{"id":14921,"date":"2026-05-26T09:58:41","date_gmt":"2026-05-26T08:58:41","guid":{"rendered":"https:\/\/www.cranium.eu\/federated-learning\/"},"modified":"2026-06-01T13:11:38","modified_gmt":"2026-06-01T12:11:38","slug":"apprentissage-federe","status":"publish","type":"post","link":"https:\/\/www.cranium.eu\/fr\/apprentissage-federe\/","title":{"rendered":"L\u2019apprentissage f\u00e9d\u00e9r\u00e9 : une IA plus intelligente sans centraliser les donn\u00e9es"},"content":{"rendered":"\t\t
\n\t\t\t\t
\n\t\t\t\t\t
\n\t\t\t\t
\n\t\t\t\t
\n\t\t\t\t\t\t\t\t\t

Points cl\u00e9s.<\/h2>
  • L\u2019apprentissage f\u00e9d\u00e9r\u00e9 r\u00e9sout le paradoxe des donn\u00e9es.<\/strong>Il permet d\u2019entra\u00eener des mod\u00e8les d\u2019IA sans centraliser les donn\u00e9es, offrant ainsi aux organisations la possibilit\u00e9 de concilier performance et protection de la vie priv\u00e9e.<\/li>
  • Les donn\u00e9es restent locales ; seule la connaissance est partag\u00e9e.<\/strong>Au lieu de collecter les donn\u00e9es brutes, seuls les param\u00e8tres ou mises \u00e0 jour du mod\u00e8le sont \u00e9chang\u00e9s, ce qui r\u00e9duit consid\u00e9rablement le risque de violation de donn\u00e9es.<\/li>
  • La protection des donn\u00e9es d\u00e8s la conception est au c\u0153ur de l\u2019approche.<\/strong>L\u2019apprentissage f\u00e9d\u00e9r\u00e9 est \u00e9troitement align\u00e9 sur les principes du RGPD, tels que la minimisation des donn\u00e9es et la protection des donn\u00e9es d\u00e8s la conception (data protection by design<\/em>).<\/li>
  • Des d\u00e9fis techniques et juridiques subsistent.<\/strong>Ceux-ci comprennent notamment la s\u00e9curisation des mises \u00e0 jour du mod\u00e8le, la qualit\u00e9 variable des donn\u00e9es et les incertitudes concernant la r\u00e9partition des responsabilit\u00e9s entre les diff\u00e9rentes parties.<\/li><\/ul>\t\t\t\t\t\t\t\t<\/div>\n\t\t\t\t<\/div>\n\t\t\t\t\t<\/div>\n\t\t\t\t<\/div>\n\t\t
    \n\t\t\t\t\t
    \n\t\t\t\t
    \n\t\t\t\t
    \n\t\t\t\t\t\t\t\t\t

    Introduction: le paradoxe des donn\u00e9es<\/h2>

    L\u2019intelligence artificielle repose sur trois ingr\u00e9dients : un algorithme, une puissance de calcul et des donn\u00e9es. Plus ces ressources sont disponibles en grande quantit\u00e9, plus les performances sont \u00e9lev\u00e9es. Ainsi, plus un mod\u00e8le dispose de donn\u00e9es, mieux il peut apprendre, reconna\u00eetre des sch\u00e9mas et effectuer des pr\u00e9dictions. Cette r\u00e9alit\u00e9 a fortement contribu\u00e9 \u00e0 l\u2019augmentation du besoin, pour les organisations, de collecter et de centraliser les donn\u00e9es.<\/p>

    Parall\u00e8lement, les pr\u00e9occupations ne cessent de cro\u00eetre. Les risques li\u00e9s \u00e0 la vie priv\u00e9e, les r\u00e9glementations plus strictes telles que le RGPD et l\u2019attention accrue port\u00e9e \u00e0 la s\u00e9curit\u00e9 des donn\u00e9es rendent de plus en plus difficile le simple regroupement de grandes quantit\u00e9s de donn\u00e9es sensibles dans un emplacement centralis\u00e9.<\/p>

    Un paradoxe clair appara\u00eet alors : nous avons besoin d\u2019une grande quantit\u00e9 de donn\u00e9es pour d\u00e9velopper des syst\u00e8mes d\u2019IA performants, mais nous ne pouvons pas, ou ne souhaitons pas, les centraliser librement.<\/p>

    L\u2019apprentissage f\u00e9d\u00e9r\u00e9 (Federated Learning<\/em>) offre une solution innovante. En termes simples : au lieu d\u2019amener les donn\u00e9es vers le mod\u00e8le, c\u2019est le mod\u00e8le qui est amen\u00e9 aux donn\u00e9es.<\/p>

    Dans ce blog, nous r\u00e9pondrons aux questions suivantes concernant l\u2019apprentissage f\u00e9d\u00e9r\u00e9 :<\/p>

    • Qu\u2019est-ce que l\u2019apprentissage f\u00e9d\u00e9r\u00e9 exactement ?<\/li>
    • Comment l\u2019apprentissage f\u00e9d\u00e9r\u00e9 fonctionne-t-il en pratique ?<\/li>
    • Pourquoi l\u2019apprentissage f\u00e9d\u00e9r\u00e9 est-il pertinent du point de vue du RGPD ?<\/li>
    • Dans quels domaines l\u2019apprentissage f\u00e9d\u00e9r\u00e9 est-il d\u00e9j\u00e0 utilis\u00e9 aujourd\u2019hui ?<\/li>
    • Quels sont les d\u00e9fis et les principaux points d\u2019attention \u00e0 prendre en compte ?<\/li><\/ul>\t\t\t\t\t\t\t\t<\/div>\n\t\t\t\t<\/div>\n\t\t\t\t\t<\/div>\n\t\t\t\t<\/div>\n\t\t
      \n\t\t\t\t\t
      \n\t\t\t\t
      \n\t\t\t\t
      \n\t\t\t\t\t\t\t\t\t

      Qu\u2019est-ce que l\u2019apprentissage f\u00e9d\u00e9r\u00e9 exactement?<\/h2>

      L\u2019apprentissage f\u00e9d\u00e9r\u00e9 (Federated Learning<\/em>) est une technique d\u2019apprentissage automatique (machine learning<\/em>) dans laquelle les mod\u00e8les sont entra\u00een\u00e9s sur plusieurs ensembles de donn\u00e9es distribu\u00e9s, sans que les donn\u00e9es sous-jacentes ne soient partag\u00e9es ou centralis\u00e9es.<\/p>

      Le principe fondamental est simple mais puissant :<\/p>

      • Le mod\u00e8le d\u2019IA est envoy\u00e9 l\u00e0 o\u00f9 se trouvent les donn\u00e9es (par exemple sur un appareil ou au sein d\u2019une organisation).<\/li>
      • Le mod\u00e8le est entra\u00een\u00e9 localement sur les donn\u00e9es disponibles.<\/li>
      • Seules les mises \u00e0 jour du mod\u00e8le (telles que les poids ou les param\u00e8tres) sont renvoy\u00e9es vers un serveur central.<\/li><\/ul>

        Cette approche diff\u00e8re fondamentalement de l\u2019apprentissage automatique classique, dans lequel toutes les donn\u00e9es sont d\u2019abord collect\u00e9es dans une base de donn\u00e9es centrale avant d\u2019\u00eatre utilis\u00e9es pour entra\u00eener un mod\u00e8le. L\u2019apprentissage f\u00e9d\u00e9r\u00e9 inverse ce processus en conservant les donn\u00e9es localement.<\/p>\t\t\t\t\t\t\t\t<\/div>\n\t\t\t\t<\/div>\n\t\t\t\t\t<\/div>\n\t\t\t\t<\/div>\n\t\t

        \n\t\t\t\t\t
        \n\t\t\t\t
        \n\t\t\t\t
        \n\t\t\t\t\t\t\t\t\t

        Comment fonctionne l\u2019apprentissage f\u00e9d\u00e9r\u00e9 en pratique?<\/h2>

        L\u2019apprentissage f\u00e9d\u00e9r\u00e9 suit un processus d\u2019entra\u00eenement cyclique et distribu\u00e9 dans lequel plusieurs parties collaborent sans partager leurs donn\u00e9es.<\/p>

        D\u00e9composition \u00e9tape par \u00e9tape :<\/p>

        1. Un mod\u00e8le global est d\u00e9velopp\u00e9 et partag\u00e9 avec diff\u00e9rents participants (par exemple, des appareils ou des organisations).<\/li>
        2. Chaque participant entra\u00eene le mod\u00e8le localement sur ses propres donn\u00e9es.<\/li>
        3. Les mises \u00e0 jour locales du mod\u00e8le sont renvoy\u00e9es \u00e0 un serveur central.<\/li>
        4. Le serveur agr\u00e8ge ces mises \u00e0 jour afin de cr\u00e9er un mod\u00e8le global am\u00e9lior\u00e9.<\/li>
        5. Le mod\u00e8le mis \u00e0 jour est ensuite partag\u00e9 \u00e0 nouveau avec l\u2019ensemble des participants.<\/li><\/ol>

          Ce processus est r\u00e9p\u00e9t\u00e9 plusieurs fois, ce qui permet au mod\u00e8le de s\u2019am\u00e9liorer progressivement.<\/p>

          L\u2019agr\u00e9gation repose g\u00e9n\u00e9ralement sur des techniques telles que la moyenne pond\u00e9r\u00e9e (weighted averaging<\/em>), o\u00f9 les mises \u00e0 jour provenant des diff\u00e9rents participants sont combin\u00e9es sans qu\u2019aucune donn\u00e9e individuelle ne devienne visible.<\/p>

          Un point essentiel doit \u00eatre soulign\u00e9 : les donn\u00e9es brutes ne quittent jamais l\u2019environnement local. Seules des informations d\u00e9riv\u00e9es (les param\u00e8tres du mod\u00e8le) sont partag\u00e9es.<\/p>

          En pratique, l\u2019apprentissage f\u00e9d\u00e9r\u00e9 est d\u00e9j\u00e0 utilis\u00e9 sur les smartphones, dans les h\u00f4pitaux et dans les environnements IoT (Internet of Things<\/em>), que nous examinerons plus en d\u00e9tail ci-dessous.<\/p>\t\t\t\t\t\t\t\t<\/div>\n\t\t\t\t<\/div>\n\t\t\t\t\t<\/div>\n\t\t\t\t<\/div>\n\t\t

          \n\t\t\t\t\t
          \n\t\t\t\t
          \n\t\t\t\t
          \n\t\t\t\t\t\t\t\t\t

          Pourquoi l\u2019apprentissage f\u00e9d\u00e9r\u00e9 est-il pertinent du point de vue du RGPD?<\/h2>

          L\u2019apprentissage f\u00e9d\u00e9r\u00e9 s\u2019aligne bien avec plusieurs principes fondamentaux du RGPD :<\/p>

          • Minimisation des donn\u00e9es<\/strong>: aucun ensemble de donn\u00e9es centralis\u00e9 n\u2019est constitu\u00e9, ce qui signifie que moins de donn\u00e9es \u00e0 caract\u00e8re personnel sont collect\u00e9es et trait\u00e9es.<\/li>
          • Protection des donn\u00e9es d\u00e8s la conception et par d\u00e9faut<\/strong>(Data Protection by Design and by Default<\/em>) : la protection de la vie priv\u00e9e est int\u00e9gr\u00e9e directement dans l\u2019architecture m\u00eame du syst\u00e8me.<\/li>
          • Limitation des transferts<\/strong>: les donn\u00e9es \u00e0 caract\u00e8re personnel restent locales et ne sont pas syst\u00e9matiquement partag\u00e9es entre les diff\u00e9rentes parties.<\/li>
          • R\u00e9duction du risque de violation de donn\u00e9es<\/strong>: il n\u2019existe pas de point central unique regroupant l\u2019ensemble des donn\u00e9es et susceptible de constituer une cible privil\u00e9gi\u00e9e.<\/li><\/ul>

            Cela \u00e9tant dit, l\u2019apprentissage f\u00e9d\u00e9r\u00e9 ne constitue pas une autorisation implicite de traiter des donn\u00e9es \u00e0 caract\u00e8re personnel sans analyse compl\u00e9mentaire ni mesures de protection appropri\u00e9es. Les organisations doivent toujours \u00e9valuer avec soin si leur utilisation de cette technologie est conforme aux exigences applicables.<\/p>

            Dans de nombreux cas, la r\u00e9alisation d\u2019une\u00a0Analyse d\u2019Impact relative \u00e0 la Protection des Donn\u00e9es (AIPD ou DPIA)reste n\u00e9cessaire. L\u2019apprentissage f\u00e9d\u00e9r\u00e9 est souvent d\u00e9ploy\u00e9 dans des contextes pr\u00e9sentant un risque \u00e9lev\u00e9, tels que les traitements \u00e0 grande \u00e9chelle, l\u2019utilisation de donn\u00e9es sensibles (comme les donn\u00e9es de sant\u00e9) ou le recours \u00e0 des technologies innovantes. Une AIPD permet d\u2019identifier ces risques de mani\u00e8re syst\u00e9matique et de d\u00e9finir les mesures ad\u00e9quates pour les att\u00e9nuer.<\/p>

            Par ailleurs, les mises \u00e0 jour du mod\u00e8le peuvent elles-m\u00eames r\u00e9v\u00e9ler certaines informations dans des circonstances particuli\u00e8res, ce qui n\u00e9cessite la mise en place de mesures de s\u00e9curit\u00e9 suppl\u00e9mentaires.<\/p>

            Par exemple, les\u00a0attaques par inversion de mod\u00e8le\u00a0(model inversion attacks<\/em>) permettent \u00e0 un attaquant de tenter de reconstituer des informations sensibles \u00e0 partir des param\u00e8tres du mod\u00e8le partag\u00e9s, telles que certaines caract\u00e9ristiques des donn\u00e9es d\u2019entra\u00eenement. Les\u00a0attaques par inf\u00e9rence d\u2019appartenance\u00a0(membership inference attacks<\/em>) peuvent \u00e9galement permettre de d\u00e9terminer si certaines donn\u00e9es sp\u00e9cifiques ont \u00e9t\u00e9 utilis\u00e9es dans l\u2019ensemble d\u2019entra\u00eenement.<\/p>

            Ces risques n\u00e9cessitent des garanties suppl\u00e9mentaires, notamment le recours au chiffrement et \u00e0 des m\u00e9canismes d\u2019agr\u00e9gation s\u00e9curis\u00e9e (secure aggregation<\/em>).<\/p>\t\t\t\t\t\t\t\t<\/div>\n\t\t\t\t<\/div>\n\t\t\t\t\t<\/div>\n\t\t\t\t<\/div>\n\t\t

            \n\t\t\t\t\t
            \n\t\t\t\t
            \n\t\t\t\t
            \n\t\t\t\t\t\t\t\t\t

            O\u00f9 l\u2019apprentissage f\u00e9d\u00e9r\u00e9 est-il d\u00e9j\u00e0 utilis\u00e9 aujourd\u2019hui?<\/h2>

            L\u2019apprentissage f\u00e9d\u00e9r\u00e9 n\u2019est plus un concept futuriste. Il est d\u00e9j\u00e0 utilis\u00e9 dans plusieurs domaines :<\/p>

            • Appareils mobiles<\/strong>: les claviers et assistants vocaux am\u00e9liorent leurs performances en fonction du comportement des utilisateurs, sans que ces donn\u00e9es ne quittent jamais l\u2019appareil.<\/li>
            • Secteur de la sant\u00e9<\/strong>: les h\u00f4pitaux peuvent entra\u00eener conjointement des mod\u00e8les d\u2019intelligence artificielle \u00e0 partir de donn\u00e9es m\u00e9dicales sans \u00e9changer les dossiers des patients.<\/li>
            • Internet des objets (IoT)<\/strong>: les capteurs et appareils intelligents entra\u00eenent des mod\u00e8les \u00e0 partir de donn\u00e9es distribu\u00e9es en temps r\u00e9el.<\/li><\/ul>

              Ces applications d\u00e9montrent comment l\u2019apprentissage f\u00e9d\u00e9r\u00e9 peut offrir des avantages concrets sans compromettre la protection de la vie priv\u00e9e.<\/p>\t\t\t\t\t\t\t\t<\/div>\n\t\t\t\t<\/div>\n\t\t\t\t\t<\/div>\n\t\t\t\t<\/div>\n\t\t

              \n\t\t\t\t\t
              \n\t\t\t\t
              \n\t\t\t\t
              \n\t\t\t\t\t\t\t\t\t

              Quels sont les d\u00e9fis et les principaux points d\u2019attention?<\/h2>

              Bien que l\u2019apprentissage f\u00e9d\u00e9r\u00e9 pr\u00e9sente des avantages \u00e9vidents en mati\u00e8re de protection de la vie priv\u00e9e et de gestion des donn\u00e9es, il s\u2019accompagne \u00e9galement d\u2019un certain nombre de d\u00e9fis importants :<\/p>

              • Qualit\u00e9 in\u00e9gale des donn\u00e9es<\/strong>: les participants disposent souvent de donn\u00e9es de nature et de qualit\u00e9 diff\u00e9rentes. Cela peut r\u00e9duire la pr\u00e9cision du mod\u00e8le global ou biaiser ses r\u00e9sultats, certains ensembles de donn\u00e9es ayant davantage de poids ou n\u2019\u00e9tant pas repr\u00e9sentatifs.<\/li>
              • Infrastructure plus complexe<\/strong>: la mise en place et la gestion de syst\u00e8mes f\u00e9d\u00e9r\u00e9s sont techniquement plus exigeantes que celles de mod\u00e8les centralis\u00e9s.<\/li>
              • S\u00e9curit\u00e9 des mises \u00e0 jour du mod\u00e8le<\/strong>: les mises \u00e0 jour peuvent potentiellement r\u00e9v\u00e9ler certaines informations ou \u00eatre manipul\u00e9es.<\/li>
              • Limites d\u2019application<\/strong>: tous les types d\u2019applications d\u2019intelligence artificielle ne se pr\u00eatent pas \u00e0 l\u2019apprentissage f\u00e9d\u00e9r\u00e9. Les cas d\u2019usage qui d\u00e9pendent fortement de jeux de donn\u00e9es centralis\u00e9s, coh\u00e9rents ou n\u00e9cessitant un acc\u00e8s en temps r\u00e9el \u00e0 l\u2019ensemble des donn\u00e9es (comme certaines formes de d\u00e9tection de fraude ou certains probl\u00e8mes d\u2019optimisation globale) sont moins adapt\u00e9s. L\u2019apprentissage f\u00e9d\u00e9r\u00e9 est plus efficace dans des environnements o\u00f9 les sources de donn\u00e9es sont clairement s\u00e9par\u00e9es, comme les appareils mobiles ou les organisations distinctes.<\/li><\/ul>

                Il existe \u00e9galement des consid\u00e9rations juridiques et organisationnelles, notamment :<\/p>

                • Les accords relatifs \u00e0 la s\u00e9curit\u00e9, \u00e0 la gestion des incidents et aux mises \u00e0 jour.<\/li>
                • La transparence \u00e0 l\u2019\u00e9gard des personnes concern\u00e9es.<\/li>
                • Les m\u00e9canismes de contr\u00f4le au sein de la collaboration.<\/li>
                • La question de savoir dans quelle mesure les mises \u00e0 jour du mod\u00e8le ou le mod\u00e8le global lui-m\u00eame peuvent \u00eatre qualifi\u00e9s de donn\u00e9es \u00e0 caract\u00e8re personnel.<\/li>
                • La mani\u00e8re d\u2019\u00e9valuer la r\u00e9partition des responsabilit\u00e9s lorsque plusieurs parties d\u00e9terminent conjointement les conditions d\u2019entra\u00eenement du mod\u00e8le.<\/li>
                • L\u2019exercice pratique des droits des personnes concern\u00e9es (tels que le droit d\u2019acc\u00e8s ou le droit \u00e0 l\u2019effacement) dans un contexte d\u2019apprentissage f\u00e9d\u00e9r\u00e9.<\/li><\/ul>

                  Ces aspects de gouvernance et de protection des donn\u00e9es sont essentiels pour mettre en \u0153uvre l\u2019apprentissage f\u00e9d\u00e9r\u00e9 de mani\u00e8re conforme et durable.<\/p>\t\t\t\t\t\t\t\t<\/div>\n\t\t\t\t<\/div>\n\t\t\t\t\t<\/div>\n\t\t\t\t<\/div>\n\t\t

                  \n\t\t\t\t\t
                  \n\t\t\t\t
                  \n\t\t\t\t
                  \n\t\t\t\t\t\t\t\t\t

                  Conclusion: l\u2019apprentissage f\u00e9d\u00e9r\u00e9, une \u00e9tape vers une IA responsable.<\/h2>

                  \u00a0L\u2019apprentissage f\u00e9d\u00e9r\u00e9 offre une approche prometteuse pour d\u00e9velopper des syst\u00e8mes d\u2019intelligence artificielle performants sans centraliser les donn\u00e9es. Il permet aux organisations de limiter les risques li\u00e9s \u00e0 la protection de la vie priv\u00e9e et \u00e0 la s\u00e9curit\u00e9 des donn\u00e9es.<\/p>

                  Cela \u00e9tant, il ne remplace ni une gouvernance des donn\u00e9es solide ni le respect des obligations l\u00e9gales. Il constitue plut\u00f4t un \u00e9l\u00e9ment d\u2019une approche plus large fond\u00e9e sur la protection des donn\u00e9es d\u00e8s la conception (Data Protection by Design).<\/p>

                  Les organisations souhaitant d\u00e9ployer des solutions d\u2019intelligence artificielle ont tout int\u00e9r\u00eat \u00e0 envisager simultan\u00e9ment les aspects technologiques et de conformit\u00e9. L\u2019apprentissage f\u00e9d\u00e9r\u00e9 peut constituer l\u2019un des \u00e9l\u00e9ments cl\u00e9s de cette d\u00e9marche et jouer un r\u00f4le important dans l\u2019\u00e9volution vers des syst\u00e8mes d\u2019IA plus responsables et plus durables.<\/p>

                  Des questions sur l\u2019IA f\u00e9d\u00e9r\u00e9e (Federated AI) ou sur la mani\u00e8re d\u2019utiliser l\u2019intelligence artificielle de fa\u00e7on conforme ? Nos experts juridiques sont l\u00e0 pour vous accompagner.<\/em><\/p>\t\t\t\t\t\t\t\t<\/div>\n\t\t\t\t<\/div>\n\t\t\t\t\t<\/div>\n\t\t\t\t<\/div>\n\t\t\t\t<\/div>\n\t\t","protected":false},"excerpt":{"rendered":"

                  Points cl\u00e9s. L\u2019apprentissage f\u00e9d\u00e9r\u00e9 r\u00e9sout le paradoxe des donn\u00e9es.Il permet d\u2019entra\u00eener des mod\u00e8les d\u2019IA sans centraliser les donn\u00e9es, offrant ainsi aux organisations la possibilit\u00e9 de concilier performance et protection de la vie priv\u00e9e. Les donn\u00e9es restent locales ; seule la connaissance est partag\u00e9e.Au lieu de collecter les donn\u00e9es brutes, seuls les param\u00e8tres ou mises \u00e0 […]<\/p>\n","protected":false},"author":2,"featured_media":14880,"comment_status":"open","ping_status":"closed","sticky":false,"template":"","format":"standard","meta":{"_acf_changed":false,"content-type":"","footnotes":""},"categories":[61,28],"tags":[71,67,66],"post_folder":[],"class_list":["post-14921","post","type-post","status-publish","format-standard","has-post-thumbnail","hentry","category-blogpost-fr","category-geen-onderdeel-van-een-categorie","tag-droit-numerique","tag-intelligence-artificielle","tag-protection-de-la-vie-privee"],"acf":[],"_links":{"self":[{"href":"https:\/\/www.cranium.eu\/fr\/wp-json\/wp\/v2\/posts\/14921","targetHints":{"allow":["GET"]}}],"collection":[{"href":"https:\/\/www.cranium.eu\/fr\/wp-json\/wp\/v2\/posts"}],"about":[{"href":"https:\/\/www.cranium.eu\/fr\/wp-json\/wp\/v2\/types\/post"}],"author":[{"embeddable":true,"href":"https:\/\/www.cranium.eu\/fr\/wp-json\/wp\/v2\/users\/2"}],"replies":[{"embeddable":true,"href":"https:\/\/www.cranium.eu\/fr\/wp-json\/wp\/v2\/comments?post=14921"}],"version-history":[{"count":0,"href":"https:\/\/www.cranium.eu\/fr\/wp-json\/wp\/v2\/posts\/14921\/revisions"}],"wp:featuredmedia":[{"embeddable":true,"href":"https:\/\/www.cranium.eu\/fr\/wp-json\/wp\/v2\/media\/14880"}],"wp:attachment":[{"href":"https:\/\/www.cranium.eu\/fr\/wp-json\/wp\/v2\/media?parent=14921"}],"wp:term":[{"taxonomy":"category","embeddable":true,"href":"https:\/\/www.cranium.eu\/fr\/wp-json\/wp\/v2\/categories?post=14921"},{"taxonomy":"post_tag","embeddable":true,"href":"https:\/\/www.cranium.eu\/fr\/wp-json\/wp\/v2\/tags?post=14921"},{"taxonomy":"post_folder","embeddable":true,"href":"https:\/\/www.cranium.eu\/fr\/wp-json\/wp\/v2\/post_folder?post=14921"}],"curies":[{"name":"wp","href":"https:\/\/api.w.org\/{rel}","templated":true}]}}