{"templateName":"base-page-template54","cssClassNames":"page basicpage summit-page","allowedRenditionsWidth":["320","480","640","768","960","1200","1440","1920"],"language":"fr","description":"Découvrez ce qu'est l'observabilité de l'IA, comment elle fonctionne et quelles métriques, traces et évaluations aident les équipes à superviser les LLM et l'IA agentique en production.","title":"Qu’est-ce que l’observabilité de l’IA ? Métriques, traçabilité et supervision des LLM | Snowflake","analyticsPageType":"homepage","analyticsCategory":"general","analyticsSubCategory":"","excludeFromAnalytics":false,":hierarchyType":"page",":mappedPath":"/fr/artificial-intelligence/observability/",":type":"snowflake-site/components/structure/page",":items":{"root":{"columnCount":12,"columnClassNames":{"markup_editor_928258845":"aem-GridColumn aem-GridColumn--default--12","experiencefragment-banner":"aem-GridColumn aem-GridColumn--default--12","experiencefragment-header":"aem-GridColumn aem-GridColumn--default--12","responsivegrid":"aem-GridColumn aem-GridColumn--default--12","markup_editor_597730182":"aem-GridColumn aem-GridColumn--default--12","experiencefragment-footer":"aem-GridColumn aem-GridColumn--default--12","experiencefragment":"aem-GridColumn aem-GridColumn--default--12","modal_container":"aem-GridColumn aem-GridColumn--default--12","markup_editor":"aem-GridColumn aem-GridColumn--default--12"},"gridClassNames":"aem-Grid aem-Grid--12 aem-Grid--default--12",":items":{"experiencefragment-banner":{"id":"experiencefragment-3570552b03","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?callerPage=/content/snowflake-site/global/fr/artificial-intelligence/observability"},"experiencefragment-header":{"id":"experiencefragment-7165e85caf","localizedFragmentVariationPath":"/content/experience-fragments/snowflake-site/language-masters/fr/site/mega-nav-header/master/jcr:content","configured":true,":type":"snowflake-site/components/experiencefragment","xfModelPath":"/content/experience-fragments/snowflake-site/language-masters/fr/site/mega-nav-header/master.xfmodel.json?callerPage=/content/snowflake-site/global/fr/artificial-intelligence/observability"},"responsivegrid":{"columnCount":12,"columnClassNames":{"flexible_column_cont_939100716":"aem-GridColumn aem-GridColumn--default--12","flexible_column_cont":"aem-GridColumn aem-GridColumn--default--12","flexible_column_cont_1158003461":"aem-GridColumn aem-GridColumn--default--12","flexible_column_cont_663228916":"aem-GridColumn aem-GridColumn--default--12","flexible_column_cont_912630531":"aem-GridColumn aem-GridColumn--default--12","flexible_column_cont_1398138236":"aem-GridColumn aem-GridColumn--default--12","flexible_column_cont_topics_row2":"aem-GridColumn aem-GridColumn--default--12","flexible_column_cont_1786318617":"aem-GridColumn aem-GridColumn--default--12","flexible_column_cont_1467213961":"aem-GridColumn aem-GridColumn--default--12","flexible_column_cont_1377146023":"aem-GridColumn aem-GridColumn--default--12"},"gridClassNames":"aem-Grid aem-Grid--12 aem-Grid--default--12",":items":{"flexible_column_cont":{"id":"flexible-column-container-c0ea7ef307","propertiesId":"hub-hero-breadcrumbs","type":"1-column","alignColumns":"top","containerMaxWidth":"extra-large","topPadding":"small","bottomPadding":"none","spaceBetween":"small","reverseOnMobile":false,"carouselOnMobile":false,"propertiesCSSClasses":"page-section","backgroundImageOption":"none","flexible_column_content_container_1":{"layout":"SIMPLE","id":"container-db255f1811",":type":"snowflake-site/components/flexible-column-container/flexible-column-content-container",":items":{"breadcrumb":{"id":"breadcrumb-069ecfb749","items":[{"id":"breadcrumb-069ecfb749-item-cb93a03c0a","link":{"valid":true,"url":"/fr/"},"active":false,"current":false,"title":"Français",":type":"snowflake-site/components/structure/page","appliedCssClassNames":"summit-page"},{"id":"breadcrumb-069ecfb749-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-069ecfb749-item-f02e8b1c4e","link":{"valid":true,"url":"/fr/artificial-intelligence/observability/"},"active":true,"current":true,"title":"Observabilité de l’IA",":type":"snowflake-site/components/structure/page","appliedCssClassNames":"summit-page"}],":type":"snowflake-site/components/breadcrumb"}},":itemsOrder":["breadcrumb"]},":type":"snowflake-site/components/flexible-column-container","isBlogPage":false,"isActiveTOC":false,"appliedCssClassNames":"snowflake-flexible-column-container-gray-10-bg"},"flexible_column_cont_939100716":{"id":"flexible-column-container-cc01575e50","propertiesId":"hub-hero","type":"2-column-even","alignColumns":"center","containerMaxWidth":"extra-large","topPadding":"extra-small","bottomPadding":"extra-small","spaceBetween":"small","reverseOnMobile":false,"carouselOnMobile":false,"propertiesCSSClasses":"page-section","backgroundImageOption":"none","flexible_column_content_container_1":{"layout":"SIMPLE","id":"container-8ff03d5107",":type":"snowflake-site/components/flexible-column-container/flexible-column-content-container",":items":{"text_463561420":{"id":"text-2bdc3e3d4f","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-v2-60fa226804","additionalClasses":"hub-hero__headline","type":"heading1","lines":["Observabilité de l’IA : confiance et contrôle pour les systèmes d'IA en production"],":type":"snowflake-site/components/title-v2","appliedCssClassNames":"left-alignment"},"text":{"id":"text-0e20d30967","additionalClasses":"hub-hero__subheadline","text":"\u003Cp\u003EÀ mesure que les systèmes d'IA s'intègrent dans des processus critiques pour l'entreprise, les organisations ont besoin d'un moyen de voir comment ces systèmes se comportent et de maintenir ce comportement sous contrôle. L'observabilité de l'IA fournit aux équipes les traces, les métriques, les évaluations et les preuves de gouvernance nécessaires pour diagnostiquer les défaillances, améliorer la qualité et exploiter les systèmes d'IA en production en toute confiance.\u003C/p\u003E","richText":true,":type":"snowflake-site/components/text","appliedCssClassNames":"text-size-regular text-color-text-05"},"container":{"additionalClasses":"hub-hero__authors","layout":"RESPONSIVE_GRID","columnCount":12,"columnClassNames":{"content_chip_copy":"aem-GridColumn aem-GridColumn--default--12","content_chip":"aem-GridColumn aem-GridColumn--default--12"},"gridClassNames":"aem-Grid aem-Grid--12 aem-Grid--default--12","id":"container-7e9a7c03ba",":type":"snowflake-site/components/container",":items":{"content_chip":{"id":"content-chip-6371088f42","cta":{"id":"cta","showOutboundIcon":false,"linkTargetContentType":"GENERIC",":type":"snowflake-site/components/button","linkType":"SNOWFLAKE_INTERNAL","text":"Lire la biographie"},"image":{"id":"image","height":"800","src":"https://www.snowflake.com/adobe/dynamicmedia/deliver/dm-aid--a7e9fdff-6f08-4edc-9cd1-e213bb234aaa/laurie-macpherson.jpg?preferwebp=true&quality=85","lazyEnabled":true,"alt":"Laurie MacPherson","width":"800",":type":"snowflake-site/components/image"},"headline":{"id":"title","type":"heading5","lines":["Laurie MacPherson","Technical Writer, Snowflake"],":type":"snowflake-site/components/title-v2"},":type":"snowflake-site/components/content-chip"},"content_chip_copy":{"id":"content-chip-5787ac726e","cta":{"id":"cta","showOutboundIcon":false,"linkTargetContentType":"GENERIC",":type":"snowflake-site/components/button","linkType":"SNOWFLAKE_INTERNAL","text":"Lire la biographie"},"image":{"id":"image","height":"709","src":"https://www.snowflake.com/adobe/dynamicmedia/deliver/dm-aid--9ad7a3c0-e23e-4370-bc36-f59a5fe02eff/img-1817.jpg?preferwebp=true&quality=85","lazyEnabled":true,"alt":"David Gaule","width":"709",":type":"snowflake-site/components/image"},"headline":{"id":"title","type":"heading5","lines":["Tracy Kabuya","Contributrice locale, Snowflake"],":type":"snowflake-site/components/title-v2"},":type":"snowflake-site/components/content-chip"}},":itemsOrder":["content_chip","content_chip_copy"],"appliedCssClassNames":"snowflake-responsive-container-inner-padding-small"}},":itemsOrder":["text_463561420","title_v2","text","container"],"appliedCssClassNames":"snowflake-responsive-container-inner-padding-extra-small"},"flexible_column_content_container_2":{"additionalClasses":"hub-hero__video-column","layout":"SIMPLE","id":"container-f2d8667e59",":type":"snowflake-site/components/flexible-column-container/flexible-column-content-container",":items":{"youtube":{"id":"embed-ca7574a857","youtubeVideoId":"YL-B7bck-sI","layout":"responsive","youtubeAspectRatio":"56.25","youtubeAutoPlay":false,"youtubeLoop":false,"youtubeMute":false,"youtubePlaysInline":false,"youtubeRel":false,"embeddableResourceType":"core/wcm/components/embed/v1/embed/embeddable/youtube","type":"EMBEDDABLE",":type":"snowflake-site/components/youtube"}},":itemsOrder":["youtube"]},":type":"snowflake-site/components/flexible-column-container","isBlogPage":false,"isActiveTOC":false,"appliedCssClassNames":"snowflake-flexible-column-container-gray-10-bg"},"flexible_column_cont_1398138236":{"id":"flexible-column-container-5e6bbdd2fb","propertiesId":"hub-hero-related-topics","type":"1-column","alignColumns":"top","containerMaxWidth":"extra-large","topPadding":"extra-small","bottomPadding":"medium","spaceBetween":"small","reverseOnMobile":false,"carouselOnMobile":false,"propertiesCSSClasses":"page-section","backgroundImageOption":"none","flexible_column_content_container_1":{"additionalClasses":"related-topics-outer-container border-top","layout":"SIMPLE","id":"container-96e62cb644",":type":"snowflake-site/components/flexible-column-container/flexible-column-content-container",":items":{"text_894059747":{"id":"text-0923f089a9","additionalClasses":"seo-hub-hero__related-topic-label","text":"\u003Cp\u003ESujets liés à l’observabilité de l’IA :\u003C/p\u003E\n","richText":true,":type":"snowflake-site/components/text","appliedCssClassNames":"text-size-regular text-color-text-05"},"text":{"id":"text-1c1641caa4","additionalClasses":"related-topics ","text":"\u003Cul\u003E\n\u003Cli\u003E\u003Ca href=\"https://www.snowflake.com/en/artificial-intelligence/observability/model-monitoring/\"\u003ESupervision des modèles ML\u003C/a\u003E\u003C/li\u003E\n\u003C/ul\u003E\n","richText":true,":type":"snowflake-site/components/text","appliedCssClassNames":"text-size-small"}},":itemsOrder":["text_894059747","text"]},":type":"snowflake-site/components/flexible-column-container","isBlogPage":false,"isActiveTOC":false,"appliedCssClassNames":"snowflake-flexible-column-container-gray-10-bg"},"flexible_column_cont_663228916":{"id":"flexible-column-container-4095c8d41a","propertiesId":"hub-body","type":"2-column-60-40","alignColumns":"top","containerMaxWidth":"extra-large","topPadding":"medium","bottomPadding":"medium","spaceBetween":"small","reverseOnMobile":false,"carouselOnMobile":false,"propertiesCSSClasses":"page-section","backgroundImageOption":"none","flexible_column_content_container_1":{"additionalClasses":"longform-content","layout":"SIMPLE","id":"hub-body-content",":type":"snowflake-site/components/flexible-column-container/flexible-column-content-container",":items":{"callout__0":{"id":"text-899efaa478","additionalClasses":"callout callout--general","text":"\u003Cp\u003E\u003Cstrong\u003EDÉFINITION DE L’OBSERVABILITÉ DE L’IA\u003C/strong\u003E\u003C/p\u003E\n\u003Cp\u003EL'observabilité de l'IA est la pratique consistant à instrumenter, tracer et évaluer les systèmes d'IA afin que les équipes puissent comprendre comment les entrées, les données, les prompts, les modèles, les outils et la logique applicative façonnent chaque sortie en production.\u003C/p\u003E","richText":true,":type":"snowflake-site/components/text","appliedCssClassNames":"text-size-regular text-color-text-05"},"text__0":{"id":"text-c56bca7586","text":"\u003Cp\u003ELorsque l'\u003Ca href=\"https://www.snowflake.com/fr/artificial-intelligence/\"\u003Eintelligence artificielle\u003C/a\u003E influe sur le support client, l’analyse financière, les processus de conformité ou les décisions stratégiques, une mauvaise sortie représente un risque métier. Pourtant, la plupart des déploiements d'IA en entreprise offrent étonnamment peu de visibilité sur les raisons pour lesquelles un système a produit une réponse donnée ou sur la marche à suivre lorsque quelque chose ne va pas.\u003C/p\u003E\r\n\u003Cp\u003EL'observabilité de l'intelligence artificielle permet aux entreprises d'inspecter le comportement des systèmes d'IA une fois sortis du cadre contrôlé du prototype. À ce stade, les sorties dépendent non seulement du modèle lui-même, mais aussi des prompts, des politiques, des appels d'outils, de la latence et des données gouvernées disponibles au moment de la requête. L’observabilité aide les équipes à comprendre ce comportement et à répondre aux questions qui déterminent si l’on peut se fier à un système d’IA : Que fait réellement le système ? Pourquoi ? Pouvons-nous lui faire confiance ?\u003C/p\u003E\r\n\u003Cp\u003EL'observabilité transforme l'IA d'une boîte noire en un système pouvant être observé, mesuré, interrogé et gouverné en continu, à grande échelle. Pour les entreprises qui exploitent l’IA sur des données stratégiques, c’est le fondement même d’une IA d’entreprise digne de confiance.\u003C/p\u003E\r\n","richText":true,":type":"snowflake-site/components/text","appliedCssClassNames":"text-color-text-05"},"title_what-is-ai-observability":{"id":"title-v2-fb850321e6","additionalClasses":"anchor-title anchor-title--what-is-ai-observability","type":"heading2","lines":["Qu’est-ce que l’observabilité de l’IA ?"],":type":"snowflake-site/components/title-v2"},"text_what-is-ai-observability_0":{"id":"text-dc9bba6300","text":"\u003Cp\u003EL’observabilité de l’IA consiste à instrumenter, tracer et évaluer les systèmes d’IA afin que les équipes puissent comprendre leur comportement sur l’ensemble du parcours, de l’entrée à la sortie. Pour une application d’\u003Ca href=\"https://www.snowflake.com/en/fundamentals/generative-ai/\"\u003EIA générative\u003C/a\u003E, ce chemin peut inclure le prompt de l'utilisateur, les documents récupérés, la réponse du modèle, les appels d'outils, les étapes de raisonnement intermédiaires, la latence, l'utilisation des tokens, le coût et les scores d'évaluation. Pour un \u003Ca href=\"https://www.snowflake.com/en/artificial-intelligence/agents/\"\u003Esystème agentique\u003C/a\u003E, il peut également inclure la séquence d’actions de l’agent, les outils qu’il a sélectionnés et les données auxquelles il a accédé en cours de route.\u003C/p\u003E\r\n\u003Cp\u003EL’observabilité de l’IA repose généralement sur quatre piliers :\u003C/p\u003E\r\n\u003Cp\u003E\u003Cb\u003E\u003Ca href=\"https://www.snowflake.com/fr/artificial-intelligence/ai-governance/ai-transparency/\"\u003ETransparence\u003C/a\u003E\u003Cb\u003E :\u003C/b\u003E \u003C/b\u003ELes équipes ont besoin de visibilité sur le comportement du système d’IA pour comprendre comment les prompts, le contexte récupéré, les réponses du modèle, les appels d’outils et la logique applicative interagissent au sein du flux de travail. Cette visibilité permet d’identifier l’origine d’un problème et de déterminer les mesures à prendre pour le résoudre.\u003C/p\u003E\r\n\u003Cp\u003E\u003Cb\u003EMesurabilité :\u003C/b\u003E Les entreprises ont besoin d'une méthode homogène pour évaluer si les sorties de l'IA sont précises, pertinentes, fondées, sûres, en temps opportun et rentables pour le processus qu'elles soutiennent. La mesurabilité permet aux équipes de comparer les prompts, les modèles, les stratégies de récupération et les configurations en se basant sur des faits plutôt que sur des suppositions.\u003C/p\u003E\r\n\u003Cp\u003E\u003Cb\u003EGouvernabilité :\u003C/b\u003E Les systèmes d’IA doivent fonctionner dans le respect des contrôles de l’entreprise. Cela implique de respecter les politiques d’accès, d’utiliser des sources de données approuvées, d’enregistrer les évaluations et de conserver suffisamment de traces pour enquêter sur les défaillances. À mesure que l’IA s’intègre à des processus réglementés et touche à des données sensibles, l’observabilité doit faire partie intégrante de la gouvernance, plutôt que d’être traitée comme un sujet d’ingénierie distinct.\u003C/p\u003E\r\n\u003Cp\u003E\u003Cb\u003EExplicabilité :\u003C/b\u003E Les utilisateurs métier, les auditeurs, les développeurs et les dirigeants doivent comprendre comment un résultat a été généré avant de pouvoir lui faire confiance. L’explicabilité ne nécessite pas d’exposer chaque détail interne d’un modèle. Elle impose en revanche de présenter les entrées, le contexte, le cheminement de décision et les preuves d’évaluation qui permettent à une équipe d’enquêter, de corriger et d’améliorer le système.\u003C/p\u003E\r\n","richText":true,":type":"snowflake-site/components/text","appliedCssClassNames":"text-color-text-05"},"card_v2_what-is-ai-observability_0":{"id":"card-v2-e5c726bc75","additionalClasses":"seo-customer","configurationStatus":{"configured":true,"message":""},":type":"snowflake-site/components/card-v2","text":{"id":"text","text":"\u003Cp\u003ETS Imagine utilise Snowflake et Snowflake Cortex AI pour unifier les données, les équipes et les technologies auprès de plus de 500 clients dans les services financiers, tout en faisant évoluer les cas d'usage d'IA générative à l'échelle de l'entreprise. Grâce à des processus fondés sur le RAG et à Streamlit in Snowflake, TS Imagine a automatisé la supervision manuelle des e-mails, accéléré le triage du support client et la découverte de connaissances, réduit les coûts d'IA de 30 % par rapport aux API LLM externes et économisé 4 000 heures d'effort manuel par an.\u003C/p\u003E\r\n","richText":true,":type":"snowflake-site/components/text"},"layoutStyle":"horizontal","title":{"id":"title","type":"heading4","lines":["TÉMOIGNAGE CLIENT : TS Imagine"],":type":"snowflake-site/components/title-v2"},"button":{"id":"button","showOutboundIcon":false,"linkTargetContentType":"GENERIC",":type":"snowflake-site/components/button","linkType":"SNOWFLAKE_INTERNAL","text":"Lire l’étude de cas complète"},"image":{"id":"image","height":"351","src":"https://www.snowflake.com/adobe/dynamicmedia/deliver/dm-aid--3b812ed0-848d-4714-96e8-ce82ea5f8ebb/ts-imagine%25403x.png?preferwebp=true&quality=85","lazyEnabled":true,"alt":"TSImagine Logo","width":"624",":type":"snowflake-site/components/image"},"type":"content-card"},"title_ai-observability-vs-ml-monitoring-vs-model-monitoring":{"id":"title-v2-f5bf5c732d","additionalClasses":"anchor-title anchor-title--ai-observability-vs-ml-monitoring-vs-model-monitoring","type":"heading2","lines":["Observabilité de l’IA vs supervision du ML vs supervision des modèles"],":type":"snowflake-site/components/title-v2"},"text_ai-observability-vs-ml-monitoring-vs-model-monitoring_0":{"id":"text-b143aedbb8","text":"\u003Cp\u003EL’observabilité de l’IA présente des points communs avec la supervision des modèles et la supervision du ML, mais son périmètre est plus large.\u003C/p\u003E\n\u003Cul\u003E\n\u003Cli\u003E\u003Cstrong\u003ELa supervision des modèles se concentre sur un modèle déployé :\u003C/strong\u003E Les équipes vérifient si les prédictions du modèle restent précises, si les données d’entrée ont dérivé, si la latence évolue et si le modèle respecte toujours les objectifs de niveau de service attendus. C’est le cœur de la supervision pour de nombreux systèmes de \u003Ca href=\"https://www.snowflake.com/fr/artificial-intelligence/machine-learning/\"\u003Emachine learning\u003C/a\u003E (ML) supervisés, en particulier ceux disposant d’une vérité  terrain claire, comme la détection des fraudes, la prévision de l’attrition ou la prévision de la demande.\u003C/li\u003E\n\u003Cli\u003E\u003Cstrong\u003ELa supervision du ML élargit cette vision à l’ensemble du pipeline :\u003C/strong\u003E Un modèle peut se dégrader parce que les caractéristiques arrivent avec retard, les étiquettes sont différées, des modifications de schéma brisent une transformation ou un traitement par lots introduit des valeurs manquantes. La supervision du ML suit le chemin opérationnel autour du modèle, notamment la qualité des données, la fraîcheur des caractéristiques, l'état de santé du pipeline et le comportement des prédictions.\u003C/li\u003E\n\u003Cli\u003E\u003Cstrong\u003EL’observabilité de l’IA couvre l’ensemble du système d’IA :\u003C/strong\u003E Dans une application de \u003Ca href=\"https://www.snowflake.com/fr/fundamentals/large-language-model/\"\u003Egrand modèle de langage\u003C/a\u003E (LLM), le modèle n’est qu’un composant au sein d’une chaîne plus vaste. Une \u003Ca href=\"https://www.snowflake.com/fr/fundamentals/rag/\"\u003Eapplication RAG\u003C/a\u003E peut récupérer cinq documents, en transmettre trois dans le prompt, appeler un LLM, appliquer un garde-fou et enregistrer la réponse dans un processus. Un agent peut planifier une tâche, appeler un outil de recherche, interroger une table, synthétiser les résultats, appeler un autre outil, puis formuler une recommandation. L'observabilité doit capturer la trace, et pas seulement la réponse finale.\u003C/li\u003E\n\u003C/ul\u003E\n\u003Cp\u003E\u003Cem\u003ELisez notre \u003Ca href=\"https://www.snowflake.com/en/artificial-intelligence/machine-learning/mlops/\"\u003Eguide sur les MLOps\u003C/a\u003E pour découvrir comment les équipes opérationnalisent le cycle de vie du machine learning, du développement et du déploiement des modèles à leur supervision et leur gestion en production.\u003C/em\u003E\u003C/p\u003E","richText":true,":type":"snowflake-site/components/text","appliedCssClassNames":"text-color-text-05"},"title_the-three-pillars-of-observability":{"id":"title-v2-bbc5989dd4","additionalClasses":"anchor-title anchor-title--the-three-pillars-of-observability","type":"heading2","lines":["Les trois piliers de l’observabilité : journaux, métriques, traces"],":type":"snowflake-site/components/title-v2"},"text_the-three-pillars-of-observability_0":{"id":"text-8a4e29bf07","text":"\u003Cp\u003ELes piliers classiques de l’observabilité sont les journaux, les métriques et les traces. Ils s’appliquent toujours aux systèmes d’IA, mais les objets observés sont différents. Au lieu de se limiter aux erreurs de service, à l'utilisation du processeur ou à la latence des API, les équipes doivent également inspecter les prompts, les documents récupérés, les réponses du modèle, le comportement des embeddings, l'utilisation des tokens, les appels d'outils, les scores de factualité (groundedness) et les retours des utilisateurs.\u003C/p\u003E\r\n\u003Ch3\u003EJournaux\u003C/h3\u003E\r\n\u003Cp\u003EAu niveau des événements, les journaux peuvent capturer le template de prompt, la requête de l'utilisateur, le nom du modèle, les métadonnées de réponse, la requête de récupération, les documents sélectionnés, les appels d'outils, les décisions de politique, les messages d'erreur et les retours. Dans un cadre d’entreprise, ces enregistrements nécessitent leur propre gouvernance. Les prompts et les réponses peuvent contenir des données propriétaires, des informations réglementées ou un contexte métier interne. La conservation, le masquage et les dispositifs de contrôle d'accès basés sur les rôles doivent donc faire partie de la conception.\u003C/p\u003E\r\n\u003Cp\u003EUn journal d’événements utile fournit à l’équipe suffisamment de détails pour mener une enquête, sans pour autant transformer l’observabilité en une nouvelle source de données sensibles non gérées. Pour certains processus, cela peut consister à stocker des métadonnées par défaut et à n'autoriser qu'un accès limité au contenu complet des prompts et des réponses lors d'enquêtes approuvées.\u003C/p\u003E\r\n\u003Ch3\u003EMétriques\u003C/h3\u003E\r\n\u003Cp\u003EAu fil du temps, les métriques permettent de vérifier si le système reste stable. La latence, le débit, le taux d'erreur, le volume de requêtes, l'utilisation des tokens et le coût par requête capturent le versant opérationnel. La factualité (groundedness), la pertinence des réponses, la pertinence du contexte, l'exactitude factuelle, le taux de refus, la toxicité, l'exhaustivité et la cohérence capturent davantage le versant qualité de l'IA.\u003C/p\u003E\r\n\u003Cp\u003EDans les processus ML, la dérive des données, la dérive des prédictions et la dérive de concept aident les équipes à déterminer si le modèle opère toujours dans des conditions connues. L'indice de stabilité des populations (PSI), l'attribution des caractéristiques et les valeurs SHAP peuvent étayer cette analyse lorsqu'un modèle dépend de caractéristiques structurées et de résultats connus. Pour l'IA générative, dont les sorties sont basées sur le langage et souvent évaluées par rapport au contexte plutôt qu'à une étiquette unique, les métriques d'évaluation peuvent devoir mesurer dans quelle mesure une réponse exploite les informations récupérées ou satisfait une grille d'évaluation propre à la tâche.\u003C/p\u003E\r\n\u003Ch3\u003ETraces\u003C/h3\u003E\r\n\u003Cp\u003EAu sein d’une même requête, une trace suit le système d’une étape à l’autre. Dans un chatbot de base, cela peut se limiter au prompt, à l’appel du modèle et à la réponse. Dans une application RAG, la trace peut inclure la question initiale, la requête de récupération, les fragments classés, l’assemblage du prompt, l’appel d’inférence, les résultats d’évaluation et la réponse finale. Dans un processus agentique, les étapes peuvent couvrir la planification, la sélection des outils, les réponses des outils, les tentatives de correction et les résultats intermédiaires.\u003C/p\u003E\r\n\u003Cp\u003ELa valeur de la trace réside dans le fait qu’elle préserve la séquence des événements. Si une réponse cite la mauvaise politique, l'équipe peut déterminer si le mauvais document a été récupéré, si le bon document a été récupéré mais ignoré, ou si le modèle a généré un texte non étayé malgré la réception du bon contexte. Si un agent met 45 secondes à répondre à une question simple, la trace peut révéler si ce temps a été consacré à l’inférence du modèle, à un outil lent, à des récupérations répétées ou à une boucle dans la planification de l’agent.\u003C/p\u003E\r\n\u003Cp\u003E\u003Ci\u003ERegardez Anahita Tafvizi, Chief Data & Analytics Officer chez Snowflake, décrypter l’architecture d’une IA générative de confiance :\u003C/i\u003E\u003C/p\u003E\r\n","richText":true,":type":"snowflake-site/components/text","appliedCssClassNames":"text-color-text-05"},"yt_the-three-pillars-of-observability_0":{"id":"embed-a9624648b2","youtubeVideoId":"gA-R_MgZQAk","layout":"responsive","youtubeAspectRatio":"56.25","youtubeAutoPlay":false,"youtubeLoop":false,"youtubeMute":false,"youtubePlaysInline":false,"youtubeRel":false,"embeddableResourceType":"core/wcm/components/embed/v1/embed/embeddable/youtube","type":"EMBEDDABLE",":type":"snowflake-site/components/youtube"},"title_identifying-ai-drift":{"id":"title-v2-7d3b10e2c4","additionalClasses":"anchor-title anchor-title--identifying-ai-drift","type":"heading2","lines":["Identifier la dérive de l’IA"],":type":"snowflake-site/components/title-v2"},"text_identifying-ai-drift_0":{"id":"text-7308651d92","text":"\u003Cp\u003EÀ mesure que les systèmes d'IA combinent des données structurées, des documents non structurés, des embeddings et un contexte d'exécution, la dérive peut apparaître à plusieurs endroits.\u003C/p\u003E\r\n\u003Cul\u003E\r\n\u003Cli\u003E\u003Cb\u003EDérive des données :\u003C/b\u003E Les données d’entrée évoluent au fil du temps. Un classificateur de support client entraîné sur les tickets de l'année dernière peut être confronté à de nouvelles catégories de produits, une nouvelle terminologie ou de nouvelles régularités d'escalade.\u003C/li\u003E\r\n\u003Cli\u003E\u003Cb\u003EDérive de concept :\u003C/b\u003E La relation entre les entrées et les résultats change. Un modèle de détection des fraudes peut apprendre à partir d'une certaine régularité d'abus, puis faire face à une nouvelle tactique qui rend les corrélations passées moins fiables.\u003C/li\u003E\r\n\u003Cli\u003E\u003Cb\u003EDérive de prédiction :\u003C/b\u003E La distribution des sorties change. Par exemple, un modèle qui classait auparavant 10 % des cas comme présentant un risque élevé classe désormais 35 %, même si l’entreprise ne s’attendait pas à un tel changement.\u003C/li\u003E\r\n\u003Cli\u003E\u003Cb\u003EDérive des embeddings :\u003C/b\u003E Les représentations vectorielles changent à mesure que les données, les modèles ou les stratégies d’embedding évoluent. Dans un système RAG, cela peut affecter les documents récupérés et la similarité perçue entre deux contenus.\u003C/li\u003E\r\n\u003Cli\u003E\u003Cb\u003EDérive de la qualité des données :\u003C/b\u003E Des valeurs manquantes, des mises à jour retardées, des modifications de schéma et des enregistrements en double affectent les données utilisées par le système, même lorsque le modèle lui-même n'a pas changé.\u003C/li\u003E\r\n\u003Cli\u003E\u003Ca href=\"https://www.snowflake.com/en/artificial-intelligence/ai-governance/ai-fairness/\"\u003E\u003Cb\u003EDérive d’équité\u003C/b\u003E\u003C/a\u003E \u003Cb\u003Eet de biais :\u003C/b\u003E Le comportement du modèle peut varier selon les groupes d'utilisateurs, les régions, les gammes de produits ou les régularités linguistiques. L'observabilité aide les équipes à détecter si la qualité, le comportement de refus ou les taux d'erreur sont répartis de manière inégale.\u003C/li\u003E\r\n\u003C/ul\u003E\r\n","richText":true,":type":"snowflake-site/components/text","appliedCssClassNames":"text-color-text-05"},"callout_identifying-ai-drift_0":{"id":"text-5a589fb120","additionalClasses":"callout callout--warning","text":"\u003Cp\u003E\u003Cstrong\u003EPIÈGE COURANT\u003C/strong\u003E\u003C/p\u003E\n\u003Cp\u003ELa simple supervision ne suffit pas. Elle peut indiquer quand quelque chose a changé, mais l'observabilité fournit les journaux, les métriques, les traces et les évaluations nécessaires pour comprendre pourquoi cela a changé et comment y remédier.\u003C/p\u003E","richText":true,":type":"snowflake-site/components/text","appliedCssClassNames":"text-size-regular text-color-text-05"},"title_llm-and-agentic-ai-observability":{"id":"title-v2-e6989588c3","additionalClasses":"anchor-title anchor-title--llm-and-agentic-ai-observability","type":"heading2","lines":["Observabilité des LLM et des agents d’IA"],":type":"snowflake-site/components/title-v2"},"text_llm-and-agentic-ai-observability_0":{"id":"text-6a4e2c0db0","text":"\u003Cp\u003EL'observabilité des LLM porte sur le comportement des systèmes qui utilisent des grands modèles de langage, notamment les chatbots, les assistants documentaires, les processus de synthèse, les assistants de codage, les interfaces texte-vers-SQL et les applications RAG. Dans ces systèmes, la qualité ne dépend pas uniquement de la réponse du modèle. Les équipes doivent savoir si l'application a récupéré le bon contexte, assemblé le bon prompt, respecté les bons dispositifs de contrôle et produit une réponse utile, factuelle et gouvernée.\u003C/p\u003E\r\n\u003Ch3\u003ETracer le pipeline RAG\u003C/h3\u003E\r\n\u003Cp\u003EDans un pipeline RAG, la réponse est façonnée avant même que le modèle ne la génère. La requête peut être ambiguë, la couche de récupération peut renvoyer des documents non pertinents, ou le prompt peut inclure le bon document mais omettre l’instruction de le citer. Le modèle peut générer une réponse qui semble plausible mais qui n’est pas étayée par le contexte récupéré.\u003C/p\u003E\r\n\u003Cp\u003EUn score de factualité peut aider à signaler ce type d’erreur, mais la trace montre précisément où elle s’est introduite dans le système. En capturant la requête, les documents récupérés, les fragments classés, l’assemblage du prompt, la réponse du modèle et le résultat de l’évaluation, les équipes peuvent identifier si le problème provient de la récupération, de la sélection du contexte, de la conception du prompt ou du comportement du modèle.\u003C/p\u003E\r\n\u003Ch3\u003ESurveiller les prompts, les réponses, les coûts et la latence\u003C/h3\u003E\r\n\u003Cp\u003ELe traçage des prompts et des réponses offre aux développeurs un moyen d'inspecter le chemin de la requête. Les spans peuvent capturer la récupération, les appels de modèles, les appels d'outils et d'autres opérations au sein d'une seule trace, permettant ainsi aux équipes d'examiner chaque étape sans avoir à reconstruire le processus à partir de journaux distincts.\u003C/p\u003E\r\n\u003Cp\u003ELa supervision de l'utilisation des tokens aide les équipes à comprendre les coûts et les performances, en particulier lorsqu'une application envoie des prompts longs, récupère trop de contexte ou effectue des boucles d'appels d'outils répétés. Les métriques de latence indiquent si les réponses lentes proviennent de la récupération, de l'inférence, de l'orchestration ou d'un service externe. Ensemble, ces signaux aident les équipes à optimiser l'application sans traiter la qualité, la rapidité et le coût comme des problèmes distincts.\u003C/p\u003E\r\n\u003Ch3\u003ECapturer les étapes de l’agent et les appels d’outils\u003C/h3\u003E\r\n\u003Cp\u003EL'observabilité de l'IA agentique ajoute une couche supplémentaire, car les agents ne se contentent pas de répondre à un prompt. Un agent peut effectuer toute une série d'actions : appeler un outil de recherche, interroger une table structurée, ouvrir un document, synthétiser des résultats et décider de poser une question de suivi.\u003C/p\u003E\r\n\u003Cp\u003EL'observabilité doit capturer cette séquence pour que les équipes puissent vérifier si l'agent a sélectionné les bons outils, accédé aux bonnes données et su s'arrêter au bon moment. Sans cet enregistrement pas à pas, la réponse finale d'un agent peut sembler acceptable, même lorsque le processus sous-jacent était inefficace, non étayé ou en dehors des limites de politique prévues.\u003C/p\u003E\r\n\u003Ch3\u003EStandardiser la télémétrie de l’IA générative\u003C/h3\u003E\r\n\u003Cp\u003E\u003Ca rel=\"noopener noreferrer\" target=\"_blank\" href=\"https://opentelemetry.io/\"\u003EOpenTelemetry\u003C/a\u003E s’impose comme un standard incontournable pour l’observabilité des LLM et de l’IA agentique. Ses conventions sémantiques d'IA générative définissent comment les opérations d'IA générative peuvent être enregistrées, notamment les appels de modèles, les comptages de tokens et, lorsque les organisations l'activent, le contenu des prompts, les complétions, les appels d'outils et les résultats d'outils.\u003C/p\u003E\r\n\u003Cp\u003ELes applications d'IA s'étendant souvent sur plusieurs frameworks, modèles et couches d'infrastructure, un modèle de télémétrie commun est essentiel pour comparer le comportement entre les systèmes, réutiliser les pratiques d'instrumentation et éviter une pile d'observabilité fragmentée.\u003C/p\u003E\r\n","richText":true,":type":"snowflake-site/components/text","appliedCssClassNames":"text-color-text-05"},"title_how-to-implement-ai-observability":{"id":"title-v2-b560f73fb8","additionalClasses":"anchor-title anchor-title--how-to-implement-ai-observability","type":"heading2","lines":["Comment mettre en œuvre l’observabilité de l’IA"],":type":"snowflake-site/components/title-v2"},"text_how-to-implement-ai-observability_0":{"id":"text-2adf09494e","text":"\u003Cp\u003EAvant d'instrumenter une application d'IA, les équipes doivent définir ce que le système doit démontrer en production. Par exemple, un assistant de support client doit prouver que sa réponse provient bien des politiques actuelles, tandis qu’un assistant financier doit montrer quels tableaux, définitions de métriques et périodes de reporting ont structuré l’explication d’un écart.\u003C/p\u003E\r\n\u003Cp\u003ELes exigences du processus déterminent les données à capturer. Pour les processus à faible risque, des retours légers, des échantillons de traces et des contrôles de qualité de base peuvent suffire. Dans le cadre de processus réglementés ou stratégiques, l'application requiert généralement un traçage plus approfondi, des jeux de données d'évaluation plus stricts, des enregistrements soumis à un contrôle d'accès et des critères de validation clairs avant qu'un changement de prompt, de modèle ou de récupération ne soit déployé en production.\u003C/p\u003E\r\n\u003Ch3\u003EInstrumenter le chemin d’exécution avec la télémétrie\u003C/h3\u003E\r\n\u003Cp\u003EL’instrumentation permet de capturer les journaux, les métriques et les traces qui rendent le système observable. Pour les systèmes d’IA, cela consiste à instrumenter le parcours de l’application autour du modèle : prompts, récupération, appels d’outils, réponses du modèle, scores d’évaluation, latence, utilisation des tokens et retours des utilisateurs.\u003C/p\u003E\r\n\u003Cp\u003EPour un agent, cela inclut également la planification, les appels d'outils, les résultats intermédiaires, les nouvelles tentatives et les conditions d'arrêt.\u003C/p\u003E\r\n\u003Ch3\u003EÉtablir des références et des alertes\u003C/h3\u003E\r\n\u003Cp\u003EUne fois les traces et les métriques opérationnelles, les valeurs de référence fournissent aux équipes une plage normale pour la qualité et les performances, notamment pour la latence, le coût, la factualité, le taux de refus, la pertinence des réponses, les métriques de dérive et d'autres signaux. Ces références varient selon le processus. Elles doivent donc refléter la tâche en question plutôt qu’une norme générique.\u003C/p\u003E\r\n\u003Cp\u003ELes alertes doivent se concentrer sur les changements significatifs plutôt que sur la moindre variation. Une légère augmentation de l’utilisation des tokens après l’ajout d’un contexte plus riche est tout à fait prévisible, alors qu’une baisse soudaine de la pertinence par rapport au contexte après la modification d’un prompt mérite une analyse approfondie.\u003C/p\u003E\r\n\u003Ch3\u003ECréer des boucles de rétroaction\u003C/h3\u003E\r\n\u003Cp\u003EL’observabilité de l’IA doit servir à alimenter l’amélioration continue. Les résultats d’évaluation peuvent guider les modifications de prompts, le réglage de la récupération, le choix du modèle, l’ajustement des garde-fous et la correction de la qualité des données. Les retours des utilisateurs permettent d’identifier les lacunes dans les données de test. L’analyse des traces peut révéler si un agent répète des tâches, choisit le mauvais outil ou ne parvient pas à exploiter le contexte récupéré.\u003C/p\u003E\r\n\u003Cp\u003ECette boucle est particulièrement cruciale pour l’IA générative, car la qualité s’évalue souvent de manière comparative. Les équipes doivent savoir si un nouveau prompt, modèle, stratégie d'embeddings ou configuration d'inférence a amélioré l'application pour la tâche prévue. L'observabilité de l'IA de Snowflake prend en charge la comparaison côte à côte des évaluations entre les LLM, les prompts et les configurations d'inférence, ce qui aide les équipes à évaluer la qualité des réponses avant de promouvoir une configuration en production.\u003C/p\u003E\r\n\u003Ch3\u003EStandardiser partout où cela est possible\u003C/h3\u003E\r\n\u003Cp\u003EÀ mesure que les applications d’IA se généralisent au sein des équipes, l’observabilité peut rapidement se fragmenter. Une équipe peut enregistrer les prompts dans la base de données d’une application, une autre suivre les coûts sur un tableau de bord, et une troisième conserver les résultats d’évaluation dans des notebooks. La standardisation de la télémétrie, des jeux de données d'évaluation, des métriques et des formats de traces aide l'organisation à comparer les systèmes et à réutiliser les pratiques opérationnelles.\u003C/p\u003E\r\n\u003Cp\u003EOpenTelemetry peut s'avérer utile pour la couche de télémétrie, tandis que les plateformes de données gouvernées facilitent la gestion des données d'évaluation, des dispositifs de contrôle d'accès, des enregistrements de supervision et du stockage des traces. L’objectif n’est pas d’imposer une architecture unique à toutes les applications d’IA, mais de veiller à ce que chaque système d’IA en production fournisse suffisamment d’éléments pour que les équipes puissent l’évaluer et l’améliorer.\u003C/p\u003E\r\n","richText":true,":type":"snowflake-site/components/text","appliedCssClassNames":"text-color-text-05"},"callout_how-to-implement-ai-observability_0":{"id":"text-fc43768ce2","additionalClasses":"callout callout--tip","text":"\u003Cp\u003E\u003Cstrong\u003EASTUCE\u003C/strong\u003E\u003C/p\u003E\n\u003Cp\u003EInstrumentez le parcours d'exécution complet très tôt (prompts, récupération, appels d'outils, réponses des modèles, scores d'évaluation, latence, utilisation des tokens et retours) afin que les équipes disposent des preuves nécessaires pour diagnostiquer, comparer les configurations et gouverner l'IA en production.\u003C/p\u003E","richText":true,":type":"snowflake-site/components/text","appliedCssClassNames":"text-size-regular text-color-text-05"},"title_why-ai-observability-on-snowflake":{"id":"title-v2-0e2cd568e4","additionalClasses":"anchor-title anchor-title--why-ai-observability-on-snowflake","type":"heading2","lines":["Pourquoi choisir Snowflake pour l’observabilité de l’IA"],":type":"snowflake-site/components/title-v2"},"text_why-ai-observability-on-snowflake_0":{"id":"text-e9b0993cf0","text":"\u003Cp\u003EPour l’IA d’entreprise, les données utilisées pour générer une réponse et les éléments requis pour évaluer cette même réponse doivent rester étroitement liés. Lorsque les données sources, les prompts, les traces, les évaluations et les politiques d’accès sont dispersés dans des systèmes déconnectés, chaque analyse commence par un travail de reconstruction : quelle version était active, quel contexte a été récupéré, quelle politique s’appliquait et quelle configuration a été modifiée.\u003C/p\u003E\n\u003Cp\u003EAu sein de l’AI Data Cloud de Snowflake, \u003Ca href=\"https://www.snowflake.com/fr/product/features/cortex/\"\u003ESnowflake Cortex AI\u003C/a\u003E permet aux équipes d’accéder à des capacités d’IA générative sur des données d’entreprise gouvernées, tandis que la solution d’observabilité de l’IA de Snowflake assure l’évaluation systématique, la comparaison et la traçabilité des applications d’IA générative et des agents.\u003C/p\u003E","richText":true,":type":"snowflake-site/components/text","appliedCssClassNames":"text-color-text-05"},"title_building-trust-through-observable-ai":{"id":"title-v2-0a0ec84de7","additionalClasses":"anchor-title anchor-title--building-trust-through-observable-ai","type":"heading2","lines":["Bâtir la confiance grâce à une IA observable"],":type":"snowflake-site/components/title-v2"},"text_building-trust-through-observable-ai_0":{"id":"text-631b8b8107","text":"\u003Cp\u003EÀ mesure que les systèmes d’IA s’intègrent dans les processus métier, la confiance reposera sur la capacité de l’entreprise à inspecter le cheminement qui mène à chaque résultat. Une trace, un score d’évaluation, un document récupéré et une configuration de modèle ne sont pas de simples détails techniques a posteriori.  Ce sont les enregistrements qui permettent aux équipes d'améliorer les systèmes d'IA sans perdre le contrôle des données, des politiques et des processus sur lesquels ils reposent.\u003C/p\u003E","richText":true,":type":"snowflake-site/components/text","appliedCssClassNames":"text-color-text-05"},"callout_building-trust-through-observable-ai_0":{"id":"text-abdf298591","additionalClasses":"callout callout--general","text":"\u003Cp\u003E\u003Cstrong\u003EÀ RETENIR\u003C/strong\u003E\u003C/p\u003E\n\u003Cp\u003EL'observabilité de l'IA offre aux équipes la visibilité dont elles ont besoin pour faire confiance à l'IA en production en traçant la façon dont les prompts, les données, le contexte récupéré, les modèles, les appels d'outils et la logique applicative façonnent chaque sortie.\u003C/p\u003E","richText":true,":type":"snowflake-site/components/text","appliedCssClassNames":"text-size-regular text-color-text-05"}},":itemsOrder":["callout__0","text__0","title_what-is-ai-observability","text_what-is-ai-observability_0","card_v2_what-is-ai-observability_0","title_ai-observability-vs-ml-monitoring-vs-model-monitoring","text_ai-observability-vs-ml-monitoring-vs-model-monitoring_0","title_the-three-pillars-of-observability","text_the-three-pillars-of-observability_0","yt_the-three-pillars-of-observability_0","title_identifying-ai-drift","text_identifying-ai-drift_0","callout_identifying-ai-drift_0","title_llm-and-agentic-ai-observability","text_llm-and-agentic-ai-observability_0","title_how-to-implement-ai-observability","text_how-to-implement-ai-observability_0","callout_how-to-implement-ai-observability_0","title_why-ai-observability-on-snowflake","text_why-ai-observability-on-snowflake_0","title_building-trust-through-observable-ai","text_building-trust-through-observable-ai_0","callout_building-trust-through-observable-ai_0"],"appliedCssClassNames":"snowflake-responsive-container-inner-padding-medium"},"flexible_column_content_container_2":{"additionalClasses":"hub-sidebar","layout":"SIMPLE","id":"hub-body-aside",":type":"snowflake-site/components/flexible-column-container/flexible-column-content-container",":items":{"container":{"additionalClasses":"sticky-sidebar","layout":"RESPONSIVE_GRID","columnCount":12,"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-630116f36b",":type":"snowflake-site/components/container",":items":{"text_943981956_copy_":{"id":"text-957da57f0a","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-0ef9d987aa","additionalClasses":"page-toc","text":"\u003Cul\u003E\r\n\u003Cli data-anchor=\"what-is-ai-observability\"\u003EQu’est-ce que l’observabilité de l’IA ?\u003C/li\u003E\r\n\u003Cli data-anchor=\"ai-observability-vs-ml-monitoring-vs-model-monitoring\"\u003EObservabilité de l’IA vs supervision du ML vs supervision des modèles\u003C/li\u003E\r\n\u003Cli data-anchor=\"the-three-pillars-of-observability\"\u003ELes trois piliers de l’observabilité : journaux, métriques, traces\u003C/li\u003E\r\n\u003Cli data-anchor=\"identifying-ai-drift\"\u003EIdentifier la dérive de l’IA\u003C/li\u003E\r\n\u003Cli data-anchor=\"llm-and-agentic-ai-observability\"\u003EObservabilité des LLM et des agents d’IA\u003C/li\u003E\r\n\u003Cli data-anchor=\"how-to-implement-ai-observability\"\u003EComment mettre en œuvre l’observabilité de l’IA\u003C/li\u003E\r\n\u003Cli data-anchor=\"why-ai-observability-on-snowflake\"\u003EPourquoi choisir Snowflake pour l’observabilité de l’IA\u003C/li\u003E\r\n\u003Cli data-anchor=\"building-trust-through-observable-ai\"\u003EBâtir la confiance grâce à une IA observable\u003C/li\u003E\r\n\u003C/ul\u003E\r\n","richText":true,":type":"snowflake-site/components/text","appliedCssClassNames":"text-size-small text-color-text-05"}},":itemsOrder":["text_943981956_copy_","text_copy"],"appliedCssClassNames":"snowflake-responsive-container-inner-padding-medium"}},":itemsOrder":["container"],"appliedCssClassNames":"snowflake-responsive-container-inner-padding-small"},":type":"snowflake-site/components/flexible-column-container","isBlogPage":false,"isActiveTOC":false},"flexible_column_cont_1786318617":{"id":"flexible-column-container-791329dc98","propertiesId":"hub-faq","type":"2-column-40-60","alignColumns":"top","containerMaxWidth":"extra-large","topPadding":"large","bottomPadding":"large","spaceBetween":"small","reverseOnMobile":false,"carouselOnMobile":false,"backgroundImageOption":"none","flexible_column_content_container_1":{"layout":"SIMPLE","id":"hub-faq-intro",":type":"snowflake-site/components/flexible-column-container/flexible-column-content-container",":items":{"title_v2_copy":{"id":"title-v2-ec99f96ed4","additionalClasses":"hub-faq__headline","type":"heading2","lines":["Foire aux questions"],":type":"snowflake-site/components/title-v2","appliedCssClassNames":"left-alignment"},"text_copy":{"id":"text-d497511b90","additionalClasses":"hub-faq__subheadline","text":"\u003Cp\u003ELes réponses des experts Snowflake à vos questions fréquentes sur la confidentialité des données.\u003C/p\u003E\n","richText":true,":type":"snowflake-site/components/text","appliedCssClassNames":"text-color-text-05"}},":itemsOrder":["title_v2_copy","text_copy"],"appliedCssClassNames":"snowflake-responsive-container-inner-padding-extra-small"},"flexible_column_content_container_2":{"layout":"SIMPLE","id":"hub-faq-accordions",":type":"snowflake-site/components/flexible-column-container/flexible-column-content-container",":items":{"simple_snowflake_acc":{"id":"simple-snowflake-accordion-b8616c2d24","additionalClasses":"seo-hub__faqs","showDivider":false,"accordionItemsList":[{"title":"Quelle est la différence entre l’observabilité de l’IA et la supervision ?","richText":"\u003Cp\u003ELa supervision indique quand un système franchit un seuil, comme un signal de dérive, un pic de latence, un coût plus élevé ou un score de qualité inférieur. L'observabilité de l'IA capture les traces, les journaux, les métriques et les évaluations qui aident les équipes à analyser l'origine de ce changement. Cela inclut le prompt, le contexte récupéré, la réponse du modèle, les appels d'outils et les détails de configuration à l'origine de la sortie.\u003C/p\u003E"},{"title":"Quels sont les trois piliers de l’observabilité de l’IA ?","richText":"\u003Cp\u003ECes trois piliers sont les journaux, les métriques et les traces. Dans les systèmes d’IA, les journaux capturent des événements tels que les prompts, les requêtes de récupération, les appels d’outils et les erreurs. Les métriques suivent des comportements tels que la factualité, la pertinence, la latence, l’utilisation des tokens, le coût et la dérive. Les traces montrent le chemin d’exécution de la requête à la réponse, y compris la récupération, la construction du prompt, l’inférence du modèle et l’utilisation d’outils.\u003C/p\u003E"},{"title":"Qu’est-ce que l’observabilité des LLM ?","richText":"\u003Cp\u003EL'observabilité des LLM porte sur les applications qui utilisent des grands modèles de langage. Elle capture les prompts, les réponses, le contexte récupéré, les appels d'outils, les signaux d'hallucination ou de factualité (groundedness), l'utilisation des tokens, la latence et le coût, afin que les équipes puissent évaluer la qualité et analyser les défaillances dans les processus en production.\u003C/p\u003E"},{"title":"Comment l’observabilité de l’IA détecte-t-elle la dérive des modèles ?","richText":"\u003Cp\u003EL'observabilité de l'IA détecte la dérive en suivant l'évolution des entrées, des sorties, des embeddings, des prédictions et des performances au fil du temps. La dérive des données, la dérive de concept, la dérive de prédiction et la dérive des embeddings peuvent avoir différentes causes. Les traces et les résultats d’évaluation aident les équipes à déterminer si le problème provient du modèle, des données sources, de la couche de récupération, de la logique applicative ou du comportement de l’utilisateur.\u003C/p\u003E"}],":type":"snowflake-site/components/simple-snowflake-accordion"}},":itemsOrder":["simple_snowflake_acc"]},":type":"snowflake-site/components/flexible-column-container","isBlogPage":false,"isActiveTOC":false,"appliedCssClassNames":"snowflake-flexible-column-container-gray-10-bg"},"flexible_column_cont_1467213961":{"id":"flexible-column-container-ee3e573a05","propertiesId":"hub-explore-resources-header","type":"1-column","alignColumns":"top","containerMaxWidth":"extra-large","topPadding":"large","bottomPadding":"none","spaceBetween":"small","reverseOnMobile":false,"carouselOnMobile":false,"backgroundImageOption":"none","flexible_column_content_container_1":{"layout":"SIMPLE","id":"container-1525409e3b",":type":"snowflake-site/components/flexible-column-container/flexible-column-content-container",":items":{"title_v2":{"id":"title-v2-3596e75f90","additionalClasses":"hub-explore-resources-header__headline","type":"heading2","lines":["Explorez les ressources sur l’IA"],":type":"snowflake-site/components/title-v2","appliedCssClassNames":"left-alignment"}},":itemsOrder":["title_v2"]},":type":"snowflake-site/components/flexible-column-container","isBlogPage":false,"isActiveTOC":false,"appliedCssClassNames":"snowflake-flexible-column-container-gray-10-bg"},"flexible_column_cont_912630531":{"id":"flexible-column-container-bda6df27ef","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":{"layout":"SIMPLE","id":"hub-explore-resources-grid-inner",":type":"snowflake-site/components/flexible-column-container/flexible-column-content-container",":items":{"resource_chip_0":{"id":"content-chip-bc5de8376b","tagText":"BLOG","tagColor":"#29B5E8","cta":{"id":"cta","showOutboundIcon":false,"buttonLink":{"valid":true,"url":"https://www.snowflake.com/en/blog/observe-by-snowflake-ai-observability-at-scale/"},"linkTargetContentType":"GENERIC",":type":"snowflake-site/components/button","linkType":"SNOWFLAKE_EXTERNAL","text":"Lire la suite"},"headline":{"id":"title","type":"heading5","lines":["Observe by Snowflake : quand l’observabilité rencontre l’AI Data Cloud"],":type":"snowflake-site/components/title-v2"},":type":"snowflake-site/components/content-chip","appliedCssClassNames":"snowflake-content-chip-white-bg"},"resource_chip_1":{"id":"content-chip-3727715cbb","tagText":"GUIDE","tagColor":"#AAE5EA","cta":{"id":"cta","showOutboundIcon":false,"buttonLink":{"valid":true,"url":"https://www.snowflake.com/en/developers/guides/getting-started-with-ai-observability/"},"linkTargetContentType":"GENERIC",":type":"snowflake-site/components/button","linkType":"SNOWFLAKE_EXTERNAL","text":"Lire la suite"},"headline":{"id":"title","type":"heading5","lines":["Premiers pas avec l’observabilité de l’IA"],":type":"snowflake-site/components/title-v2"},":type":"snowflake-site/components/content-chip","appliedCssClassNames":"snowflake-content-chip-white-bg"},"resource_chip_2":{"id":"content-chip-c3b3213824","tagText":"BLOG","tagColor":"#29B5E8","cta":{"id":"cta","showOutboundIcon":false,"buttonLink":{"valid":true,"url":"https://www.snowflake.com/en/blog/ai-observability-trust-cortex-enterprise/"},"linkTargetContentType":"GENERIC",":type":"snowflake-site/components/button","linkType":"SNOWFLAKE_EXTERNAL","text":"Lire la suite"},"headline":{"id":"title","type":"heading5","lines":["Instaurer la confiance dans l'IA d'entreprise grâce à l'observabilité de l'IA et aux évaluations dans Snowflake Cortex AI"],":type":"snowflake-site/components/title-v2"},":type":"snowflake-site/components/content-chip","appliedCssClassNames":"snowflake-content-chip-white-bg"},"resource_chip_3":{"id":"content-chip-aa89c26f57","tagText":"BLOG","tagColor":"#29B5E8","cta":{"id":"cta","showOutboundIcon":false,"buttonLink":{"valid":true,"url":"https://www.snowflake.com/fr/blog/agentic-ai-ready-enterprise-data/"},"linkTargetContentType":"GENERIC",":type":"snowflake-site/components/button","linkType":"SNOWFLAKE_EXTERNAL","text":"Lire la suite"},"headline":{"id":"title","type":"heading5","lines":["Démocratiser l’IA d’entreprise : les nouvelles fonctionnalités d’IA de Snowflake accélèrent et simplifient encore l’innovation data-driven"],":type":"snowflake-site/components/title-v2"},":type":"snowflake-site/components/content-chip","appliedCssClassNames":"snowflake-content-chip-white-bg"}},":itemsOrder":["resource_chip_0","resource_chip_1","resource_chip_2","resource_chip_3"]},":type":"snowflake-site/components/flexible-column-container","isBlogPage":false,"isActiveTOC":false,"appliedCssClassNames":"snowflake-flexible-column-container-gray-10-bg"},"flexible_column_cont_1158003461":{"id":"flexible-column-container-5b3bb2169a","propertiesId":"hub-explore-topics-header","type":"1-column","alignColumns":"top","containerMaxWidth":"extra-large","topPadding":"large","bottomPadding":"none","spaceBetween":"small","reverseOnMobile":false,"carouselOnMobile":false,"backgroundImageOption":"none","flexible_column_content_container_1":{"layout":"SIMPLE","id":"container-399de87d54",":type":"snowflake-site/components/flexible-column-container/flexible-column-content-container",":items":{"title_v2_copy_copy":{"id":"title-v2-0cd02b5581","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-dc678a47d6","additionalClasses":"hub-explore-topics-header__subheadline","text":"\u003Cp\u003EUne analyse approfondie de chaque aspect de l’intelligence artificielle\u003C/p\u003E\n","richText":true,":type":"snowflake-site/components/text","appliedCssClassNames":"text-color-text-05"}},":itemsOrder":["title_v2_copy_copy","text_copy_copy"],"appliedCssClassNames":"snowflake-responsive-container-inner-padding-extra-small"},":type":"snowflake-site/components/flexible-column-container","isBlogPage":false,"isActiveTOC":false,"appliedCssClassNames":"snowflake-flexible-column-container-white-bg"},"flexible_column_cont_1377146023":{"id":"flexible-column-container-49bf7b8592","propertiesId":"hub-explore-topics-grid","type":"3-column-even","alignColumns":"top","containerMaxWidth":"extra-large","topPadding":"small","bottomPadding":"large","spaceBetween":"small","reverseOnMobile":false,"carouselOnMobile":false,"backgroundImageOption":"none","flexible_column_content_container_1":{"layout":"SIMPLE","id":"container-ee46f78e55",":type":"snowflake-site/components/flexible-column-container/flexible-column-content-container",":items":{"topic_card_0":{"id":"card-v2-3f1c8314be","configurationStatus":{"configured":true,"message":""},":type":"snowflake-site/components/card-v2","text":{"id":"text","text":"\u003Cp\u003EFrameworks, politiques et modèles de supervision pour la gestion des risques liés à l’IA, la responsabilisation, la conformité et le contrôle opérationnel.\u003C/p\u003E\n","richText":true,":type":"snowflake-site/components/text"},"layoutStyle":"vertical","title":{"id":"title","type":"heading4","lines":["Gouvernance de l’IA"],":type":"snowflake-site/components/title-v2"},"button":{"id":"button","showOutboundIcon":false,"buttonLink":{"valid":true,"url":"https://www.snowflake.com/fr/artificial-intelligence/ai-governance/"},"linkTargetContentType":"GENERIC",":type":"snowflake-site/components/button","linkType":"SNOWFLAKE_EXTERNAL","text":"En savoir plus"},"type":"content-card"}},":itemsOrder":["topic_card_0"]},"flexible_column_content_container_2":{"layout":"SIMPLE","id":"container-ef0bcb6366",":type":"snowflake-site/components/flexible-column-container/flexible-column-content-container",":items":{"topic_card_1":{"id":"card-v2-c9a9f846a2","configurationStatus":{"configured":true,"message":""},":type":"snowflake-site/components/card-v2","text":{"id":"text","text":"\u003Cp\u003EComprendre les algorithmes qui apprennent et s'améliorent automatiquement à partir de l'expérience.\u003C/p\u003E\n","richText":true,":type":"snowflake-site/components/text"},"layoutStyle":"vertical","title":{"id":"title","type":"heading4","lines":["Machine learning"],":type":"snowflake-site/components/title-v2"},"button":{"id":"button","showOutboundIcon":false,"buttonLink":{"valid":true,"url":"https://www.snowflake.com/fr/artificial-intelligence/machine-learning/"},"linkTargetContentType":"GENERIC",":type":"snowflake-site/components/button","linkType":"SNOWFLAKE_EXTERNAL","text":"En savoir plus"},"type":"content-card"}},":itemsOrder":["topic_card_1"]},"flexible_column_content_container_3":{"layout":"SIMPLE","id":"container-3e2acf7c6c",":type":"snowflake-site/components/flexible-column-container/flexible-column-content-container",":items":{"topic_card_2":{"id":"card-v2-1453f996b9","configurationStatus":{"configured":true,"message":""},":type":"snowflake-site/components/card-v2","text":{"id":"text","text":"\u003Cp\u003ERendre les décisions en matière d'IA compréhensibles grâce à une documentation claire, à l'explicabilité et à des dispositifs de contrôle de la gouvernance.\u003C/p\u003E\n","richText":true,":type":"snowflake-site/components/text"},"layoutStyle":"vertical","title":{"id":"title","type":"heading4","lines":["Transparence de l’IA"],":type":"snowflake-site/components/title-v2"},"button":{"id":"button","showOutboundIcon":false,"buttonLink":{"valid":true,"url":"https://www.snowflake.com/fr/artificial-intelligence/ai-governance/ai-transparency/"},"linkTargetContentType":"GENERIC",":type":"snowflake-site/components/button","linkType":"SNOWFLAKE_EXTERNAL","text":"En savoir plus"},"type":"content-card"}},":itemsOrder":["topic_card_2"]},":type":"snowflake-site/components/flexible-column-container","isBlogPage":false,"isActiveTOC":false,"appliedCssClassNames":"snowflake-flexible-column-container-white-bg"},"flexible_column_cont_topics_row2":{"id":"flexible-column-container-c06979ac06","propertiesId":"hub-explore-topics-grid-row2","type":"3-column-even","alignColumns":"top","containerMaxWidth":"extra-large","topPadding":"none","bottomPadding":"large","spaceBetween":"small","reverseOnMobile":false,"carouselOnMobile":false,"backgroundImageOption":"none",":type":"snowflake-site/components/flexible-column-container","isBlogPage":false,"isActiveTOC":false,"appliedCssClassNames":"snowflake-flexible-column-container-white-bg"}},":itemsOrder":["flexible_column_cont","flexible_column_cont_939100716","flexible_column_cont_1398138236","flexible_column_cont_663228916","flexible_column_cont_1786318617","flexible_column_cont_1467213961","flexible_column_cont_912630531","flexible_column_cont_1158003461","flexible_column_cont_1377146023","flexible_column_cont_topics_row2"],":type":"wcm/foundation/components/responsivegrid"},"modal_container":{"layout":"SIMPLE","id":"container-ec3d8e218e",":type":"snowflake-site/components/modal/modal-container",":items":{},":itemsOrder":[]},"markup_editor_928258845":{"id":"markup-editor-da5c5a34ec","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-0825bb4b79","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-7d1ba763f1","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-0ee974b330","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?callerPage=/content/snowflake-site/global/fr/artificial-intelligence/observability"},"experiencefragment":{"id":"experiencefragment-633a823bcb","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?callerPage=/content/snowflake-site/global/fr/artificial-intelligence/observability"}},":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"],":path":"/content/snowflake-site/global/fr/artificial-intelligence/observability","coveoConfig":{"searchHub":"snowflake.com","pipeline":"snowflake.com","apiKey":"xx335921a6-2a0a-40f2-a167-e390b4766c3d","organizationId":"snowflakecomputingproduction8neljofn"},"analyticsDebugMode":false,"analyticsData":{"excludeFromAnalytics":false,"subCategory":"","pageType":"homepage","templateName":"base-page-template54","siteName":"snowflake","pageUrl":"/content/snowflake-site/global/fr/artificial-intelligence/observability","language":"fr","category":"general","pageName":"Observabilité de l’IA : confiance et contrôle pour les systèmes d'IA en production","contentTags":[]},"isPasswordProtected":false,"analyticsContentTags":[],"analyticsEnabled":true,"locale":"fr"}