Projets IA

"Open source AI" : le plus gros mensonge de l'IA (open weights vs open source)

Sat, 29 Aug 2026 14:35:52 +0000

La plupart des modèles d'IA estampillés "open source" ne le sont pas vraiment. On confond deux choses très différentes : "open weights" (on peut télécharger et faire tourner le modèle fini) et "open source" au sens strict (on a AUSSI le code d'entraînement et assez d'infos sur les données pour auditer et reconstruire le modèle).

Dans cette vidéo, on décortique la distinction, on explique la définition officielle de l'Open Source Initiative (l'OSAID, publiée le 28 octobre 2024, avec ses 4 libertés), on met un nom sur l'"openwashing", et on place les modèles connus sur un axe qui va du fermé au vraiment ouvert. Aucun bagage technique requis : c'est un sujet de mots et de licences.

📩 Newsletter IA Décodée (gratuite, chaque semaine) — la vidéo en synthèse et l'actu qui compte : https://projetsia.netlify.app/

🔔 Abonne-toi à Projets IA pour comprendre l'IA telle qu'elle est vraiment, pas telle qu'on te la vend.

#ProjetsIA #OpenSource #IA #IntelligenceArtificielle #LLM #OpenWeights #Llama #DeepSeek #MachineLearning #VulgarisationIA #OSI

Hosted on Ausha. See ausha.co/privacy-policy for more information.

Le Coût des Tokens : Combien Coûte Vraiment un LLM (et comment l'estimer)

Tue, 18 Aug 2026 23:17:33 +0000

💸 Tout, dans un LLM, se facture au token. Mais entre le modèle que tu choisis, la longueur de tes conversations et ce que le modèle t'écrit en réponse, le même travail peut coûter une fraction de centime… ou cinquante fois plus. Dans cette vidéo, en trois temps : ce qui fait vraiment le prix quand tu utilises un LLM, comment estimer tes coûts avant même de te lancer, et comment faire baisser la note.

⚠️ Les prix cités sont ceux d'août 2026 et baissent très vite (÷~5 en un an). Revérifie les grilles officielles avant de calculer pour de vrai. Ici, ce qui compte, c'est la méthode.

📩 Newsletter IA Décodée (gratuite, chaque semaine) — la vidéo en synthèse, un exercice et l'actu qui périme tes calculs : https://projetsia.netlify.app/

🔔 Abonne-toi à Projets IA — on démonte l'IA côté concept et côté chantier.

#CoutAPI #Tokens #LLM #IA #IntelligenceArtificielle #PromptCaching #MachineLearning #APIcost #DeepSeek #TCO #VulgarisationIA #ProjetsIA

Hosted on Ausha. See ausha.co/privacy-policy for more information.

Google Colab pour débutants : ton labo IA gratuit (sans rien installer)

Mon, 10 Aug 2026 01:45:07 +0000

💻 Google Colab, c'est une page web gratuite où tu peux coder, faire tourner une IA et utiliser un GPU de plusieurs milliers d'euros — sans rien installer sur ton ordinateur. C'est le point de départ de la quasi-totalité des tutoriels IA. Ici on met les mains dedans : on suit un même fil rouge du début à la fin — un petit « détecteur d'humeur » qui lit une phrase et dit si elle est positive ou négative.

Aucun prérequis. Si tu n'as jamais codé, cette vidéo est pour toi.

🔗 Pour te lancer : colab.research.google.com

🔔 Abonne-toi à Projets IA — on va faire tourner des IA ensemble, en partant de zéro.

#GoogleColab #IA #IntelligenceArtificielle #Python #MachineLearning #DeepLearning #Colab #GPU #DébutantIA #ApprendreLIA #VulgarisationIA #ProjetsIA

---

# 🔗 SOURCES

- **Documentation officielle Google Colab** — colab.research.google.com (FAQ, types de runtime, limites d'usage GPU, montage Google Drive).
- Usage réel de préparation de démos (retour d'expérience).

---

# 🏷️ HASHTAGS

```
#GoogleColab #IA #IntelligenceArtificielle #Python #MachineLearning #DeepLearning #Colab #GPU #DébutantIA #ApprendreLIA #VulgarisationIA #ProjetsIA

Hosted on Ausha. See ausha.co/privacy-policy for more information.

Comment on pirate une IA (sans toucher à son code)

Sun, 26 Jul 2026 17:57:14 +0000

🔓 On peut pirater une IA sans toucher à son code : juste avec des mots. Un ordre caché dans un mail ou une page web peut retourner un assistant contre son propre utilisateur. Cette faille, la prompt injection, est classée risque n°1 des applications IA par l'OWASP — et à ce jour, on ne sait pas la corriger complètement.

Dans cette vidéo, on dissèque les trois familles d'attaques contre les LLM et les agents : manipuler le modèle, lui faire fuiter des secrets, et détourner une IA qui peut agir. Plus comment on se défend.

Aucun prérequis technique lourd. Cadre 100 % défensif et pédagogique.

📚 Pour aller plus loin :
— OWASP Top 10 for LLM Applications : https://genai.owasp.org/resource/owasp-top-10-for-llm-applications-2025/
— Blog de Simon Willison sur la prompt injection : https://simonwillison.net/

🔔 Abonne-toi à Projets IA — on démonte l'IA en profondeur, un concept par vidéo.

#PromptInjection #SécuritéIA #IA #Cybersécurité #LLM #IntelligenceArtificielle #OWASP #Jailbreak #AgentIA #MachineLearning #VulgarisationIA #ProjetsIA

---

# 🔗 SOURCES (vérifiées)

- **Prompt injection (nom + première démonstration)** — Riley Goodside démontre l'attaque (sept. 2022) ; Simon Willison nomme la « prompt injection » par analogie à l'injection SQL. Réf : simonwillison.net (série « prompt injection »).
- **Injection indirecte** — Greshake, Abdelnabi, Mishra, Endres, Holz, Fritz : « Not what you've signed up for: Compromising Real-World LLM-Integrated Applications with Indirect Prompt Injection », arXiv:2302.12173 (fév. 2023). Exploits démontrés notamment contre Bing Chat (GPT-4).
- **Suffixe adversarial / jailbreak automatisé (GCG)** — Zou, Wang, Carlini, Nasr, Kolter, Fredrikson : « Universal and Transferable Adversarial Attacks on Aligned Language Models » (2023). Suffixes universels et transférables entre modèles.
- **Régurgitation de données d'entraînement** — littérature sur la mémorisation/extraction de données d'entraînement des LLM (p. ex. Carlini et al., « Extracting Training Data from Large Language Models »).
- **Classement des risques + défenses** — **OWASP Top 10 for LLM Applications** (LLM01 Prompt Injection = risque n°1, non « patchable » ; LLM02 Sensitive Information Disclosure ; défense en profondeur : moindre privilège, human-in-the-loop, filtrage entrée/sortie) - https://genai.owasp.org/resource/owasp-top-10-for-llm-applications-2025/

---

# 🏷️ HASHTAGS

```
#PromptInjection #SécuritéIA #IA #Cybersécurité #LLM #IntelligenceArtificielle #OWASP #Jailbreak #AgentIA #MachineLearning #VulgarisationIA #ProjetsIA

Hosted on Ausha. See ausha.co/privacy-policy for more information.

MCP expliqué à fond : le "port USB-C" qui branche l'IA sur le monde réel

Sun, 19 Jul 2026 21:13:00 +0000

🔌 Une IA, toute seule, ne sait rien faire dans tes outils. Elle génère du texte, point. Alors comment Claude ou ChatGPT se mettent à lire tes fichiers, requêter ta base de données ou créer une issue GitHub — sans qu'on ait recodé l'IA pour chaque logiciel ? La réponse : le MCP, le Model Context Protocol. Le "port USB-C" de l'IA, publié par Anthropic fin 2024 et devenu un standard de l'industrie.

Dans cette vidéo, on ne refait pas l'analogie facile — on ouvre le capot. Architecture host/client/server, les 3 primitives (tools, resources, prompts), le langage JSON-RPC, le handshake de découverte, les transports stdio et HTTP, la boucle agentique, et les vrais risques de sécurité. Sans jargon : tout est vulgarisé terme par terme.

📚 Pour creuser : la spécification officielle, gratuite et lisible — modelcontextprotocol.io

🔔 Abonne-toi à Projets IA pour les prochaines vidéos sur les agents IA, le tool use et la mise en pratique du MCP.

#MCP #ModelContextProtocol #IA #IntelligenceArtificielle #LLM #Claude #Anthropic #AgentsIA #ToolUse #FunctionCalling #VulgarisationIA #ProjetsIA

---

## 🔗 SOURCES

- Spécification officielle MCP — `modelcontextprotocol.io` (architecture, primitives, transports, JSON-RPC, lifecycle/handshake)
- Annonce Anthropic « Introducing the Model Context Protocol » (novembre 2024)
- Documentation Anthropic sur les serveurs de référence (filesystem, GitHub, Drive, Slack, Postgres, Puppeteer)

---

## 🏷 HASHTAGS

#MCP #ModelContextProtocol #IA #IntelligenceArtificielle #LLM #Claude #Anthropic #AgentsIA #ToolUse #FunctionCalling #JSONRPC #VulgarisationIA #ProjetsIA #DeepDive

Hosted on Ausha. See ausha.co/privacy-policy for more information.

Pourquoi l'IA tourne sur des GPU et pas des CPU

Sat, 11 Jul 2026 18:42:00 +0000

Sur ton ordinateur, il y a déjà un processeur ultra-puissant : le CPU. Et pourtant, pour faire de l'IA, il est presque inutile. On branche à côté une carte conçue, au départ, pour les jeux vidéo. Pourquoi ? Et pourquoi NVIDIA, le fabricant de ces cartes, vaut désormais plus de 3 000 milliards de dollars ?

Dans cette vidéo, on décortique en profondeur pourquoi toute l'IA moderne tourne sur des GPU et pas des CPU. Sans maths, sans bagage technique. On va voir l'architecture matérielle, les Tensor Cores, la bande passante mémoire, et le vrai moat de NVIDIA — qui n'est pas du tout celui qu'on croit.

🔗 Ressources : "GPU Puzzles" de Sasha Rush (open source) · blog technique NVIDIA (architecture Hopper / H100).

🔔 Abonne-toi à Projets IA pour les prochaines vidéos sur la VRAM, la quantization et l'inférence des LLM.

Tu pensais que le GPU gagnait juste parce qu'il calcule plus vite ? Dis-moi en commentaire la partie qui t'a le plus surpris.

#GPU #NVIDIA #IA #IntelligenceArtificielle #CUDA #TensorCores #DeepLearning #MachineLearning #Hardware #LLM #VulgarisationIA #ProjetsIA

---

## 🔗 SOURCES

- NVIDIA — documentation architecture Hopper (H100) : Tensor Cores 4ᵉ génération, ~80 Go HBM3, bande passante mémoire 3 To/s, performance Tensor 1 000 TFLOPs (selon précision).
- NVIDIA — historique CUDA (lancement 2007) et écosystème (cuDNN, cuBLAS).
- Krizhevsky, Sutskever, Hinton (2012) — AlexNet entraîné sur 2× GTX 580 : bascule GPU pour le deep learning.
- Littérature inférence LLM : caractère memory-bound de la phase de génération (decode) vs compute-bound de la phase de prefill ; rôle de la bande passante mémoire.
- Sasha Rush — "GPU Puzzles" (ressource pédagogique open source sur la programmation parallèle GPU).

Hosted on Ausha. See ausha.co/privacy-policy for more information.

Comment FORCER une IA à produire du JSON valide à 100% (pas 95%)

Thu, 02 Jul 2026 15:30:31 +0000

Tu demandes du JSON à un LLM. 19 fois sur 20, c'est parfait. La 20e fois, une accolade manque, et ton appli crashe. Aucun prompt ne réglera jamais ça à 100% — parce qu'un LLM ne "respecte" pas un format, il échantillonne des probabilités token par token.

La vraie solution est une technique d'ingénierie LLM sous-estimée : le **constrained decoding** (décodage contraint). Dans cette vidéo, on décortique le mécanisme exact — le logit masking — qui rend une sortie invalide littéralement impossible à générer. Pas de maths, pas besoin d'être ingénieur. Juste la mécanique, expliquée clairement.

📚 Ressources : la lib Outlines (.txt team), la grammaire GBNF de llama.cpp, le structured output d'OpenAI & d'Anthropic.

▶ Si tu n'as pas vu comment un LLM choisit ses mots, regarde notre deep-dive sur l'architecture Transformer en premier.

🔔 Abonne-toi à Projets IA pour les prochaines vidéos sur l'ingénierie LLM, les agents et la mise en production.

#ConstrainedDecoding #StructuredOutput #LLM #JSON #IA #IntelligenceArtificielle #FunctionCalling #Outlines #llamacpp #MachineLearning #VulgarisationIA #ProjetsIA #IngénierieIA

---

## 📚 SOURCES

- **Outlines** (dottxt-ai) — lib Python de structured generation : JSON Schema → automate, logit masking. Référence d'implémentation open source.
- **GBNF** (GGML BNF) — format de grammaire de llama.cpp pour contraindre la génération locale.
- **OpenAI** — docs Structured Outputs / JSON mode / function calling.
- **Anthropic** — docs tool use / JSON output.
- Concept général : automates à états finis & grammaires context-free appliqués au décodage LLM (logit masking entre logits et softmax).

Hosted on Ausha. See ausha.co/privacy-policy for more information.

Backpropagation : Comment l'IA Calcule VRAIMENT Ses Gradients

Sat, 27 Jun 2026 23:06:38 +0000

À chaque pas d'entraînement, un réseau de neurones doit savoir, pour chacun de ses paramètres — parfois des centaines de milliards — dans quel sens le bouger pour se tromper un peu moins. Et il calcule tout ça d'un coup, en un seul passage. L'algorithme derrière, c'est la backpropagation. Dans cette vidéo, on dissèque le CALCUL du gradient lui-même : ce que c'est, pourquoi la règle de la chaîne le rend possible, et comment PyTorch le fait automatiquement pour toi. Sans une seule équation intimidante.

(Note : ici on parle du *calcul* du gradient — la backprop. Pas de la descente de gradient, l'optimisation, qui a sa propre vidéo sur la chaîne.)

🔔 Abonne-toi à Projets IA pour les prochaines vidéos sur l'entraînement des réseaux, l'optimisation et le hands-on micrograd en français.

📚 Ressources : micrograd d'Andrej Karpathy · Stanford CS231n (notes sur la backprop) · papier original Rumelhart, Hinton & Williams (1986).

#Backpropagation #IA #DeepLearning #MachineLearning #PyTorch #ReseauxDeNeurones #Gradient #VulgarisationIA #IntelligenceArtificielle #ProjetsIA

---

## SOURCES

- **Rumelhart, Hinton & Williams (1986)** — "Learning representations by back-propagating errors", Nature. Papier fondateur.
- **Stanford CS231n** — notes de cours sur la backpropagation et les graphes de calcul (référence pédagogique de l'analogie engrenages / circuits).
- **Andrej Karpathy — micrograd / "The spelled-out intro to backpropagation"** — autograd minimal en ~100 lignes Python, construction du graphe et `backward()` à la main.
- **Documentation PyTorch Autograd** — `requires_grad`, `loss.backward()`, graphe dynamique, stockage des activations.
- **Gradient checkpointing** (mention) — `torch.utils.checkpoint`, compromis mémoire/calcul.

---

## HASHTAGS

#Backpropagation #IA #DeepLearning #MachineLearning #PyTorch #ReseauxDeNeurones #Gradient #ChainRule #Autograd #VulgarisationIA #IntelligenceArtificielle #ProjetsIA

---

## CONCEPTS MATH VULGARISÉS (compteur — plafond 5-6)

1. **Loss / fonction de coût** — un seul chiffre qui mesure l'erreur du modèle.
2. **Dérivée / pente** — de combien la sortie bouge si je bouge un peu l'entrée ; positive = monte, négative = descend.
3. **Dérivée partielle** — la pente dans une seule direction, tous les autres poids figés.
4. **Gradient** — la liste de toutes les pentes, une par poids ; boussole vers la montée la plus raide.
5. **Composition de fonctions** — fonctions emboîtées comme des poupées russes.
6. **Règle de la chaîne** — multiplier les petites pentes locales le long de la chaîne (engrenages).

Hosted on Ausha. See ausha.co/privacy-policy for more information.

Attention Décortiquée : Ce Qui Se Passe Vraiment dans Q × K × V

Sun, 14 Jun 2026 14:12:26 +0000

🔬 Q × K × V — l'opération qui fait fonctionner ChatGPT, Claude, et tous les Transformers. Aujourd'hui, on regarde au microscope.

Dans cette vidéo, on décortique :
— Pourquoi chaque mot doit "regarder" tous les autres (et pourquoi RNN et CNN ne suffisaient pas)
— Q, K, V comme trois projections du même vecteur (Query, Key, Value)
— Le produit Q × K transposé → softmax → scores de pertinence
— La somme pondérée des V → représentation contextuelle enrichie
— Pourquoi multi-head : 12 versions parallèles pour capturer différents aspects sémantiques

Q, K, V, c'est trois façons de regarder le même mot. Question, étiquette, contenu.

📚 Sources et ressources
— Vaswani et al. 2017 — *Attention Is All You Need* (arXiv:1706.03762)
— Jay Alammar — *The Illustrated Transformer* : jalammar.github.io/illustrated-transformer
— BertViz : visualiser les têtes d'attention : github.com/jessevig/bertviz
— Stanford CS224N — Lecture sur l'attention

👉 Projets IA — pour comprendre l'IA sans bullshit, un concept par vidéo.
🔔 Abonne-toi !

#IntelligenceArtificielle #MachineLearning #DeepLearning #Attention #Transformer #QKV #MultiHead #IAExpliquée #ProjetsIA

Hosted on Ausha. See ausha.co/privacy-policy for more information.

Hugging Face : Comment une Lib Python a Démocratisé l'IA

Thu, 04 Jun 2026 23:00:31 +0000

🤗 Aujourd'hui, télécharger un modèle d'IA prend dix secondes. En 2018, ça prenait des heures. Voici ce qui a changé.

Dans cette vidéo, on décortique l'écosystème Hugging Face :
— Pourquoi en 2018 chaque labo distribuait ses modèles en silo (4 frameworks, 4 conventions, poids sur Google Drive)
— Comment la lib `transformers` et `from_pretrained()` ont standardisé l'interface (200+ architectures aujourd'hui)
— Pourquoi le Hub est basé sur Git LFS — et ce que ça change pour le versioning des poids
— Le rôle des model cards (Mitchell 2019) pour rendre les modèles traçables
— Le format `.safetensors` : sécurité, zero-copy, lazy loading
— L'effet réseau enclenché par `datasets`, Spaces et l'Inference API

Hugging Face n'a pas inventé un nouveau modèle. Ils ont inventé la plomberie.

📚 Sources
— Wolf et al. 2019 — *HuggingFace's Transformers: State-of-the-Art Natural Language Processing* (arXiv:1910.03771)
— Mitchell et al. 2019 — *Model Cards for Model Reporting* (FAccT 2019)
— `safetensors` repo + spec : github.com/huggingface/safetensors
— Doc Hugging Face Hub : huggingface.co/docs/hub
— Git LFS : git-lfs.com

👉 Projets IA — pour comprendre l'IA sans bullshit, un concept par vidéo.
🔔 Abonne-toi !

#IntelligenceArtificielle #MachineLearning #DeepLearning #HuggingFace #Transformers #OpenSource #MLOps #SafeTensors #ModelCards #GitLFS #IAExpliquée #ProjetsIA #IA

---

## HASHTAGS

#IntelligenceArtificielle #MachineLearning #DeepLearning #HuggingFace #Transformers #OpenSource #MLOps #SafeTensors #ModelCards #GitLFS #IAExpliquée #ProjetsIA #IA

Hosted on Ausha. See ausha.co/privacy-policy for more information.

Fine-Tuning : LoRA, QLoRA, Full FT — Quand Utiliser Quoi ?

Mon, 25 May 2026 21:37:23 +0000

🔧 Adapter un LLM à TES données pour 10€ au lieu de 100 000€. Et pourquoi 9 fois sur 10, RAG suffit.

Dans cette vidéo, on décortique :
— Pourquoi RAG est presque toujours le bon premier réflexe (et quand non)
— Comment fonctionne LoRA — geler le modèle, ajouter 2 petites matrices, entraîner 0,2 % des paramètres
— Pourquoi QLoRA permet de fine-tuner Llama 70B sur un GPU consumer à 1500€
— Quand le full fine-tuning reste pertinent (spoiler : rarement)
— Une matrice de décision claire : RAG / QLoRA / LoRA / Full FT selon ton cas

📚 Sources
— LoRA: Low-Rank Adaptation of Large Language Models — Hu et al., Microsoft Research 2021
— QLoRA: Efficient Finetuning of Quantized LLMs — Dettmers et al., U. Washington 2023
— Hugging Face PEFT library — github.com/huggingface/peft
— Guides Axolotl

👉 Projets IA — pour comprendre l'IA sans bullshit, un concept par vidéo.
🔔 Abonne-toi !

#IntelligenceArtificielle #MachineLearning #DeepLearning #FineTuning #LoRA #QLoRA #LLM #Llama #HuggingFace #IAExpliquée #ProjetsIA #IA

Hosted on Ausha. See ausha.co/privacy-policy for more information.

RAG expliqué simplement : la technique derrière les IA qui marchent

Thu, 14 May 2026 06:30:05 +0000

Tu donnes à une IA un document qu'elle n'a jamais vu. Et elle répond parfaitement à toutes tes questions dessus. Comment c'est possible ? La réponse s'appelle le RAG, pour Retrieval Augmented Generation. C'est la technique utilisée par toutes les boîtes qui déploient de l'IA en 2026 — de la startup au grand groupe.
Dans cette vidéo, on va voir comment ça marche, étape par étape, sans une seule ligne de code. Et surtout pourquoi le RAG basique se plante en production — et comment les ingénieurs le rendent enfin fiable.

🔔 Abonne-toi à Projets IA pour les prochaines vidéos sur les agents IA, les bases de données vectorielles et la mise en pratique du RAG.
#RAG #IA #IntelligenceArtificielle #LLM #ChatGPT #MachineLearning #VulgarisationIA #ProjetsIA

Hosted on Ausha. See ausha.co/privacy-policy for more information.

Comment ChatGPT Génère VRAIMENT un Mot (architecture complète) 🤖

Thu, 23 Apr 2026 16:30:23 +0000

Quand tu tapes une phrase dans ChatGPT, que se passe-t-il exactement dans les 0,3 secondes
qui suivent ? Tokenisation, embeddings, attention, MLP, softmax — on décortique
TOUT, dans l'ordre, étape par étape. 🧠

Dans cette vidéo, tu vas suivre le voyage d'une phrase à travers GPT-2 de bout en bout.
Comprends pourquoi les RNN — les réseaux récurrents — ont atteint leurs limites.
Découvre le mécanisme Query/Key/Value qui permet à chaque mot de contextualiser
les autres. Apprends pourquoi le masque causal empêche le modèle de "tricher".
Et maîtrise la façon dont la température, top-k et top-p contrôlent la créativité
du modèle. Sans équations. Sans jargon. Juste la mécanique, expliquée clairement.

🎯 CE QUE TU VAS MAÎTRISER
— Ce qu'est un vecteur et pourquoi c'est la brique de base de tout le système
— Pourquoi les RNN échouaient sur les textes longs
— Les 4 sous-étapes de l'embedding (tokenisation → vecteur final)
— Comment Query, Key et Value permettent à chaque mot de "chercher" dans le contexte
— Ce qu'est le masque causal et pourquoi il est indispensable
— Comment température, top-k et top-p contrôlent la créativité du modèle

ChatGPT ne "comprend" pas — il prédit le mot suivant, encore et encore,
à travers 12 couches de la même mécanique. Et maintenant tu sais exactement
comment elle fonctionne.

💬 Quelle étape t'a semblé la plus contre-intuitive ? Query/Key/Value ?
Le masque causal ? Dis-le moi en commentaire !
🔔 Abonne-toi à Projets IA pour comprendre l'IA sans bullshit, un concept par vidéo.

🔗 Ressource interactive mentionnée dans la vidéo :
Transformer Explainer — poloclub.github.io/transformer-explainer
(joue avec tes propres phrases, vois l'attention en temps réel)

🎬 Autres vidéos pour aller plus loin :
— L'Attention en détail : Q, K, V avec des schémas et des vrais chiffres
— Les Embeddings : comment l'IA encode le sens des mots
— RLHF : comment des humains ont éduqué ChatGPT après l'entraînement

#Transformer #IA #IntelligenceArtificielle #ChatGPT #GPT2 #MachineLearning
#DeepLearning #LLM #AttentionMechanism #NLP #IAExpliquée #Vulgarisation
#Tech #ProjetsIA #NeuralNetwork

Hosted on Ausha. See ausha.co/privacy-policy for more information.