Registre interne des systèmes d'IA (AI Act)

Trame de registre interne des systèmes d'IA d'une entreprise : usage, niveau de risque, rôle au sens de l'AI Act, données, contrôle humain.

AI Act articles : Articles 4, 6, 26 et 50

Nom du système

Nom interne de l'outil ou de l'assistant d'IA.

Fournisseur et modèle

Éditeur, modèle utilisé, version, hébergement (pays).

Usage et service concerné

À quoi il sert, quelle équipe l'utilise, combien d'utilisateurs.

Niveau de risque estimé

Interdit, haut risque, risque limité (transparence) ou risque minimal, avec la justification.

Données traitées

Types de données, présence de données personnelles, base légale RGPD.

Rôle de l'entreprise

Fournisseur, déployeur, importateur ou distributeur au sens de l'AI Act.

Contrôle humain

Qui vérifie les résultats, à quel moment, avec quel pouvoir de correction.

Responsable et date de revue

Personne référente et date de la prochaine vérification.

Estimated cost

Input tokens per call : ≈ 382

Input cost only, excluding the model's answer. Providers' public standard prices (Mistral AI, DeepSeek, OpenAI, Anthropic) converted from USD to euros at the ECB rate of September 29, 2026. Estimate: 1 token ≈ 3.6 characters.

Identifier

contextetech--registre-systemes-ia-entreprise

Type

AI Act files

File

registre-systemes-ia-entreprise.md

Format

MD

Size

963 bytes

Encoding

UTF-8

Estimated tokens

≈ 259

Language

French

License

MIT

Commercial use

Allowed

Personal data

None

Version

1.0

Published on

October 1, 2026 at 6:55 PM

Updated on

October 1, 2026 at 6:55 PM

Storage

in database

Uses

0

Likes

0

registre-systemes-ia-entreprise.md

# Registre interne des systèmes d'IA (AI Act)

Trame de registre interne des systèmes d'IA d'une entreprise : usage, niveau de risque, rôle au sens de l'AI Act, données, contrôle humain.

## Nom du système

Nom interne de l'outil ou de l'assistant d'IA.

## Fournisseur et modèle

Éditeur, modèle utilisé, version, hébergement (pays).

## Usage et service concerné

À quoi il sert, quelle équipe l'utilise, combien d'utilisateurs.

## Niveau de risque estimé

Interdit, haut risque, risque limité (transparence) ou risque minimal, avec la justification.

## Données traitées

Types de données, présence de données personnelles, base légale RGPD.

## Rôle de l'entreprise

Fournisseur, déployeur, importateur ou distributeur au sens de l'AI Act.

## Contrôle humain

Qui vérifie les résultats, à quel moment, avec quel pouvoir de correction.

## Responsable et date de revue

Personne référente et date de la prochaine vérification.

PEFT / Transformers

from peft import LoraConfig, get_peft_model
from transformers import AutoModelForCausalLM

model = AutoModelForCausalLM.from_pretrained(
    "undefined", device_map="auto")

config = LoraConfig(
    r=undefined, lora_alpha=undefined, lora_dropout=undefined,
    target_modules=[],
    task_type="CAUSAL_LM",
)
model = get_peft_model(model, config)
model.print_trainable_parameters()
# lr=undefined, epochs=undefined, batch=undefined, grad_acc=undefined, max_seq_len=undefined