Explicabilité et transparence des décisions
Des pipelines d'explication en production qui rendent les décisions de l'IA transparentes pour les régulateurs, les opérateurs et les personnes concernées par ces décisions.
La plupart des dispositifs d'explicabilité de l'IA en entreprise se résument à un notebook SHAP et à un tableau de bord déclaré « explicable ». Notre approche consiste à construire des pipelines d'explication de production conçus pour résister au contrôle réglementaire — parce que nous commençons par la bonne question architecturale : ce système de décision a-t-il besoin d'une interprétabilité intrinsèque, ou une explication a posteriori est-elle véritablement suffisante ?
Le fossé de l'explication entre les tableaux de bord SHAP et la réalité réglementaire
La plupart des dispositifs d'explicabilité de l'IA en entreprise se ressemblent : une équipe de data science entraîne un modèle à gradient boosté, calcule des valeurs SHAP dans un notebook Jupyter, construit un tableau de bord Streamlit et déclare le système « explicable ». Cette approche présente trois problèmes.
- Instabilité. La variance d'échantillonnage de KernelSHAP fait que la même prédiction peut produire des attributions de caractéristiques différentes lors d'exécutions consécutives — et la plupart des équipes ne testent jamais la stabilité des explications.
- Mauvais résultat. Un tableau de bord affichant l'importance globale des caractéristiques ne satisfait pas l'exigence du CFPB de codes de motifs d'action défavorable « spécifiques et exacts » au titre de la Regulation B de l'ECOA (notre recherche sur la crise de responsabilité en matière de prêt équitable).
- Manipulabilité. Une recherche publiée en mai 2025 a démontré que de simples modifications de la représentation des caractéristiques altèrent l'importance des caractéristiques déterminée par SHAP, ce qui signifie qu'un acteur déterminé peut concevoir des explications masquant des entrées discriminatoires tout en laissant les prédictions inchangées.
Pour les systèmes de décision tabulaires dans le prêt, la souscription et le recrutement, l'interprétabilité intrinsèque ne coûte souvent rien. Les Explainable Boosting Machines égalent la précision de XGBoost sur les données tabulaires tout en offrant une transparence glass-box complète : la contribution de chaque caractéristique est directement lisible sans approximation. Pas d'instabilité SHAP, pas de questions de fidélité, pas de risque de manipulation adverse. Lorsque le modèle lui-même est transparent, vous vous passez de toute la pile d'explication a posteriori.
| Dimension | Interprétabilité intrinsèque (glass-box) | Explication a posteriori (black-box) |
|---|---|---|
| Exemple | Explainable Boosting Machines | Modèles à gradient boosté / profonds + SHAP, LIME |
| Précision sur les données tabulaires | Égale XGBoost | Comparable, mais l'explication est approximée |
| Stabilité | Exacte — pas de variance d'échantillonnage | Les attributions de KernelSHAP peuvent différer d'une exécution à l'autre |
| Fidélité | Contribution des caractéristiques lue directement, sans approximation | Doit être validée ; peut être peu fiable selon la région d'entrée |
| Manipulation adverse | Aucun risque | Peut être manipulée pour masquer des entrées discriminatoires |
| Cas d'usage optimal | Prêt, souscription et recrutement tabulaires | Imagerie médicale, TALN, systèmes multimodaux |
Quand l'explication a posteriori est nécessaire et comment la rendre honnête
Tous les systèmes ne peuvent pas être intrinsèquement interprétables. Les modèles d'apprentissage profond pour l'imagerie médicale, les classificateurs de TALN et les systèmes multimodaux nécessitent des méthodes a posteriori. La question est de savoir quelles méthodes accorder sa confiance et comment les valider. Notre méthode combine :
- SHAP avec garanties de convergence — en exécutant suffisamment de permutations pour obtenir des attributions stables, et en signalant les prédictions où la convergence échoue plutôt que de servir silencieusement des explications peu fiables.
- Générateurs contrefactuels utilisant DiCE-Extended, qui remédie aux problèmes de dégradation des performances du framework DiCE original afin de produire des explications actionnables du type « ce qui devrait changer » dans les budgets de latence de production.
- Couches de réconciliation — lorsque SHAP et LIME divergent sur l'importance des caractéristiques pour une même prédiction, ce désaccord signale que l'explication pour cette région d'entrée est peu fiable. Nous mettons cette incertitude en évidence plutôt que de la masquer.
Expliquer les décisions fondées sur les LLM
Pour les systèmes de décision alimentés par des LLM, le défi est plus difficile. La recherche d'Anthropic de mai 2025 a constaté que le raisonnement en chaîne de pensée est infidèle la majorité du temps : Claude 3.7 Sonnet n'a mentionné les indices de raisonnement réels que dans 25 % des cas, DeepSeek R1 seulement 39 %. Le texte de la chaîne de pensée ressemble à du raisonnement, mais il s'agit souvent d'un récit construit pour paraître logique.
Notre approche ne dépend pas de la capacité du modèle à s'expliquer lui-même : traçabilité fondée sur l'ancrage (grounding) — reliant les sorties des LLM à des documents sources récupérables avec des chaînes d'attribution vérifiables — et décomposition structurée de la décision qui rend chaque étape de raisonnement auditable indépendamment de la logique auto-rapportée par le modèle.
Architecture d'explication multi-audience
Un modèle de prêt qui refuse une demande de prêt hypothécaire doit produire trois explications différentes à partir de la même décision — non pas trois versions du même texte, mais trois sorties structurellement différentes calculées à partir d'une couche d'attribution partagée :
- Le data scientist qui débogue le comportement du modèle a besoin des scores d'attribution des caractéristiques, du contexte de la frontière de décision et d'une comparaison avec la distribution d'entraînement.
- Le responsable de la conformité qui documente le système a besoin de la documentation déployeur de l'article 13 ou des relevés d'action défavorable ECOA avec des codes de motifs spécifiques et exacts, mis en correspondance avec les facteurs réels que le modèle a pondérés (notre recherche sur les architectures de responsabilité pour l'IA en entreprise).
- Le demandeur débouté a besoin d'un énoncé en langage clair : « Votre demande a été refusée principalement parce que votre ratio d'endettement dépassait le seuil de ce produit de prêt, et votre ancienneté professionnelle était inférieure au minimum. »
Nous concevons les pipelines d'explication comme des composants du chemin d'inférence, et non comme des outils d'analyse hors ligne, dimensionnés pour produire les trois sorties avec une latence inférieure à la seconde par prédiction.
Formats d'explication spécifiques à chaque réglementation
Le paysage réglementaire de l'explicabilité de l'IA se fragmente rapidement, et chaque régime exige quelque chose de différent :
- L'article 13 de la loi européenne sur l'IA (EU AI Act) (applicable le 2 août 2026) impose aux fournisseurs de systèmes à haut risque de fournir aux déployeurs des instructions claires sur le fonctionnement du système, les niveaux de précision, les limites connues et les mesures de supervision humaine. Les sanctions atteignent 35 millions d'EUR ou 7 % du chiffre d'affaires mondial.
- Affaire C-203/22 de la CJUE (février 2025) a établi que « la simple communication d'une formule mathématique complexe » ne satisfait pas au droit à l'explication des décisions automatisées prévu à l'article 22 du RGPD.
- CFPB / ECOA exige des avis d'action défavorable comportant les « motifs principaux » du refus, spécifiques au demandeur individuel, et non des formules types.
- FDA (orientations de janvier 2026 sur l'aide à la décision clinique) exige que l'aide à la décision clinique pilotée par l'IA permette aux cliniciens de « comprendre et vérifier la logique sous-jacente et les données d'entrée ».
- Model Bulletin de la NAIC — adopté par 24 États — exige des assureurs qu'ils intègrent l'explicabilité dans leur gouvernance de l'IA.
Chacun crée une obligation d'ingénierie distincte, détaillée dans notre recherche sur l'intégrité algorithmique et la responsabilité juridique des entreprises. Notre approche consiste à construire des modèles d'explication cartographiés selon la conformité : des sorties structurées conçues pour satisfaire des exigences réglementaires spécifiques, générées automatiquement à partir du pipeline d'explication, et non rédigées à la main après coup. Le modèle d'un avis d'action défavorable ECOA ne ressemble en rien au modèle de la documentation déployeur de la loi européenne sur l'IA, même lorsque tous deux décrivent le même modèle.
Tests de fidélité des explications
Une explication qui ne reflète pas ce que le modèle a réellement calculé est pire qu'aucune explication. Elle crée une fausse confiance, induit les auditeurs en erreur et peut constituer une violation réglementaire. Nous traitons la fidélité des explications comme une propriété testable, et non comme une hypothèse (voir notre recherche sur les architectures de confiance au-delà d'une IA superficielle). Notre cadre de validation est conçu autour de :
- Tests de stabilité sur des exécutions SHAP/LIME répétées avec des entrées identiques afin de quantifier la variance des attributions.
- Sondage adverse à l'aide des techniques d'échafaudage de Slack et al. pour vérifier que les explications ne peuvent pas être manipulées afin de masquer des caractéristiques de classe protégée.
- Vérifications d'exhaustivité garantissant que l'explication rend compte d'une fraction suffisante de la variance de la sortie du modèle, et pas seulement des trois principales caractéristiques.
- Bancs d'essai synthétiques à vérité terrain où nous construisons des scénarios de test à structure causale connue et mesurons si la méthode d'explication identifie correctement les véritables facteurs causaux.
Pour les méthodes fondées sur les concepts comme TCAV et les Concept Bottleneck Models, le défi de validation diffère. Une étude de synthèse de 2025 a documenté que les CBM standard n'imposent pas de véritable goulot d'étranglement informationnel, ce qui signifie que le modèle peut encoder des informations non conceptuelles dans les représentations de concepts. Nous évaluons si la couche de concepts contraint réellement le flux d'information du modèle avant de recommander des approches fondées sur les concepts — et dans la plupart des contextes d'entreprise, où des jeux de données de concepts organisés n'existent pas, nous les déconseillons au profit de méthodes offrant des garanties de fidélité plus solides.
Là où l'explicabilité des plateformes s'arrête et où l'ingénierie sur mesure commence
Fiddler, Arthur et Truera fournissent une surveillance de modèles précieuse : détection de dérive, suivi des performances et tableaux de bord d'attribution. Ils font apparaître les moments où le comportement d'un modèle change. Ce qu'ils ne font pas, c'est construire le pipeline d'explication lui-même, faire le choix architectural entre interprétabilité intrinsèque et méthodes a posteriori, construire des moteurs de rendu d'explication multi-audience, concevoir des formats de sortie spécifiques à la conformité, ou valider que les explications sont fidèles.
La prévision de Gartner de mars 2026 selon laquelle l'IA explicable (XAI) stimulera 50 % des investissements en observabilité des LLM d'ici 2028 (contre 15 % aujourd'hui) traduit le fait que la surveillance seule ne suffit pas. La couche de surveillance observe le modèle ; la couche d'explication indique aux parties prenantes pourquoi une décision spécifique s'est produite. Notre attention porte sur cette seconde couche, conçue pour s'intégrer à la plateforme de surveillance que le client exploite déjà, quelle qu'elle soit.
Points clés à retenir
- La première question architecturale est celle de l'interprétabilité intrinsèque vs l'explication a posteriori — pour le prêt, la souscription et le recrutement tabulaires, les Explainable Boosting Machines égalent la précision de XGBoost sans aucun risque d'explication.
- Lorsque l'a posteriori est nécessaire, notre méthode est conçue pour rester honnête : SHAP avec garanties de convergence, contrefactuels DiCE-Extended et réconciliation SHAP/LIME qui met en évidence l'incertitude.
- Les décisions des LLM ne peuvent pas s'appuyer sur la chaîne de pensée (fidèle seulement 25 % à 39 % du temps) ; nous ancrons les sorties dans des sources récupérables et décomposons les décisions en étapes auditables.
- Une couche d'attribution partagée unique est conçue pour restituer trois sorties propres à chaque audience — data scientist, responsable de la conformité et demandeur concerné — avec une latence inférieure à la seconde.
- Les modèles cartographiés selon la conformité ciblent l'article 13 de la loi européenne sur l'IA, l'ECOA/CFPB, l'article 22 du RGPD, les orientations FDA sur l'aide à la décision clinique et le Model Bulletin de la NAIC — avec la fidélité traitée comme une propriété testée, et non comme une hypothèse.
Explicabilité et transparence des décisions
Équité de l'IA d'approvisionnement & conformité à la diversité des fournisseurs | Veriprajna
Auditez votre IA d'approvisionnement pour détecter les biais. Veriprajna développe des tests d'équité indépendants du fournisseur pour la notation des fournisseurs de SAP Ariba, Coupa, GEP et Ivalua, garantissant la conformité à la partie 19 du FAR et une équité algorithmique démontrable.
IA de conformité du trading algorithmique | Veriprajna
Les régulateurs n'acceptent plus les journaux d'ordres comme preuve d'audit. Après que le krach éclair d'août 2024 a effacé 1 000 milliards de dollars de valeur et que Citigroup a payé 92 millions de dollars d'amendes pour une seule défaillance algorithmique, la question est passée de « disposez-vous de contrôles ? » à « pouvez-vous reconstituer chaque décision prise par votre algorithme ?
Conformité IA pour le logement : équité du screening des locataires et tarification algorithmique | Veriprajna
Les sociétés de gestion immobilière sont exposées juridiquement sur deux fronts simultanément : le screening des locataires qui discrimine au regard du Fair Housing Act, et le revenue management qui coordonne les prix au regard du Sherman Act. Nous auditons les deux, concevons des architectures conformes et cartographions vos systèmes face à chaque juridiction qui compte.
Gouvernance de l'IA Medicare Advantage & conformité algorithmique | Veriprajna
Auditez, expliquez et défendez l'IA de votre plan Medicare Advantage. Middleware d'explicabilité, architecture de conformité CMS-0057-F et préparation au contentieux pour les algorithmes des assureurs santé.
Questions fréquentes
Combien coûte l'ajout de l'explicabilité en termes de latence et d'infrastructure de production ?
Cela dépend entièrement de la méthode. Les modèles intrinsèquement interprétables comme les Explainable Boosting Machines n'ajoutent aucune surcharge d'explication, car le modèle lui-même est l'explication. Pour les méthodes a posteriori sur des modèles black-box, KernelSHAP peut prendre de quelques secondes à quelques minutes par prédiction à un volume de production, c'est pourquoi nous utilisons TreeSHAP pour les modèles d'ensemble (millisecondes) et pré-calculons des caches d'explication pour les systèmes à haut débit. La génération contrefactuelle avec DiCE-Extended s'exécute dans des budgets inférieurs à la seconde lorsqu'elle est correctement contrainte. La vraie question de coût n'est pas la latence par explication, mais de savoir si vous avez besoin d'explications en temps réel pour chaque prédiction ou d'explications à la demande déclenchées par des actions défavorables, des recours ou des audits. La plupart des systèmes réglementés ont besoin de ces dernières, ce qui change entièrement le calcul de l'infrastructure.
Nos valeurs SHAP changent d'une exécution à l'autre pour la même entrée. Notre système d'explicabilité est-il défectueux ?
Si vous utilisez KernelSHAP, il s'agit d'un comportement attendu, pas d'un bug. KernelSHAP utilise une approximation par échantillonnage, et un nombre insuffisant d'échantillons produit des attributions instables. La solution consiste soit à exécuter davantage de permutations jusqu'à convergence (ce qui augmente la latence), soit à passer à TreeSHAP pour les modèles arborescents, qui calcule des valeurs de Shapley exactes sans échantillonnage. Le problème plus profond est que la plupart des équipes ne testent jamais la stabilité des explications. Nous intégrons une surveillance de la convergence dans le pipeline d'explication : si les attributions d'une prédiction ne se sont pas stabilisées dans le budget de calcul, le système signale cette explication comme peu fiable plutôt que de la servir. Pour les soumissions réglementaires, des explications instables constituent une responsabilité. Un responsable de la conformité ne peut pas défendre des codes de motifs qui différeraient lors d'une nouvelle exécution.
Pouvons-nous continuer à utiliser XGBoost pour le prêt si nous ajoutons SHAP, ou les régulateurs veulent-ils des modèles intrinsèquement interprétables ?
Aucun régulateur américain n'impose actuellement de modèles intrinsèquement interprétables. Le CFPB exige que les avis d'action défavorable comportent les motifs principaux du refus, spécifiques et exacts pour le demandeur individuel. Vous pouvez satisfaire cette exigence avec SHAP sur XGBoost si les explications sont stables et reflètent fidèlement le calcul du modèle. Le problème pratique est que SHAP sur XGBoost introduit des risques d'instabilité et peut être manipulé de manière adverse (démontré par Slack et al. 2020 et confirmé par une recherche de 2025 sur la sensibilité de la représentation des caractéristiques). Parallèlement, les Explainable Boosting Machines égalent la précision de XGBoost sur les données tabulaires tout en étant intrinsèquement transparentes. La question devient donc : pourquoi assumer un risque d'explication lorsqu'un modèle tout aussi précis l'élimine ? Nous évaluons le compromis précision-interprétabilité sur le jeu de données spécifique de chaque client avant de recommander une architecture.
Que requiert réellement la loi européenne sur l'IA (EU AI Act) en matière d'explicabilité, et quand l'application commence-t-elle ?
L'article 13 de la loi européenne sur l'IA exige des fournisseurs de systèmes d'IA à haut risque qu'ils assurent un fonctionnement « suffisamment transparent », permettant aux déployeurs d'interpréter les sorties et d'utiliser le système de manière appropriée. Les fournisseurs doivent fournir une documentation claire sur la finalité prévue du système, les niveaux de précision, les limites connues, les mesures de supervision humaine et les risques potentiels. La pleine application pour les systèmes à haut risque au titre des articles 9 à 49 débute le 2 août 2026, avec des sanctions pouvant atteindre 35 millions d'EUR ou 7 % du chiffre d'affaires annuel mondial. La difficulté est que « suffisamment transparent » n'est pas encore défini dans des normes techniques contraignantes. Les normes harmonisées CEN/CENELEC sont visées pour le T4 2026. Nous construisons selon l'interprétation raisonnable la plus stricte et concevons des sorties d'explication qui pourront être resserrées lorsque les normes arriveront, plutôt que de les adapter après le début de l'application.
Comment expliquer les décisions fondées sur les LLM lorsque le raisonnement en chaîne de pensée est peu fiable ?
Le texte de la chaîne de pensée généré par les modèles de raisonnement n'est pas un enregistrement fiable du calcul réel du modèle. La recherche d'Anthropic de mai 2025 a montré que Claude 3.7 Sonnet n'était fidèle que dans 25 % des cas lorsqu'on lui donnait des indices de raisonnement. Cela signifie que vous ne pouvez pas désigner une sortie de chaîne de pensée et l'appeler une explication. Pour les décisions alimentées par des LLM dans des contextes réglementés, nous construisons des systèmes d'explication qui ne dépendent pas de la capacité du modèle à s'expliquer lui-même. Cela passe par une traçabilité fondée sur l'ancrage (reliant les sorties à des documents sources récupérés avec des citations vérifiables), une décomposition structurée de la décision (découpant la décision en étapes auditables indépendamment) et des graphes d'attribution lorsqu'ils sont disponibles. L'explication provient de l'architecture du système, et non de l'auto-rapport du modèle.
Quelle est la différence entre la documentation du modèle (Model Cards, FactSheets) et l'explicabilité des décisions ?
La documentation du modèle décrit un modèle : ses données d'entraînement, son usage prévu, ses références de performance et ses limites connues. L'explicabilité des décisions répond à une question différente : pourquoi ce modèle a-t-il produit cette sortie spécifique pour cette entrée spécifique ? Une Model Card vous indique que le modèle a été entraîné sur 10 millions d'enregistrements et atteint 94 % de précision. Elle n'indique pas à un demandeur pourquoi son prêt a été refusé. Le CFPB a été explicite : des codes de motifs génériques ne satisfont pas aux exigences d'action défavorable de l'ECOA. La CJUE a jugé en février 2025 qu'une « formule mathématique complexe » ne constitue pas une explication conforme au RGPD. Nous construisons les deux couches, mais elles servent des audiences différentes et des obligations réglementaires différentes. La documentation est nécessaire mais non suffisante.
Les explications a posteriori peuvent-elles être manipulées pour masquer un biais dans notre modèle ?
Oui. Slack et al. (2020) ont démontré une technique d'échafaudage qui permet à un modèle de produire des prédictions biaisées tout en générant des explications SHAP et LIME ne montrant aucune trace des caractéristiques de classe protégée influençant la décision. Des recherches ultérieures en 2025 ont confirmé que, même sans intention adverse, de simples changements dans la représentation des caractéristiques peuvent modifier l'importance des caractéristiques déterminée par SHAP. Ce n'est pas une préoccupation théorique. Si votre modèle utilise des caractéristiques corrélées à la race, au genre ou à l'âge, et que votre méthode d'explication ne le détecte pas, votre audit est incomplet. Nous testons la robustesse des explications en appliquant des techniques d'échafaudage adverse connues pour vérifier que notre pipeline d'explication ferait apparaître un biais caché, et ne se contenterait pas de rapporter une attribution propre.
Quelles obligations d'explicabilité le Model Bulletin de la NAIC crée-t-il pour les assureurs ?
Le Model Bulletin de la NAIC, adopté en décembre 2023 et désormais mis en œuvre par 24 États, exige des assureurs utilisant l'IA qu'ils intègrent la transparence et l'explicabilité dans leurs programmes de gouvernance. Les régulateurs peuvent exiger des entreprises qu'elles expliquent comment les outils d'IA influencent les décisions de souscription, de tarification, de marketing et de sinistres. Le bulletin ne prescrit pas de méthodes XAI spécifiques, mais il crée l'attente que les assureurs puissent expliquer les résultats pilotés par l'IA tant aux régulateurs qu'aux consommateurs concernés. Les exigences du Colorado (en vigueur en 2025 pour l'assurance auto et santé) ajoutent des mandats de test spécifiques contre la discrimination injuste. Nous construisons des capacités d'explication qui satisfont les attentes de gouvernance du bulletin : méthodes d'explication documentées, pipelines d'attribution auditables et formats d'explication destinés aux consommateurs pour les décisions défavorables de souscription ou de sinistres.
Les modèles à goulot d'étranglement conceptuel (concept bottleneck models) sont-ils prêts pour un usage en production dans l'apprentissage profond interprétable ?
Pas dans la plupart des contextes d'entreprise. Les Concept Bottleneck Models nécessitent des annotations de concepts denses pour chaque instance d'entraînement, ce qui est coûteux et souvent irréalisable. Plus fondamentalement, une recherche de 2025 a démontré que les CBM standard n'imposent pas de véritable goulot d'étranglement informationnel : le modèle peut encoder des informations non conceptuelles dans les représentations de concepts, ce qui sape la garantie d'interprétabilité. Les CBM a posteriori allègent la charge d'annotation mais introduisent leurs propres questions de fidélité. Les jeux de données de concepts nécessaires à des CBM de haute qualité existent rarement en dehors de l'imagerie médicale spécialisée ou de domaines de recherche bien organisés. Pour la plupart des applications d'entreprise, nous recommandons les Explainable Boosting Machines pour les données tabulaires et des méthodes a posteriori validées avec des tests de fidélité pour l'apprentissage profond, plutôt que des approches fondées sur les concepts qui promettent une interprétabilité qu'elles pourraient ne pas offrir.
Comment construire différentes sorties d'explication pour les data scientists, les responsables de la conformité et les personnes concernées ?
Les trois explications découlent d'une couche de calcul d'attribution partagée, mais elles s'affichent différemment. La couche technique produit les attributions de caractéristiques (valeurs SHAP ou coefficients de modèle directs pour les modèles interprétables), le contexte de la frontière de décision et des comparaisons distributionnelles. La couche de conformité met en correspondance ces attributions avec des formats spécifiques aux réglementations : codes de motifs d'action défavorable ECOA, modèles de documentation déployeur de la loi européenne sur l'IA, ou relevés de gouvernance du bulletin de la NAIC. La couche consommateur traduit les principaux facteurs contributifs en langage clair avec des conseils actionnables. Nous construisons cela sous la forme de trois modules de rendu au-dessus d'un unique moteur d'explication, de sorte que l'attribution sous-jacente soit cohérente entre les audiences. L'alternative, rédiger des explications séparées manuellement, introduit une dérive entre ce que le modèle fait réellement et ce que les rapports de conformité affirment qu'il fait.
Développez votre IA en toute confiance.
Collaborez avec une équipe forte d'une solide expérience dans la conception de la prochaine génération d'IA d'entreprise. Nous vous aidons à concevoir, développer et déployer une stratégie d'IA digne de confiance.
Veriprajna société de conseil en Deep Tech est spécialisée dans la conception de systèmes d'IA critiques pour la sûreté destinés aux secteurs de la santé, de la finance et de la réglementation. Nos architectures sont validées au regard de protocoles établis et accompagnées d'une documentation de conformité complète.