Les données d’entrée que ce système déployé traite lorsqu’il fonctionne. Distinctes des données d’entraînement.
Relevés de capteurs : qualité de l'air, température, niveau sonore, énergie, débit d'eau. L'IA reçoit des mesures numériques issues de capteurs physiques, généralement non rattachées à une personne. Exemples : des relevés PM2,5 d'un moniteur de qualité de l'air, des décibels d'un capteur acoustique, des kilowattheures d'un compteur.
Lieux, itinéraires, environnement ou plans. L'IA reçoit des données décrivant l'endroit où se trouve quelque chose. Exemples : des coordonnées GPS d'un téléphone, des comptages de passages piétons, le plan des couloirs d'un bâtiment.
Touchers d'écran, choix, déplacements, temps de présence, achats ou requêtes. L'IA reçoit des registres de ce que les personnes ont fait. Exemples : destinations touchées sur une borne de signalisation, articles ajoutés à un panier, une requête tapée sur un terminal public.
Visages, empreintes digitales, empreintes vocales, démarche, gestes, regard, posture. L'IA reçoit des signaux biologiques provenant du corps d'une personne. Exemples : un visage capturé à un tourniquet, une voix enregistrée par le microphone d'une borne, une démarche analysée par une caméra zénithale.
Une éligibilité, classification, hiérarchisation, ou un oui/non qu'un autre système a déjà décidé sur une personne. L'IA reçoit cette décision antérieure et l'utilise en entrée. Exemples : un score de crédit issu d'un autre modèle, un drapeau d'accès autorisé venant d'amont, une classe de triage attribuée plus tôt dans le pipeline.
Texte, images, audio ou vidéo créés par une autre IA. L'IA reçoit ce contenu synthétique et le traite encore. Exemples : un résumé écrit par un LLM transmis à un traducteur, une photo générée passée à un modèle de modération, un extrait synthèse vocale acheminé vers un système audio.
Horaires, itinéraires, budgets, comptages d'occupation, registres publics ou autres données administratives — qui ne concernent aucune personne en particulier. L'IA reçoit des données décrivant le fonctionnement d'un lieu ou d'un service. Exemples : occupation d'une école par heure, tournées de collecte des ordures, horaires de transports, budget d'un service.
Un signal indiquant qu'un élément du monde physique a changé : une porte qui s'ouvre, une lumière qui s'allume, une alerte qui retentit. L'IA reçoit des indices de ces changements depuis des actionneurs ou capteurs en amont. Exemples : un événement de déverrouillage de tourniquet, un ajustement de CVC enregistré par un capteur, une alerte de sonorisation diffusée en amont.
Une suggestion, prévision, score de risque ou classement produit en amont par un autre système. L'IA reçoit cette sortie consultative et l'utilise. Distincte d'une décision contraignante parce qu'elle conseille sans trancher. Exemples : une courbe de demande prévue, un score de risque issu d'un modèle antérieur, un itinéraire recommandé par un service de navigation.
Santé, finances, convictions, sexualité, situation migratoire ou autres informations personnelles porteuses de risque légal et social. L'IA reçoit ce type de données protégées. Exemples : éligibilité à une assurance sur une borne de clinique, état d'une demande de prestation, pronom auto-déclaré.
Live API response from GET /schemas/ai@2026-08-24-beta/categories (this category) and GET /schemas/ai@2026-08-24-beta/elements?category_id=input_dataset.
{
"id": "input_dataset",
"name": [
{
"locale": "en",
"value": "Input Data"
},
{
"locale": "fr",
"value": "Données d'entrée"
}
],
"description": [
{
"locale": "en",
"value": "The input data this deployed system processes when it operates. Distinct from training data."
},
{
"locale": "fr",
"value": "Les données d’entrée que ce système déployé traite lorsqu’il fonctionne. Distinctes des données d’entraînement."
}
],
"prompt": [
{
"locale": "en",
"value": "What input data does this AI system process?"
},
{
"locale": "fr",
"value": "Quelles données d’entrée ce système d’IA traite-t-il ?"
}
],
"authoring_guidance": [],
"examples": [],
"sources": [],
"required": false,
"order": 8,
"datachain_type": "ai",
"shape": "circle",
"element_variables": [
{
"id": "additional_description",
"label": [
{
"locale": "en",
"value": "Description"
},
{
"locale": "fr",
"value": "Description"
}
],
"required": true,
"kind": "localized_text"
}
],
"element_context": {
"id": "pii",
"name": [
{
"locale": "en",
"value": "Personal Information"
},
{
"locale": "fr",
"value": "Informations personnelles"
}
],
"description": [
{
"locale": "en",
"value": "How identifiable the data is when this system processes it. The element name says what the data is about; this colour says how directly it identifies a person."
},
{
"locale": "fr",
"value": "À quel point les données sont identifiables lorsque ce système les traite. Le nom de l’élément indique de quoi parlent les données ; cette couleur indique dans quelle mesure elles identifient directement une personne."
}
],
"values": [
{
"id": "de_identified",
"name": [
{
"locale": "en",
"value": "Anonymized data"
},
{
"locale": "fr",
"value": "Données anonymisées"
}
],
"description": [
{
"locale": "en",
"value": "Data about people with the link to who is broken. Stripped of identifiers, blurred, aggregated, or noised so this system can’t reasonably tie a record back to an individual."
},
{
"locale": "fr",
"value": "Données concernant des personnes dont le lien à l’identité est rompu. Privées d’identifiants, floutées, agrégées ou bruitées pour que ce système ne puisse pas raisonnablement relier un enregistrement à un individu."
}
],
"color": "#4A90D9"
},
{
"id": "pseudonymous",
"name": [
{
"locale": "en",
"value": "Pseudonymous data"
},
{
"locale": "fr",
"value": "Données pseudonymes"
}
],
"description": [
{
"locale": "en",
"value": "Each person’s data is tied to a token (hash, ID, template) that lets this system recognise the same person across events, but the token itself doesn’t reveal a name. Reidentification is possible with extra information."
},
{
"locale": "fr",
"value": "Les données de chaque personne sont liées à un jeton (hachage, identifiant, modèle) qui permet à ce système de reconnaître la même personne d’un événement à l’autre, mais le jeton lui-même ne révèle pas de nom. La réidentification est possible avec des informations supplémentaires."
}
],
"color": "#9575CD"
},
{
"id": "identifiable",
"name": [
{
"locale": "en",
"value": "Identifiable data"
},
{
"locale": "fr",
"value": "Données identifiables"
}
],
"description": [
{
"locale": "en",
"value": "The data either contains a direct identifier (name, address, account name, recognisable face or voice, plate number) or carries a token this system uses to look up legal identity during processing."
},
{
"locale": "fr",
"value": "Les données contiennent un identifiant direct (nom, adresse, nom de compte, visage ou voix reconnaissable, plaque d’immatriculation) ou portent un jeton que ce système utilise pour rechercher l’identité légale pendant le traitement."
}
],
"color": "#FFD700"
}
]
}
}[
{
"id": "input_about_a_measurement",
"category_id": "input_dataset",
"title": [
{
"locale": "en",
"value": "Data about a measurement"
},
{
"locale": "fr",
"value": "Données sur une mesure"
}
],
"description": [
{
"locale": "en",
"value": "Sensor readings — air quality, temperature, sound level, energy, water flow. The AI takes in numeric measurements from physical sensors, usually with no person attached. Examples: PM2.5 readings from an air-quality monitor, decibel levels from a sound sensor, kilowatt-hours from a meter."
},
{
"locale": "fr",
"value": "Relevés de capteurs : qualité de l'air, température, niveau sonore, énergie, débit d'eau. L'IA reçoit des mesures numériques issues de capteurs physiques, généralement non rattachées à une personne. Exemples : des relevés PM2,5 d'un moniteur de qualité de l'air, des décibels d'un capteur acoustique, des kilowattheures d'un compteur."
}
],
"authoring_guidance": [],
"examples": [],
"sources": [],
"symbol_id": "values_time",
"variables": [
{
"id": "additional_description",
"label": [
{
"locale": "en",
"value": "Description"
},
{
"locale": "fr",
"value": "Description"
}
],
"required": true,
"kind": "localized_text"
}
],
"shape": "circle",
"icon_variants": [
"default",
"dark",
"de_identified",
"de_identified.dark",
"pseudonymous",
"pseudonymous.dark",
"identifiable",
"identifiable.dark"
]
},
{
"id": "input_about_a_place",
"category_id": "input_dataset",
"title": [
{
"locale": "en",
"value": "Data about a place"
},
{
"locale": "fr",
"value": "Données sur un lieu"
}
],
"description": [
{
"locale": "en",
"value": "Locations, routes, surroundings, or floor plans. The AI takes in data describing where something is. Examples: GPS coordinates from a phone, foot-traffic counts on a sidewalk, a map of building corridors."
},
{
"locale": "fr",
"value": "Lieux, itinéraires, environnement ou plans. L'IA reçoit des données décrivant l'endroit où se trouve quelque chose. Exemples : des coordonnées GPS d'un téléphone, des comptages de passages piétons, le plan des couloirs d'un bâtiment."
}
],
"authoring_guidance": [],
"examples": [],
"sources": [],
"symbol_id": "spatial",
"variables": [
{
"id": "additional_description",
"label": [
{
"locale": "en",
"value": "Description"
},
{
"locale": "fr",
"value": "Description"
}
],
"required": true,
"kind": "localized_text"
}
],
"shape": "circle",
"icon_variants": [
"default",
"dark",
"de_identified",
"de_identified.dark",
"pseudonymous",
"pseudonymous.dark",
"identifiable",
"identifiable.dark"
]
},
{
"id": "input_about_behaviour",
"category_id": "input_dataset",
"title": [
{
"locale": "en",
"value": "Data about behaviour"
},
{
"locale": "fr",
"value": "Données sur le comportement"
}
],
"description": [
{
"locale": "en",
"value": "Taps, choices, paths walked, dwell time, purchases, or queries. The AI takes in records of what people did. Examples: tapped destinations on a wayfinding kiosk, items added to a cart, a search query typed into a public terminal."
},
{
"locale": "fr",
"value": "Touchers d'écran, choix, déplacements, temps de présence, achats ou requêtes. L'IA reçoit des registres de ce que les personnes ont fait. Exemples : destinations touchées sur une borne de signalisation, articles ajoutés à un panier, une requête tapée sur un terminal public."
}
],
"authoring_guidance": [],
"examples": [],
"sources": [],
"symbol_id": "about_behaviour",
"variables": [
{
"id": "additional_description",
"label": [
{
"locale": "en",
"value": "Description"
},
{
"locale": "fr",
"value": "Description"
}
],
"required": true,
"kind": "localized_text"
}
],
"shape": "circle",
"icon_variants": [
"default",
"dark",
"de_identified",
"de_identified.dark",
"pseudonymous",
"pseudonymous.dark",
"identifiable",
"identifiable.dark"
]
},
{
"id": "input_biometric",
"category_id": "input_dataset",
"title": [
{
"locale": "en",
"value": "Biometric data"
},
{
"locale": "fr",
"value": "Données biométriques"
}
],
"description": [
{
"locale": "en",
"value": "Faces, fingerprints, voice prints, gait, gestures, gaze, posture. The AI takes in biological signals from a person's body. Examples: a face captured at a turnstile, a voice recorded by a kiosk microphone, gait analyzed by an overhead camera."
},
{
"locale": "fr",
"value": "Visages, empreintes digitales, empreintes vocales, démarche, gestes, regard, posture. L'IA reçoit des signaux biologiques provenant du corps d'une personne. Exemples : un visage capturé à un tourniquet, une voix enregistrée par le microphone d'une borne, une démarche analysée par une caméra zénithale."
}
],
"authoring_guidance": [],
"examples": [],
"sources": [],
"symbol_id": "biometric",
"variables": [
{
"id": "additional_description",
"label": [
{
"locale": "en",
"value": "Description"
},
{
"locale": "fr",
"value": "Description"
}
],
"required": true,
"kind": "localized_text"
}
],
"shape": "circle",
"icon_variants": [
"default",
"dark",
"de_identified",
"de_identified.dark",
"pseudonymous",
"pseudonymous.dark",
"identifiable",
"identifiable.dark"
]
},
{
"id": "input_decision",
"category_id": "input_dataset",
"title": [
{
"locale": "en",
"value": "A decision about you"
},
{
"locale": "fr",
"value": "Une décision à propos de vous"
}
],
"description": [
{
"locale": "en",
"value": "An eligibility, classification, ranking, or yes/no that another system already made about a person. The AI takes in this prior decision and uses it as input. Examples: a credit score from another model, an access-allow flag from upstream, a triage class assigned earlier in the pipeline."
},
{
"locale": "fr",
"value": "Une éligibilité, classification, hiérarchisation, ou un oui/non qu'un autre système a déjà décidé sur une personne. L'IA reçoit cette décision antérieure et l'utilise en entrée. Exemples : un score de crédit issu d'un autre modèle, un drapeau d'accès autorisé venant d'amont, une classe de triage attribuée plus tôt dans le pipeline."
}
],
"authoring_guidance": [],
"examples": [],
"sources": [
{
"type": "regulation",
"title": "EU AI Act Article 3(1) — output classes (predictions, content, recommendations, decisions)",
"url": "https://eur-lex.europa.eu/eli/reg/2024/1689/oj",
"citation": "Regulation (EU) 2024/1689, Article 3(1)."
}
],
"symbol_id": "dm_accept-or-deny",
"variables": [
{
"id": "additional_description",
"label": [
{
"locale": "en",
"value": "Description"
},
{
"locale": "fr",
"value": "Description"
}
],
"required": true,
"kind": "localized_text"
}
],
"shape": "circle",
"icon_variants": [
"default",
"dark",
"de_identified",
"de_identified.dark",
"pseudonymous",
"pseudonymous.dark",
"identifiable",
"identifiable.dark"
]
},
{
"id": "input_generated_content",
"category_id": "input_dataset",
"title": [
{
"locale": "en",
"value": "Generated content"
},
{
"locale": "fr",
"value": "Contenu généré"
}
],
"description": [
{
"locale": "en",
"value": "Text, images, audio, or video that another AI made. The AI takes in this synthetic content and processes it further. Examples: an LLM-written summary fed into a translator, a generated photo passed to a moderation model, a text-to-speech clip routed to an audio system."
},
{
"locale": "fr",
"value": "Texte, images, audio ou vidéo créés par une autre IA. L'IA reçoit ce contenu synthétique et le traite encore. Exemples : un résumé écrit par un LLM transmis à un traducteur, une photo générée passée à un modèle de modération, un extrait synthèse vocale acheminé vers un système audio."
}
],
"authoring_guidance": [],
"examples": [],
"sources": [
{
"type": "regulation",
"title": "EU AI Act Article 3(1) — output class \"content\"",
"url": "https://eur-lex.europa.eu/eli/reg/2024/1689/oj",
"citation": "Regulation (EU) 2024/1689, Article 3(1)."
},
{
"type": "regulation",
"title": "EU AI Act Article 50 — Synthetic-content disclosure",
"url": "https://eur-lex.europa.eu/eli/reg/2024/1689/oj",
"citation": "Regulation (EU) 2024/1689, Article 50."
},
{
"type": "standard",
"title": "NIST AI 100-4 — AI Risk Management Framework",
"url": "https://nvlpubs.nist.gov/nistpubs/ai/NIST.AI.100-4.pdf",
"citation": "NIST."
}
],
"symbol_id": "generated_content",
"variables": [
{
"id": "additional_description",
"label": [
{
"locale": "en",
"value": "Description"
},
{
"locale": "fr",
"value": "Description"
}
],
"required": true,
"kind": "localized_text"
}
],
"shape": "circle",
"icon_variants": [
"default",
"dark",
"de_identified",
"de_identified.dark",
"pseudonymous",
"pseudonymous.dark",
"identifiable",
"identifiable.dark"
]
},
{
"id": "input_operational_data",
"category_id": "input_dataset",
"title": [
{
"locale": "en",
"value": "Operational data"
},
{
"locale": "fr",
"value": "Données opérationnelles"
}
],
"description": [
{
"locale": "en",
"value": "Schedules, routes, budgets, occupancy counts, public records, or other administrative data — not about any one person. The AI takes in data describing how a place or service runs. Examples: school occupancy by hour, trash-collection routes, a transit timetable, a department budget."
},
{
"locale": "fr",
"value": "Horaires, itinéraires, budgets, comptages d'occupation, registres publics ou autres données administratives — qui ne concernent aucune personne en particulier. L'IA reçoit des données décrivant le fonctionnement d'un lieu ou d'un service. Exemples : occupation d'une école par heure, tournées de collecte des ordures, horaires de transports, budget d'un service."
}
],
"authoring_guidance": [],
"examples": [],
"sources": [],
"symbol_id": "operational_data",
"variables": [
{
"id": "additional_description",
"label": [
{
"locale": "en",
"value": "Description"
},
{
"locale": "fr",
"value": "Description"
}
],
"required": true,
"kind": "localized_text"
}
],
"shape": "circle",
"icon_variants": [
"default",
"dark",
"de_identified",
"de_identified.dark",
"pseudonymous",
"pseudonymous.dark",
"identifiable",
"identifiable.dark"
]
},
{
"id": "input_physical_action",
"category_id": "input_dataset",
"title": [
{
"locale": "en",
"value": "A physical action"
},
{
"locale": "fr",
"value": "Une action physique"
}
],
"description": [
{
"locale": "en",
"value": "A signal that something in the physical world changed — a door opening, a light turning on, an alert sounding. The AI takes in evidence of these changes from upstream actuators or sensors. Examples: a turnstile-unlock event, an HVAC adjustment recorded by a sensor, a public-address alert played upstream."
},
{
"locale": "fr",
"value": "Un signal indiquant qu'un élément du monde physique a changé : une porte qui s'ouvre, une lumière qui s'allume, une alerte qui retentit. L'IA reçoit des indices de ces changements depuis des actionneurs ou capteurs en amont. Exemples : un événement de déverrouillage de tourniquet, un ajustement de CVC enregistré par un capteur, une alerte de sonorisation diffusée en amont."
}
],
"authoring_guidance": [],
"examples": [],
"sources": [
{
"type": "regulation",
"title": "EU AI Act Article 3(1) — outputs that \"influence physical or virtual environments\"",
"url": "https://eur-lex.europa.eu/eli/reg/2024/1689/oj",
"citation": "Regulation (EU) 2024/1689, Article 3(1)."
}
],
"symbol_id": "physical_action",
"variables": [
{
"id": "additional_description",
"label": [
{
"locale": "en",
"value": "Description"
},
{
"locale": "fr",
"value": "Description"
}
],
"required": true,
"kind": "localized_text"
}
],
"shape": "circle",
"icon_variants": [
"default",
"dark",
"de_identified",
"de_identified.dark",
"pseudonymous",
"pseudonymous.dark",
"identifiable",
"identifiable.dark"
]
},
{
"id": "input_recommendation",
"category_id": "input_dataset",
"title": [
{
"locale": "en",
"value": "A recommendation or prediction"
},
{
"locale": "fr",
"value": "Une recommandation ou prédiction"
}
],
"description": [
{
"locale": "en",
"value": "A suggestion, forecast, risk score, or ranking produced earlier by another system. The AI takes in this advisory output and uses it. Distinct from a binding decision because it advises rather than determines. Examples: a forecasted demand curve, a risk score from a prior model, a recommended route from a navigation service."
},
{
"locale": "fr",
"value": "Une suggestion, prévision, score de risque ou classement produit en amont par un autre système. L'IA reçoit cette sortie consultative et l'utilise. Distincte d'une décision contraignante parce qu'elle conseille sans trancher. Exemples : une courbe de demande prévue, un score de risque issu d'un modèle antérieur, un itinéraire recommandé par un service de navigation."
}
],
"authoring_guidance": [],
"examples": [],
"sources": [
{
"type": "regulation",
"title": "EU AI Act Article 3(1) — output classes (predictions, content, recommendations, decisions)",
"url": "https://eur-lex.europa.eu/eli/reg/2024/1689/oj",
"citation": "Regulation (EU) 2024/1689, Article 3(1)."
}
],
"symbol_id": "dm_priority-ranking",
"variables": [
{
"id": "additional_description",
"label": [
{
"locale": "en",
"value": "Description"
},
{
"locale": "fr",
"value": "Description"
}
],
"required": true,
"kind": "localized_text"
}
],
"shape": "circle",
"icon_variants": [
"default",
"dark",
"de_identified",
"de_identified.dark",
"pseudonymous",
"pseudonymous.dark",
"identifiable",
"identifiable.dark"
]
},
{
"id": "input_sensitive_personal",
"category_id": "input_dataset",
"title": [
{
"locale": "en",
"value": "Sensitive personal data"
},
{
"locale": "fr",
"value": "Données personnelles sensibles"
}
],
"description": [
{
"locale": "en",
"value": "Health, finances, beliefs, sexuality, immigration status, or other personal information that carries legal and social risk. The AI takes in this kind of protected data. Examples: insurance eligibility at a clinic kiosk, a benefits-application status, a self-declared pronoun."
},
{
"locale": "fr",
"value": "Santé, finances, convictions, sexualité, situation migratoire ou autres informations personnelles porteuses de risque légal et social. L'IA reçoit ce type de données protégées. Exemples : éligibilité à une assurance sur une borne de clinique, état d'une demande de prestation, pronom auto-déclaré."
}
],
"authoring_guidance": [],
"examples": [],
"sources": [
{
"type": "regulation",
"title": "GDPR Article 9 — Special categories of personal data",
"url": "https://eur-lex.europa.eu/eli/reg/2016/679/oj",
"citation": "Regulation (EU) 2016/679, Article 9."
},
{
"type": "other",
"title": "Apple App Store privacy labels — Sensitive Info / Health & Fitness / Financial Info",
"url": "https://developer.apple.com/app-store/app-privacy-details/",
"citation": "Apple."
}
],
"symbol_id": "sensitive_personal",
"variables": [
{
"id": "additional_description",
"label": [
{
"locale": "en",
"value": "Description"
},
{
"locale": "fr",
"value": "Description"
}
],
"required": true,
"kind": "localized_text"
}
],
"shape": "circle",
"icon_variants": [
"default",
"dark",
"de_identified",
"de_identified.dark",
"pseudonymous",
"pseudonymous.dark",
"identifiable",
"identifiable.dark"
]
}
]