IA générative compare ensuite la formulation au guide approuvé et résume les écarts. Le système doit reconnaître la signification de formulations variées. Le temps de traitement, la concordance des révisions et les problèmes importants détectés avant la signature constituent des indicateurs utiles.\u003C/p\u003E\n\u003Ch4\u003EIntelligence du portefeuille de contrats\u003C/h4\u003E\n\u003Cp\u003EL’intelligence artificielle peut identifier, dans un portefeuille existant, les accords affectés par une modification réglementaire, un événement tarifaire, une acquisition ou une interruption chez un fournisseur. La résolution précise des entités, les chaînes d’avenants et les dates d’entrée en vigueur déterminent la contrepartie et l’obligation qui s’appliquent actuellement.\u003C/p\u003E\n\u003Ch4\u003ERecherche juridique et récupération des précédents\u003C/h4\u003E\n\u003Cp\u003EL’IA générative peut retrouver des décisions de justice, des lois, des règlements, des mémorandums internes et des travaux antérieurs, puis organiser les sources faisant autorité associées à une question. L’usage professionnel exige des citations vérifiables, la reconnaissance des documents remplacés et la distinction entre les sources contraignantes et les sources persuasives.\u003C/p\u003E\n\u003Ch4\u003EAssistance aux contentieux et aux enquêtes\u003C/h4\u003E\n\u003Cp\u003EL’intelligence artificielle peut classer les documents, identifier les entités, reconstituer les chronologies et faire ressortir les communications liées sur le plan conceptuel dans de vastes ensembles de documents à examiner. Les équipes juridiques ont besoin de reproductibilité, d’une chaîne de conservation et d’archives préservées contenant les critères de recherche, les versions des modèles et les décisions de révision.\u003C/p\u003E\n\u003Ch4\u003EGestion des évolutions réglementaires\u003C/h4\u003E\n\u003Cp\u003EL’intelligence documentaire peut comparer les nouveaux textes réglementaires aux politiques et aux contrôles. Les agents préparent une première évaluation de l’impact et orientent les tâches de suivi. La juridiction, la date d’entrée en vigueur et les exceptions doivent rester associées à l’analyse. Une revue juridique doit être conservée pour l’interprétation.\u003C/p\u003E\n\u003Ch4\u003EGestion des dossiers et opérations juridiques\u003C/h4\u003E\n\u003Cp\u003EL’intelligence artificielle peut classer les demandes entrantes, orienter les tâches selon l’expertise et la capacité disponibles, prévoir le coût des dossiers et repérer les anomalies de facturation. Un codage homogène des dossiers et des données de facturation permettent de suivre des indicateurs comme le délai de prise en charge, l’écart budgétaire, les dépenses liées aux conseils externes et la visibilité sur la charge de travail.\u003C/p\u003E\n\u003Ch4\u003EGestion des connaissances et assistance à la rédaction\u003C/h4\u003E\n\u003Cp\u003EUn assistant tenant compte des autorisations peut retrouver les modèles, clauses, recommandations et travaux antérieurs approuvés avant de préparer un premier projet. Une gestion claire de la propriété et du cycle de vie empêche les modèles obsolètes ou les recommandations remplacées d’être utilisés dans les processus actuels.\u003C/p\u003E\n\u003Cp\u003EUn professionnel qualifié doit vérifier toute analyse juridique générée par l’IA avant son utilisation pour fournir des conseils juridiques, préparer des actes ou prendre d’autres décisions importantes.\u003C/p\u003E\n\u003Ch3\u003ECas d’usage de l’IA dans l’éducation\u003C/h3\u003E\n\u003Ch4\u003ETutorat intelligent et accompagnement des apprenants\u003C/h4\u003E\n\u003Cp\u003ELes systèmes de tutorat intelligent adaptent les explications, les exercices et les commentaires aux progrès de l’apprenant, en s’appuyant sur le contenu pédagogique et ses performances passées. Les établissements doivent aligner ces systèmes sur les objectifs pédagogiques approuvés et évaluer la maîtrise et la progression, plutôt que le seul niveau d’engagement.\u003C/p\u003E\n\u003Ch4\u003EAnalyse de la réussite et de la rétention des étudiants\u003C/h4\u003E\n\u003Cp\u003ELes modèles prédictifs peuvent combiner l’assiduité, l’activité dans les cours, les performances aux évaluations et l’historique de l’accompagnement pour identifier les étudiants susceptibles d’avoir besoin d’aide. Un score utile correspond à une intervention définie, présente des facteurs contributifs compréhensibles et fait l’objet d’un suivi entre les différents groupes d’étudiants. La rétention, la réussite et la réponse aux actions de sensibilisation fournissent des mesures concrètes.\u003C/p\u003E\n\u003Ch4\u003ENotation et commentaires automatisés\u003C/h4\u003E\n\u003Cp\u003EL’IA peut évaluer les travaux objectifs, comparer les réponses à une grille d’évaluation et préparer des commentaires formatifs à l’intention du formateur. Les travaux ouverts nécessitent des exemples représentatifs, un alignement sur la grille d’évaluation et une remontée des cas ambigus, en particulier lorsque le résultat influe sur les notes finales ou la progression. Les entreprises doivent maintenir une supervision pédagogique adaptée pour les décisions importantes liées à la notation, à l’affectation, à la progression et à l’accompagnement des étudiants.\u003C/p\u003E\n\u003Ch4\u003EConnaissances institutionnelles et assistance relative aux politiques\u003C/h4\u003E\n\u003Cp\u003EUn assistant en langage naturel peut répondre aux questions en s’appuyant sur les manuels, les politiques et les exigences des programmes. Comme la bonne réponse peut dépendre du lieu, de l’année d’inscription, du programme ou du type de collaborateur, le système doit assurer le contrôle des versions, un accès adapté au public et des citations renvoyant à la politique applicable.\u003C/p\u003E\n\u003Ch4\u003EAdministration de la recherche et gestion des subventions\u003C/h4\u003E\n\u003Cp\u003ELes agents peuvent classer les possibilités de financement, comparer les exigences, réunir les documents de conformité et suivre les échéances de reporting, tandis que l’intelligence documentaire extrait les conditions des documents d’attribution. Le temps de préparation des propositions, les échéances manquées et la charge de travail administratif fournissent des mesures concrètes.\u003C/p\u003E\n","richText":true,":type":"snowflake-site/components/text","appliedCssClassNames":"text-color-text-05"},"title_ai-use-cases-built-on-behavioral-and-event-data":{"id":"title-v2-337e45cf6e","additionalClasses":"anchor-title anchor-title--cas-usage-ia-retail-publicite-medias","type":"heading2","lines":["Cas d'usage de l'IA dans le retail, la publicité et les médias"],":type":"snowflake-site/components/title-v2"},"text_ai-use-cases-built-on-behavioral-and-event-data_0":{"id":"text-ec63dfeb05","text":"\u003Cp\u003ELes organisations du retail, de la publicité, des médias et de la cybersécurité s’appuient sur des volumes importants de données décrivant au fil du temps les actions des clients, des audiences, des systèmes et des appareils. Ces applications nécessitent une résolution d’identité entre les appareils et les canaux, un traitement des événements adapté à la fenêtre de décision, des contrôles du consentement et de la finalité, ainsi que des boucles de rétroaction capables de distinguer un clic, une alerte ou une anomalie du résultat qui compte réellement pour l’organisation.\u003C/p\u003E\n\u003Ch3\u003ECas d’usage de l’IA dans le retail et l’e-commerce\u003C/h3\u003E\n\u003Ch4\u003EPrévision de la demande\u003C/h4\u003E\n\u003Cp\u003ELes modèles de prévision de la demande combinent l’historique des transactions, les prix, les promotions, la saisonnalité, les stocks et les signaux externes pour estimer la demande par produit, zone géographique et canal. Les hiérarchies de produits et de zones géographiques doivent tenir compte des substitutions, des changements d’assortiment et des nouveaux produits. La disponibilité, les démarques, les pertes et la rotation des stocks fournissent des mesures concrètes.\u003C/p\u003E\n\u003Ch4\u003EOptimisation de l’assortiment et des stocks\u003C/h4\u003E\n\u003Cp\u003ELes modèles d’optimisation transforment les prévisions de la demande en décisions de stockage et d’allocation, sous contraintes d’espace en rayon, de fournisseur, de marge et de capacité. Ils doivent également représenter les interactions au sein de l’assortiment, car l’ajout d’un produit ou d’une promotion peut déplacer la demande vers d’autres produits.\u003C/p\u003E\n\u003Ch4\u003EMoteurs de personnalisation et de recommandation\u003C/h4\u003E\n\u003Cp\u003ELes moteurs de recommandation classent les produits ou les contenus à partir des données de navigation, d'achat, de recherche et de produits, tandis qu'une vue client à 360 degrés assure la concordance entre l'e-commerce, les magasins, le service client et le marketing. La disponibilité, la marge, le consentement, les priorités de merchandising et la lassitude des clients doivent orienter le résultat, au même titre que l’intérêt prédit.\u003C/p\u003E\n\u003Ch4\u003EOptimisation des prix et des promotions\u003C/h4\u003E\n\u003Cp\u003EL’IA peut estimer la réaction de la demande, la cannibalisation des promotions et le moment des démarques, afin de permettre aux marchands de comparer différents scénarios de chiffre d’affaires, de marge et de stocks. Les recommandations nécessitent un recalibrage continu, car le comportement des concurrents, les contraintes d’approvisionnement et l’opinion des clients peuvent modifier l’élasticité historique.\u003C/p\u003E\n\u003Ch4\u003EOptimisation de la retail media\u003C/h4\u003E\n\u003Cp\u003ELes réseaux de retail media peuvent exploiter le comportement d’achat propriétaire pour créer des audiences, prévoir les performances et relier l’exposition publicitaire aux ventes. Les data clean rooms facilitent la collaboration avec les marques sans exposer les données brutes des clients. Des définitions communes de l’exposition, de la conversion et de l’incrémentalité sont indispensables à une mesure fiable.\u003C/p\u003E\n\u003Ch4\u003EOpérations en magasin et passage en caisse sans caissier\u003C/h4\u003E\n\u003Cp\u003ELes applications de vision par ordinateur et de fusion de capteurs dans le retail peuvent prendre en charge le passage en caisse sans caissier, le suivi des rayons, la détection des files d’attente et la prévention des pertes. Le Forecasting aligne les effectifs sur le trafic et la demande de préparation des commandes. La configuration du magasin, l’éclairage et le comportement des clients nécessitent un calibrage local et une gestion claire des exceptions.\u003C/p\u003E\n\u003Ch4\u003EOrchestration de la chaîne d’approvisionnement et de l’exécution des commandes\u003C/h4\u003E\n\u003Cp\u003EL’IA peut prédire les retards des fournisseurs, sélectionner les sites d’exécution et recommander des options de livraison en fonction des stocks, de la date promise et du coût. Les stocks disponibles sont stratégiques, car des données obsolètes peuvent entraîner des expéditions fractionnées, des annulations ou des promesses non tenues ailleurs dans le réseau.\u003C/p\u003E\n\u003Ch4\u003EContenu produit et automatisation du commerce\u003C/h4\u003E\n\u003Cp\u003EL’IA générative peut extraire les attributs des fichiers fournisseurs, créer des descriptions, traduire des contenus et identifier les fiches catalogue incomplètes. Les modèles multimodaux comparent les images des produits aux attributs indiqués. La vérification humaine doit se concentrer sur les allégations réglementées, le langage de marque et les produits à forte valeur.\u003C/p\u003E\n\u003Cp\u003E\u003Ca href=\"https://www.snowflake.com/en/artificial-intelligence/industries/ai-in-retail/\"\u003EEn savoir plus sur l’IA dans le retail \u003E\u003C/a\u003E\u003C/p\u003E\n\u003Ch3\u003ECas d’usage de l’IA dans la publicité\u003C/h3\u003E\n\u003Ch4\u003ECréation et extension des audiences\u003C/h4\u003E\n\u003Cp\u003EL’IA peut identifier des segments d’audience à partir des données comportementales, des signaux d’achat, des interactions avec les contenus et des réactions aux campagnes, puis les étendre grâce à des modèles similaires. Le résultat choisi pour définir la valeur, clics, prospects qualifiés, achats ou valeur client à long terme, façonne l’audience obtenue.\u003C/p\u003E\n\u003Ch4\u003EPlanification média et allocation budgétaire\u003C/h4\u003E\n\u003Cp\u003ELes modèles prédictifs peuvent prévoir la portée, les conversions et le rendement marginal sur différents canaux, afin d’aider les annonceurs à comparer les dépenses supplémentaires. Comme les données des canaux utilisent des identifiants, des fenêtres d’attribution et des méthodes de reporting différents, une mesure homogène est nécessaire pour comparer les performances de façon pertinente.\u003C/p\u003E\n\u003Ch4\u003EEnchères et optimisation des campagnes\u003C/h4\u003E\n\u003Cp\u003EL’IA peut ajuster les enchères, les emplacements et le rythme de diffusion en fonction de la réponse prévue et des objectifs de la campagne. Les limites de dépenses, la qualité de l’inventaire et les emplacements interdits restent des contrôles explicites. Les conversions incrémentales et les bénéfices fournissent des indicateurs plus pertinents que les seules impressions bon marché.\u003C/p\u003E\n\u003Ch4\u003EIntelligence et génération créatives\u003C/h4\u003E\n\u003Cp\u003EL’IA multimodale peut classer les attributs créatifs, les mettre en relation avec les performances et générer des variantes pour différents publics ou formats. Les contrôles liés à la marque, aux aspects juridiques et aux droits restent indispensables. L’expérimentation doit isoler l’effet du contenu créatif des autres changements apportés à la campagne.\u003C/p\u003E\n\u003Ch4\u003EMesure et attribution\u003C/h4\u003E\n\u003Cp\u003EL’IA peut estimer la contribution d’une campagne sur des parcours clients fragmentés. Les data clean rooms permettent aux annonceurs, aux éditeurs et aux distributeurs de comparer les données d’exposition et de résultat dans un cadre gouverné. Les groupes témoins, les tests d’incrémentalité et des hypothèses clairement formulées aident les dirigeants à interpréter l’attribution sans surestimer sa précision.\u003C/p\u003E\n\u003Ch4\u003EFraude et qualité de l’inventaire\u003C/h4\u003E\n\u003Cp\u003ELa détection des anomalies peut identifier le trafic invalide, l’activité des robots, l’usurpation de domaine et les schémas de conversion suspects. L’analyse des graphes fait ressortir les sites, appareils ou comptes associés. Les données récentes sur les événements et les retours des analystes sont indispensables, car les comportements frauduleux évoluent en réaction aux dispositifs de détection.\u003C/p\u003E\n\u003Ch4\u003ECollaboration respectueuse de la confidentialité\u003C/h4\u003E\n\u003Cp\u003ELes data clean rooms permettent aux organisations de rapprocher et d’analyser les données tout en limitant l’exposition directe des enregistrements clients bruts. Les règles d’identité, les seuils d’agrégation et les utilisations autorisées doivent être définis avant l’analyse. L’environnement technique peut contribuer à appliquer les règles configurées, mais les organisations restent responsables de la définition et de la gouvernance des utilisations autorisées.\u003C/p\u003E\n\u003Cp\u003E\u003Ca href=\"https://www.snowflake.com/en/artificial-intelligence/industries/ai-in-advertising/\"\u003EEn savoir plus sur l’IA dans la publicité \u003C/a\u003E\u003C/p\u003E\n\u003Ch3\u003ECas d’usage de l’IA dans les médias et le divertissement\u003C/h3\u003E\n\u003Ch4\u003ERecommandation et découverte de contenus\u003C/h4\u003E\n\u003Cp\u003ELes moteurs de recommandation classent les programmes, les articles, la musique ou les jeux à partir du comportement de l’audience, du contexte de la session et des métadonnées du catalogue. Des informations précises sur le genre, la distribution, le sujet, les droits et le format permettent de concilier pertinence immédiate, découverte, diversité et engagement à long terme.\u003C/p\u003E\n\u003Ch4\u003EAnalyse de l’audience et prévision du désabonnement\u003C/h4\u003E\n\u003Cp\u003ELes modèles prédictifs peuvent identifier les schémas d’engagement associés à une résiliation, à une montée en gamme ou à une baisse d’utilisation. Les entreprises de médias peuvent ainsi adapter leurs offres de fidélisation ou leurs recommandations de contenus. Il convient de tester l’intervention pour déterminer si elle modifie le comportement, plutôt que de supposer que chaque abonné à risque peut être fidélisé.\u003C/p\u003E\n\u003Ch4\u003EDemande de contenus et commande de productions\u003C/h4\u003E\n\u003Cp\u003EL’IA peut analyser les tendances de l’audience, les performances du catalogue, les comportements de recherche et les signaux du marché pour éclairer l’acquisition, la programmation et la commande de productions. Les performances historiques peuvent favoriser les concepts familiers. Les résultats doivent donc alimenter l’analyse du portefeuille, tout en préservant le jugement éditorial et stratégique.\u003C/p\u003E\n\u003Ch4\u003ERendement publicitaire et optimisation de l’inventaire\u003C/h4\u003E\n\u003Cp\u003ELes modèles peuvent prévoir l’inventaire disponible, la composition de l’audience et la demande, puis aider à répartir les impressions entre les engagements directs, la demande programmatique et la promotion interne. Les droits, la fréquence et les contraintes de campagne doivent rester à jour. Le revenu par impression, le taux de remplissage et la fourniture conforme aux engagements constituent des indicateurs utiles.\u003C/p\u003E\n\u003Ch4\u003EMétadonnées de contenu et intelligence des archives\u003C/h4\u003E\n\u003Cp\u003EL’IA multimodale peut transcrire, classer et baliser des vidéos, des contenus audio et des images. Les archives deviennent ainsi consultables par sujet, personne, scène ou expression prononcée. Les informations relatives aux droits doivent rester associées à chaque actif afin que l’amélioration de la découverte n’entraîne pas d’utilisation non autorisée.\u003C/p\u003E\n\u003Ch4\u003ELocalisation et accessibilité\u003C/h4\u003E\n\u003Cp\u003EL’IA peut contribuer à la transcription, à la traduction, au sous-titrage, au doublage et à l’audiodescription. Les spécialistes se concentrent sur l’adaptation culturelle, le rythme et la qualité. L’évaluation doit tenir compte de la langue, du dialecte, du genre, des sons ambiants, de l’accessibilité et de l’expérience de l’audience.\u003C/p\u003E\n\u003Ch4\u003EFlux de production et de postproduction\u003C/h4\u003E\n\u003Cp\u003EL’IA peut organiser les séquences, rechercher dans les transcriptions, identifier les problèmes de continuité et générer des montages préliminaires ou des éléments d’effets visuels. Les agents coordonnent l’état des révisions et les versions. Les contenus non publiés exigent des contrôles stricts des accès et des droits. Les premiers gains proviennent souvent d’un enregistrement, d’une recherche et d’une coordination plus rapides.\u003C/p\u003E\n\u003Ch4\u003EDroits, redevances et protection des contenus\u003C/h4\u003E\n\u003Cp\u003EL’IA peut faire correspondre l’utilisation des contenus aux registres de propriété, identifier les diffusions sans licence et détecter les anomalies dans les rapports de redevances. Comme les droits varient selon le territoire, la plateforme et la période, le système doit disposer de relations précises entre les actifs, les contrats et les ayants droit avant de pouvoir éclairer les décisions de paiement ou de mise en application.\u003C/p\u003E\n","richText":true,":type":"snowflake-site/components/text","appliedCssClassNames":"text-color-text-05"},"card_v2_ai-use-cases-built-on-behavioral-and-event-data_0":{"id":"card-v2-9950630ce3","additionalClasses":"seo-customer","configurationStatus":{"configured":true,"message":""},"title":{"id":"title","type":"heading4","lines":["TÉMOIGNAGE CLIENT : TF1"],":type":"snowflake-site/components/title-v2"},"button":{"id":"button","showOutboundIcon":false,"buttonLink":{"valid":true,"url":"/fr/customers/all-customers/video/tf1/"},"linkTargetContentType":"GENERIC","linkType":"SNOWFLAKE_INTERNAL",":type":"snowflake-site/components/button","text":"Regarder la vidéo"},"image":{"id":"image","isLcpImage":false,"src":"https://www.snowflake.com/adobe/dynamicmedia/deliver/dm-aid--4b971932-7f65-4a31-9475-2367c8b7ea6a/tf1.png?preferwebp=true&quality=85","alt":"logo-tf1","lazyEnabled":true,"height":"351","width":"624",":type":"snowflake-site/components/image"},"type":"content-card","text":{"id":"text","text":"\u003Cp\u003ETF1 offre une expérience personnalisée à 26 millions d'utilisateurs connectés en faisant de l'AI Data Cloud sa source unique de vérité pour le streaming et la publicité. En réunissant des données jusqu'alors dispersées entre une mosaïque d'outils indépendants, le groupe a obtenu une vue à 360 degrés de ses téléspectateurs, affiné ses décisions stratégiques, renforcé l'engagement et la fidélité de ses audiences, et ouvert de nouvelles sources de revenus grâce à des partenariats sécurisés avec des acteurs majeurs comme Netflix. Avec Snowflake, TF1 a accéléré son reporting de campagne de 5 jours à 3 minutes (99 %+ plus rapide), divisé par 6 ses coûts d'ingestion des données, et conçu son premier écosystème agentique avec Snowflake CoWork en seulement 9 jours, aujourd'hui adopté par l'ensemble des équipes digitales.\u003C/p\u003E\r\n","richText":true,":type":"snowflake-site/components/text"},"layoutStyle":"horizontal",":type":"snowflake-site/components/card-v2"},"text_ai-use-cases-built-on-behavioral-and-event-data_1":{"id":"text-64b54ad42e","text":"\u003Ch3\u003ECas d’usage de l’IA pour l’analytics sportif\u003C/h3\u003E\r\n\u003Ch4\u003EPerformances des joueurs et gestion de la charge de travail\u003C/h4\u003E\r\n\u003Cp\u003EUtilisés avec les recommandations de professionnels de santé et le jugement des entraîneurs, les modèles de machine learning peuvent éclairer les décisions concernant l’intensité de l’entraînement, la rotation et la reprise de la compétition. Les données doivent rester associées au bon athlète, à la bonne session et au contexte compétitif correspondant. Les mesures de performance peuvent varier considérablement selon le poste, l’adversaire et la situation de jeu. Les comparaisons nécessitent donc plus qu’un simple score agrégé.\u003C/p\u003E\r\n\u003Ch4\u003EStratégie de jeu et analyse des adversaires\u003C/h4\u003E\r\n\u003Cp\u003EL’\u003Ca href=\"/fr/artificial-intelligence/\"\u003Eintelligence artificielle\u003C/a\u003E (IA) peut analyser les séquences de jeu, les données de suivi et les vidéos pour identifier les schémas tactiques, les tendances des confrontations et les changements de comportement des adversaires. Les entraîneurs et les analystes peuvent exploiter ces résultats pour préparer des plans de jeu, évaluer les compositions d’équipe ou comprendre comment une stratégie fonctionne dans certaines conditions.\u003C/p\u003E\r\n\u003Ch4\u003EDétection et évaluation des talents\u003C/h4\u003E\r\n\u003Cp\u003ELes équipes peuvent utiliser l’IA pour comparer les performances des joueurs entre différents championnats, niveaux de compétition et styles de jeu. La vision par ordinateur et les données événementielles peuvent faire ressortir les mouvements, la prise de décision et les aptitudes propres à un poste, qui n’apparaissent pas toujours dans les statistiques traditionnelles. Une évaluation fiable exige une normalisation entre les différents environnements. Sans cela, la qualité de la compétition, le rôle dans l’équipe, le temps de jeu et la disponibilité des données peuvent donner l’impression que les joueurs sont plus comparables qu’ils ne le sont réellement.\u003C/p\u003E\r\n\u003Ch4\u003EEngagement des fans et personnalisation\u003C/h4\u003E\r\n\u003Cp\u003EUne vue à 360 degrés du client peut relier la billetterie, l’engagement numérique, les produits dérivés, l’activité sur le site et la consommation de contenu pour proposer des expériences plus pertinentes aux fans. Les systèmes de recommandation peuvent personnaliser les contenus, les offres ou les communications selon la relation du fan avec l’équipe ou l’événement. Le consentement et les préférences de canal doivent déterminer l’utilisation de ces informations.\u003C/p\u003E\r\n\u003Ch4\u003EBilletterie et prévisions de fréquentation\u003C/h4\u003E\r\n\u003Cp\u003ELes modèles de prévision peuvent estimer la demande par événement, section et canal de vente en s’appuyant sur le calendrier, l’adversaire, l’horaire, les tarifs et la fréquentation historique. Ces informations peuvent faciliter l’allocation des stocks, la gestion des effectifs et la planification promotionnelle. Les événements externes, la météo et les changements de calendrier peuvent également faire évoluer rapidement la demande.\u003C/p\u003E\r\n\u003Ch4\u003EOpérations sur site et événements\u003C/h4\u003E\r\n\u003Cp\u003EL’IA peut prévoir le volume des entrées, la demande dans les points de vente, les besoins en personnel et les mouvements de foule sur un site. La vision par ordinateur et les données issues de capteurs peuvent également aider à détecter les encombrements ou les problèmes opérationnels pendant un événement. Comme la configuration des sites et le profil des événements varient, les modèles ont besoin d’un contexte propre à chaque site et de procédures d’escalade clairement définies. Les temps d’attente, les écarts d’effectifs, le gaspillage des stocks et la gestion des incidents fournissent des indicateurs concrets.\u003C/p\u003E\r\n\u003Ch4\u003EProduction de contenu et opérations médias\u003C/h4\u003E\r\n\u003Cp\u003EL’IA générative et multimodale peut aider à baliser les temps forts, à rechercher dans les archives vidéo, à préparer des extraits et à créer des contenus localisés ou personnalisés. Les droits, les obligations liées aux sponsors et les fenêtres de diffusion doivent rester associés à chaque actif afin d’accélérer la production sans entraîner d’utilisation non autorisée.\u003C/p\u003E\r\n\u003Ch3\u003ECas d’usage de l’IA pour la cybersécurité\u003C/h3\u003E\r\n\u003Cp\u003ELes outils de sécurité assistés par l’IA peuvent couvrir de nombreux cas d’usage, de la détection des menaces et de l’analyse des vulnérabilités à la hiérarchisation des alertes et à l’assistance lors de la gestion des incidents. Comme ces outils peuvent générer des faux positifs et des faux négatifs, ils doivent fonctionner dans un cadre de permissions clairement défini, de procédures de validation et d’exigences de revue humaine.\u003C/p\u003E\r\n\u003Ch4\u003EDétection des menaces et des anomalies\u003C/h4\u003E\r\n\u003Cp\u003ELe machine learning peut identifier les activités inhabituelles dans les événements liés aux identités, aux terminaux, aux réseaux, aux applications et au cloud, y compris les combinaisons qui ne correspondent à aucune signature connue. Comme les comportements normaux évoluent, les modèles doivent être recalibrés en continu et évalués selon la couverture de détection, le taux de faux positifs et le délai de qualification.\u003C/p\u003E\r\n\u003Ch4\u003ERisques liés aux identités et aux accès\u003C/h4\u003E\r\n\u003Cp\u003EL’IA peut identifier les déplacements improbables, l’utilisation anormale des privilèges, les activités inhabituelles des comptes de service et les schémas d’accès incompatibles avec le rôle d’un utilisateur. L’analyse des graphes révèle quant à elle les chemins vers les systèmes sensibles. Le statut professionnel, les habilitations, l’appareil et l’historique d’authentification aident à distinguer une activité légitime, mais inhabituelle, d’un usage abusif.\u003C/p\u003E\r\n\u003Ch4\u003EQualification et investigation des alertes\u003C/h4\u003E\r\n\u003Cp\u003ELes agents de sécurité peuvent recueillir des preuves dans les journaux, les renseignements sur les menaces et les dossiers précédents, résumer la chronologie des événements et recommander des étapes d’investigation. Les permissions accordées aux outils doivent tenir compte des conséquences de chaque action. Les seuils d’approbation doivent donc varier selon qu’il s’agit de récupérer des preuves, de désactiver un compte ou d’isoler un hôte.\u003C/p\u003E\r\n\u003Ch4\u003EDétection de l’hameçonnage et de l’ingénierie sociale\u003C/h4\u003E\r\n\u003Cp\u003ELes modèles linguistiques et multimodaux peuvent évaluer le contenu des e-mails, le comportement des expéditeurs, les liens, les pièces jointes et les signaux d’usurpation, puis identifier les campagnes qui varient leur formulation tout en partageant la même infrastructure. Les retours issus des incidents confirmés améliorent la détection à mesure que les attaquants adaptent leurs méthodes.\u003C/p\u003E\r\n\u003Ch4\u003EHiérarchisation des vulnérabilités\u003C/h4\u003E\r\n\u003Cp\u003EL’IA peut combiner la gravité, l’activité d’exploitation, l’exposition des actifs, la criticité métier et les contrôles existants pour hiérarchiser les travaux de correction. Un inventaire précis des actifs et l’identification de leurs propriétaires sont indispensables. Les équipes ne peuvent pas corriger une vulnérabilité sans savoir si le composant est déployé ni qui en est responsable.\u003C/p\u003E\r\n\u003Ch4\u003EDétection des fuites de données et des risques internes\u003C/h4\u003E\r\n\u003Cp\u003ELes modèles comportementaux peuvent identifier les téléchargements inhabituels, les activités de partage, l’accès à un référentiel ou le déplacement d’informations sensibles. La classification et la traçabilité des données indiquent quant à elles le type de données concerné. Une anomalie ne constitue pas à elle seule une preuve d’intention malveillante. Des contrôles de confidentialité, des procédures d’enquête et le contexte métier restent nécessaires.\u003C/p\u003E\r\n\u003Ch4\u003EAnalyse des menaces et des malwares\u003C/h4\u003E\r\n\u003Cp\u003EL’IA peut classifier les logiciels malveillants, extraire des indicateurs, résumer des rapports techniques et relier des campagnes à leur infrastructure ou à leurs tactiques. Le renseignement sur les menaces pouvant être incomplet, contradictoire ou trompeur, les résultats devraient conserver l'attribution de la source, le niveau de confiance et la validité temporelle.\u003C/p\u003E\r\n\u003Ch4\u003EÉvaluation de la posture de sécurité et validation des contrôles\u003C/h4\u003E\r\n\u003Cp\u003ELes agents peuvent recueillir des preuves de configuration, les comparer aux politiques et identifier les lacunes des contrôles dans les environnements cloud et de logiciel en tant que service, puis préparer des recommandations de remédiation ou une demande de modification à examiner. Les résultats sont les plus utiles lorsqu’ils sont associés à un responsable, une configuration et une exception de politique précis, assortis d’une date d’expiration.\u003C/p\u003E\r\n\u003Cp\u003E\u003Ca href=\"https://www.snowflake.com/fr/artificial-intelligence/industries/ai-in-cybersecurity/\"\u003EEn savoir plus sur l’IA dans la cybersécurité\u003C/a\u003E\u003C/p\u003E\r\n","richText":true,":type":"snowflake-site/components/text","appliedCssClassNames":"text-color-text-05"},"title_why-industry-ai-runs-on-snowflake":{"id":"title-v2-8c903c9057","additionalClasses":"anchor-title anchor-title--comment-snowflake-ia-secteur-activite","type":"heading2","lines":["Comment Snowflake accompagne l'IA par secteur d'activité"],":type":"snowflake-site/components/title-v2"},"text_why-industry-ai-runs-on-snowflake_0":{"id":"text-b457bf024b","text":"\u003Cp\u003ELes applications de ce répertoire utilisent des données, des modèles et des processus opérationnels différents, mais partagent plusieurs besoins fondamentaux de mise en œuvre : un accès gouverné aux données d’entreprise actuelles, un contexte suffisant pour les interpréter correctement et un cheminement contrôlé de l’analyse à l’action.\u003C/p\u003E\n\u003Cp\u003ESnowflake réunit les données structurées, semi-structurées et non structurées et les fonctionnalités d’IA dans un environnement qui prend en charge les contrôles de sécurité et de gouvernance. \u003Ca href=\"https://www.snowflake.com/fr/product/features/cortex/\"\u003ECortex AI\u003C/a\u003E inclut des fonctionnalités pour créer des agents capables d’utiliser les données d’entreprise, d’analyser les documents pris en charge et les contenus multimodaux, ainsi que de fournir un accès en langage naturel aux informations gouvernées. Snowflake ML fournit des fonctionnalités qui prennent en charge les différentes étapes des workflows de machine learning prédictif, notamment le feature engineering, le développement, le déploiement et la surveillance des modèles.\u003C/p\u003E\n\u003Cp\u003EGrâce à \u003Ca href=\"https://www.snowflake.com/fr/product/features/horizon/\"\u003EHorizon Catalog\u003C/a\u003E et aux fonctionnalités Snowflake associées, les organisations peuvent appliquer des contrôles tels que l’accès basé sur les rôles, les politiques de masquage, la traçabilité des données et la surveillance de la qualité des données dans les workflows pris en charge. Les modèles sémantiques et les métadonnées contextuelles peuvent aider les systèmes d’IA à utiliser les définitions et les relations métier de manière plus cohérente, plutôt que de s’appuyer uniquement sur des tables ou des documents isolés.\u003C/p\u003E\n\u003Cp\u003ESecure Data Sharing et Snowflake Data Clean Rooms peuvent favoriser une collaboration gouvernée tout en réduisant le besoin d’échanger des copies distinctes de données sensibles.\u003C/p\u003E\n\u003Cp\u003EAvec des données gouvernées, un contexte sémantique et une infrastructure d’IA en place, les équipes peuvent réutiliser des fonctionnalités communes dans des applications propres à chaque secteur, tout en les adaptant à chaque cas d’usage.\u003C/p\u003E","richText":true,":type":"snowflake-site/components/text","appliedCssClassNames":"text-color-text-05"}},":itemsOrder":["text_intro_0","title_what-shapes-ai-outcomes-across-industries","text_what-shapes-ai-outcomes-across-industries_0","title_ai-use-cases-built-on-sensitive-regulated-data","text_ai-use-cases-built-on-sensitive-regulated-data_0","text_ai-use-cases-built-on-sensitive-regulated-data_1","card_v2","title_ai-use-cases-built-on-machine-and-operational-data","text_ai-use-cases-built-on-machine-and-operational-data_0","card_v2_ai-use-cases-built-on-machine-and-operational-data_0","title_ai-use-cases-built-on-documents-and-language","text_ai-use-cases-built-on-documents-and-language_0","title_ai-use-cases-built-on-behavioral-and-event-data","text_ai-use-cases-built-on-behavioral-and-event-data_0","card_v2_ai-use-cases-built-on-behavioral-and-event-data_0","text_ai-use-cases-built-on-behavioral-and-event-data_1","title_why-industry-ai-runs-on-snowflake","text_why-industry-ai-runs-on-snowflake_0"],"appliedCssClassNames":"snowflake-responsive-container-inner-padding-medium"},"flexible_column_content_container_2":{"additionalClasses":"hub-sidebar","id":"hub-body-aside","layout":"SIMPLE",":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","id":"container-1044b62df8","layout":"RESPONSIVE_GRID","columnCount":12,":type":"snowflake-site/components/container",":items":{"text_943981956_copy_":{"id":"text-1f33ce1b6b","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-fcc2b08a58","additionalClasses":"page-toc","text":"\u003Cul\u003E\r\n\u003Cli data-anchor=\"qu-est-ce-qui-determine-le-succes-d-un-projet-ia\"\u003EQu'est-ce qui détermine le succès d'un projet d'IA ?\u003C/li\u003E\r\n\u003Cli data-anchor=\"ia-secteurs-reglementes-sante-finance\"\u003EL'IA dans les secteurs réglementés : santé et finance\u003C/li\u003E\r\n\u003Cli data-anchor=\"cas-usage-ia-industrie-logistique-automobile\"\u003ECas d'usage de l'IA dans l'industrie, la logistique et l'automobile\u003C/li\u003E\r\n\u003Cli data-anchor=\"ia-documentaire-droit-education-langage\"\u003EIA documentaire : droit, éducation et traitement du langage\u003C/li\u003E\r\n\u003Cli data-anchor=\"cas-usage-ia-retail-publicite-medias\"\u003ECas d'usage de l'IA dans le retail, la publicité et les médias\u003C/li\u003E\r\n\u003Cli data-anchor=\"comment-snowflake-ia-secteur-activite\"\u003EComment Snowflake accompagne l'IA par secteur d'activité\u003C/li\u003E\r\n\u003C/ul\u003E\r\n\u003Cp\u003E \u003C/p\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"},"isBlogPage":false,":type":"snowflake-site/components/flexible-column-container","isActiveTOC":false},"flexible_column_cont_1467213961":{"id":"flexible-column-container-b82acf6b4e","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":{"id":"container-4b26259694","layout":"SIMPLE",":type":"snowflake-site/components/flexible-column-container/flexible-column-content-container",":items":{"title_v2":{"id":"title-v2-2664364bca","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"]},"isBlogPage":false,":type":"snowflake-site/components/flexible-column-container","isActiveTOC":false,"appliedCssClassNames":"snowflake-flexible-column-container-gray-10-bg"},"flexible_column_cont_912630531":{"id":"flexible-column-container-dc80ac8ba8","propertiesId":"hub-explore-resources-grid","type":"1-column","alignColumns":"top","containerMaxWidth":"extra-large","topPadding":"small","bottomPadding":"large","spaceBetween":"small","reverseOnMobile":false,"carouselOnMobile":false,"backgroundImageOption":"none","flexible_column_content_container_1":{"id":"hub-explore-resources-grid-inner","layout":"SIMPLE",":type":"snowflake-site/components/flexible-column-container/flexible-column-content-container",":items":{"resource_chip_0":{"id":"content-chip-86083cb339","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","linkType":"SNOWFLAKE_EXTERNAL",":type":"snowflake-site/components/button","text":"Lire la suite"},"headline":{"id":"title-v2-b3309b96b6","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-f8f2d487c1","tagText":"BLOG","tagColor":"#29B5E8","cta":{"id":"cta","showOutboundIcon":false,"buttonLink":{"valid":true,"url":"https://www.snowflake.com/en/blog/enterprise-ai-agents-agentic-ai/"},"linkTargetContentType":"GENERIC","linkType":"SNOWFLAKE_EXTERNAL",":type":"snowflake-site/components/button","text":"Lire la suite"},"headline":{"id":"title","type":"heading5","lines":["Révolution technologique : Préparer l’ère de l’IA agentique"],":type":"snowflake-site/components/title-v2"},":type":"snowflake-site/components/content-chip","appliedCssClassNames":"snowflake-content-chip-white-bg"},"resource_chip_2":{"id":"content-chip-cc697741f1","tagText":"BLOG","tagColor":"#29B5E8","cta":{"id":"cta","showOutboundIcon":false,"buttonLink":{"valid":true,"url":"https://www.snowflake.com/en/blog/ai-agents-healthcare-efficiency/"},"linkTargetContentType":"GENERIC","linkType":"SNOWFLAKE_EXTERNAL",":type":"snowflake-site/components/button","text":"Lire la suite"},"headline":{"id":"title","type":"heading5","lines":["Les organisations de santé modernes utilisent des agents d’IA pour gagner en efficacité dans leurs flux de travail et fournir des informations stratégiques pour les soins"],":type":"snowflake-site/components/title-v2"},":type":"snowflake-site/components/content-chip","appliedCssClassNames":"snowflake-content-chip-white-bg"},"resource_chip_3":{"id":"content-chip-874f0056a8","tagText":"RAPPORT","tagColor":"#C6EDF1","cta":{"id":"cta","showOutboundIcon":false,"buttonLink":{"valid":true,"url":"https://www.snowflake.com/en/future-ai-interoperability-healthcare/"},"linkTargetContentType":"GENERIC","linkType":"SNOWFLAKE_EXTERNAL",":type":"snowflake-site/components/button","text":"Lire la suite"},"headline":{"id":"title-v2-996a6a7803","type":"heading5","lines":["L’avenir de l’IA et de l’interopérabilité dans le secteur de la santé"],":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"]},"isBlogPage":false,":type":"snowflake-site/components/flexible-column-container","isActiveTOC":false,"appliedCssClassNames":"snowflake-flexible-column-container-gray-10-bg"},"flexible_column_cont_1158003461":{"id":"flexible-column-container-ddabe22dda","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":{"id":"container-e227dba856","layout":"SIMPLE",":type":"snowflake-site/components/flexible-column-container/flexible-column-content-container",":items":{"title_v2_copy_copy":{"id":"title-v2-9700345b5e","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-8422c76357","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"},"isBlogPage":false,":type":"snowflake-site/components/flexible-column-container","isActiveTOC":false,"appliedCssClassNames":"snowflake-flexible-column-container-white-bg"},"flexible_column_cont_1377146023":{"id":"flexible-column-container-ffd8a8d122","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":{"id":"container-66b65220d8","layout":"SIMPLE",":type":"snowflake-site/components/flexible-column-container/flexible-column-content-container",":items":{"topic_card_0":{"id":"card-v2-7920319f80","configurationStatus":{"configured":true,"message":""},"title":{"id":"title","type":"heading4","lines":["L’IA en entreprise"],":type":"snowflake-site/components/title-v2"},"button":{"id":"button","showOutboundIcon":false,"buttonLink":{"valid":true,"url":"https://www.snowflake.com/fr/artificial-intelligence/business/"},"linkTargetContentType":"GENERIC","linkType":"SNOWFLAKE_EXTERNAL",":type":"snowflake-site/components/button","text":"En savoir plus"},"type":"content-card","text":{"id":"text","text":"\u003Cp\u003EDécouvrez comment l'IA est utilisée pour analyser les données, interpréter les informations, générer du contenu et mener des actions dans les workflows métier.\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":{"id":"container-0090600376","layout":"SIMPLE",":type":"snowflake-site/components/flexible-column-container/flexible-column-content-container",":items":{"topic_card_1":{"id":"card-v2-9ab4bc1f0e","configurationStatus":{"configured":true,"message":""},"title":{"id":"title","type":"heading4","lines":["L’IA dans la cybersécurité"],":type":"snowflake-site/components/title-v2"},"button":{"id":"button","showOutboundIcon":false,"linkTargetContentType":"GENERIC","linkType":"SNOWFLAKE_INTERNAL",":type":"snowflake-site/components/button","text":"En savoir plus"},"type":"content-card","text":{"id":"text","text":"\u003Cp\u003EDécouvrez comment l’apprentissage automatique (machine learning, ML), le traitement automatique du langage naturel (natural language processing, NLP), l’analyse comportementale et les techniques associées permettent de détecter les activités suspectes, de hiérarchiser les risques et d’automatiser certaines opérations de sécurité.\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":{"id":"container-453db26bbc","layout":"SIMPLE",":type":"snowflake-site/components/flexible-column-container/flexible-column-content-container",":items":{"topic_card_2":{"id":"card-v2-12757fbf38","configurationStatus":{"configured":true,"message":""},"title":{"id":"title","type":"heading4","lines":["L’IA dans le retail"],":type":"snowflake-site/components/title-v2"},"button":{"id":"button","showOutboundIcon":false,"buttonLink":{"valid":true,"url":"https://www.snowflake.com/en/artificial-intelligence/industries/ai-in-retail/"},"linkTargetContentType":"GENERIC","linkType":"SNOWFLAKE_EXTERNAL",":type":"snowflake-site/components/button","text":"En savoir plus"},"type":"content-card","text":{"id":"text","text":"\u003Cp\u003EDécouvrez comment la personnalisation par l’IA, la prévision de la demande et l’optimisation de la chaîne d’approvisionnement améliorent le retail et l’e-commerce.\u003C/p\u003E\n","richText":true,":type":"snowflake-site/components/text"},"layoutStyle":"vertical",":type":"snowflake-site/components/card-v2"}},":itemsOrder":["topic_card_2"]},"isBlogPage":false,":type":"snowflake-site/components/flexible-column-container","isActiveTOC":false,"appliedCssClassNames":"snowflake-flexible-column-container-white-bg"}},":itemsOrder":["flexible_column_cont","flexible_column_cont_939100716","flexible_column_cont_1398138236","flexible_column_cont_663228916","flexible_column_cont_1467213961","flexible_column_cont_912630531","flexible_column_cont_1158003461","flexible_column_cont_1377146023"],":type":"wcm/foundation/components/responsivegrid"},"modal_container":{"id":"container-a46ae6d3a9","layout":"SIMPLE",":type":"snowflake-site/components/modal/modal-container",":items":{},":itemsOrder":[]},"markup_editor_928258845":{"id":"markup-editor-570ee63b3c","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-268e1ed067","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-a5f54dbb91","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-4db7235aca","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-ef964ce380","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"],"locale":"fr","analyticsDebugMode":false,"analyticsData":{"excludeFromAnalytics":false,"subCategory":"","pageType":"homepage","templateName":"base-page-template54","siteName":"snowflake","pageUrl":"/content/snowflake-site/global/fr/artificial-intelligence/industries","language":"fr","category":"general","pageName":"L’IA en action : guide des cas d’usage de l’IA par secteur d’activité","contentTags":["snowflake-site:taxonomy/content-type/fundamentals"]},"analyticsContentTags":["snowflake-site:taxonomy/content-type/fundamentals"]}