Title : "IA explicable pour les événements : guide pratique"

Description : "Découvrez comment l’IA explicable renforce la confiance et la transparence dans l’événementiel, avec cas d’usage, critères, risques et bonnes pratiques."

IA explicable pour les événements : usages, critères et bonnes pratiques

IA explicable pour les événements, cette approche permet de ne plus présenter une recommandation comme un résultat opaque. Elle aide les organisateurs et les participants à comprendre pourquoi une personne, une session ou une action leur est suggérée, tout en renforçant leur capacité à vérifier la pertinence du résultat et à conserver le contrôle sur leurs données.

Imaginez deux participants à une conférence professionnelle. La première recherche un partenaire de distribution en France. Le second accompagne des entreprises qui souhaitent développer leur réseau commercial sur ce marché. Une plateforme peut simplement leur recommander de se rencontrer, ou leur expliquer que leurs objectifs sont complémentaires, qu’ils partagent un intérêt pour l’expansion européenne et qu’ils ont tous deux accepté de recevoir des propositions de mise en relation. Dans le second cas, la recommandation devient compréhensible et directement exploitable.

L’IA explicable dans l’événementiel ne concerne donc pas uniquement les spécialistes des algorithmes. Elle intéresse aussi les organisateurs de conférences, les responsables de communautés, les équipes EventTech et les participants qui veulent savoir comment une suggestion a été produite. Ce guide présente son fonctionnement, ses principaux cas d’usage, les critères permettant d’évaluer une solution, ses limites et les bonnes pratiques à appliquer dans un événement professionnel.

Qu’est-ce que l’IA explicable appliquée aux événements ?

L’intelligence artificielle explicable, souvent désignée par l’acronyme anglais XAI pour « Explainable Artificial Intelligence », regroupe les méthodes, les interfaces et les pratiques qui rendent un résultat algorithmique plus compréhensible. Dans un événement, elle peut servir à expliquer pourquoi une personne est recommandée, pourquoi une session correspond au profil d’un participant ou pourquoi une action apparaît comme prioritaire.

L’objectif n’est pas nécessairement de dévoiler chaque opération mathématique effectuée par le système. Une explication utile doit surtout répondre aux questions du destinataire : quelles informations ont influencé la recommandation, pourquoi le résultat semble pertinent et que peut faire l’utilisateur après l’avoir reçu ? Le niveau de détail attendu par un participant n’est pas le même que celui recherché par une équipe technique ou un responsable de la conformité.

Définition de l’intelligence artificielle explicable

L’intelligence artificielle explicable pour les événements désigne l’utilisation de systèmes capables de présenter les principales raisons d’une recommandation ou d’un classement dans un contexte événementiel. Elle permet à l’utilisateur de comprendre les facteurs essentiels du résultat, d’en apprécier les limites et de décider librement de l’action à entreprendre.

Une explication réellement utile doit rester liée à la situation. Pour une recommandation de networking, indiquer que deux profils présentent un « score de compatibilité de 87 % » apporte peu d’informations si le calcul n’est pas contextualisé. Expliquer qu’une personne recherche précisément l’expertise proposée par une autre rend la suggestion plus concrète, même sans exposer le fonctionnement complet du modèle.

L’explicabilité doit également être proportionnée. Une interface destinée aux participants privilégiera des formulations simples et actionnables. Un tableau de bord destiné aux organisateurs pourra préciser les catégories de données mobilisées, les paramètres de visibilité ou les règles générales de classement.

Différence entre une recommandation expliquée et une boîte noire

Un système dit « boîte noire » fournit un résultat sans permettre à l’utilisateur d’en comprendre les facteurs déterminants. Dans un événement, il peut afficher une personne à rencontrer, une conférence à suivre ou une demande à traiter sans fournir de justification suffisamment précise.

À l’inverse, une recommandation expliquée relie le résultat à des informations compréhensibles. Elle ne dit pas seulement « Vous devriez rencontrer Camille », mais précise par exemple : « Camille recherche des partenaires technologiques dans votre secteur, tandis que vous accompagnez des entreprises sur ce sujet. Vous souhaitez également tous les deux développer des collaborations en Europe. »

Une explication ne transforme cependant pas automatiquement une recommandation en vérité. Elle donne à l’utilisateur les moyens de l’examiner. La qualité du résultat dépend toujours des données disponibles, de la pertinence des critères et de la manière dont le système a été conçu.

Les trois niveaux d’une explication utile

Une explication événementielle peut être évaluée selon trois niveaux complémentaires. Le premier concerne les informations prises en compte, comme les objectifs professionnels, les centres d’intérêt déclarés ou le contexte de l’événement. Le deuxième indique les raisons de la recommandation. Le troisième présente les actions disponibles : ignorer la suggestion, modifier son profil, demander une mise en relation ou ajuster ses préférences.

Lorsque l’un de ces niveaux manque, l’utilisateur risque de perdre une partie de son contrôle. Une justification claire, mais fondée sur des données que le participant ignorait avoir partagées, reste problématique. De même, une recommandation bien expliquée devient peu utile si elle ne peut être refusée ou si les informations utilisées ne peuvent pas être corrigées.

Pourquoi l’explicabilité compte-t-elle dans l’événementiel ?

Les événements professionnels concentrent souvent de nombreux contenus, profils et opportunités dans un temps limité. Les participants doivent choisir les sessions auxquelles assister, les personnes à contacter et les conversations à poursuivre. Les systèmes de recommandation peuvent faciliter ces décisions, mais leur utilité dépend de la confiance que les utilisateurs leur accordent.

Dans ce contexte, l’explicabilité réduit la distance entre le calcul du système et le jugement humain. Elle ne remplace pas la décision du participant ou de l’organisateur. Elle fournit un contexte qui permet d’apprécier une suggestion, de détecter une erreur et de comprendre quelles informations devraient éventuellement être mises à jour.

Renforcer la confiance des participants

Une recommandation devient plus crédible lorsque le participant peut relier ses motifs à ses propres objectifs. Savoir qu’une personne lui est proposée parce qu’elle possède une compétence recherchée et souhaite elle-même rencontrer des profils complémentaires est plus informatif qu’un classement sans justification.

Cette transparence peut également limiter les malentendus. Une personne peut constater qu’une suggestion repose sur une information devenue obsolète, puis corriger son profil. Elle peut aussi décider qu’une recommandation est cohérente, mais qu’elle ne correspond pas à sa priorité du moment. L’IA transparente pour les événements soutient ainsi le jugement individuel au lieu de chercher à s’y substituer.

Aider les organisateurs à garder le contrôle

Les organisateurs doivent pouvoir comprendre les principes généraux qui structurent l’expérience proposée aux participants. Cela inclut les catégories de données utilisées, les conditions de consentement, les paramètres de confidentialité et les possibilités de refus ou de correction.

Cette visibilité permet de mieux aligner la technologie avec les objectifs de l’événement. Une conférence consacrée aux partenariats commerciaux n’utilisera pas nécessairement les mêmes critères qu’un programme d’accélération ou qu’une communauté professionnelle spécialisée. L’explicabilité aide à vérifier que les recommandations servent la finalité annoncée, sans devenir des décisions automatiques incontestables.

Améliorer la qualité du networking

Dans le networking événementiel, le nombre de contacts ne suffit pas à mesurer la valeur créée. Une rencontre utile repose souvent sur une complémentarité claire : une expertise répond à un besoin, deux projets partagent un objectif ou deux participants peuvent s’apporter une aide mutuelle.

Une recommandation expliquée rend cette complémentarité visible avant même le premier échange. Elle peut indiquer pourquoi la rencontre mérite d’être envisagée et suggérer un angle de conversation pertinent. Cette logique correspond à une approche simple : savoir qui rencontrer plutôt que chercher à parler au plus grand nombre.

Quels sont les cas d’usage de l’IA explicable pour les événements ?

Les applications possibles dépassent la seule recommandation de personnes. Une IA responsable dans l’événementiel peut également contribuer à l’orientation dans un programme, à la préparation des échanges ou au suivi après une rencontre. Dans chaque cas, la qualité de l’explication doit être adaptée à la conséquence du résultat.

Plus la recommandation influence une décision importante, plus le contrôle humain, la documentation et la possibilité de contestation deviennent essentiels. Une suggestion de session n’a pas les mêmes conséquences qu’un classement utilisé pour accepter ou refuser une candidature.

Recommander des participants pertinents

Pour proposer une rencontre, un système peut analyser les objectifs professionnels déclarés, les sujets d’intérêt, les personnes recherchées et les domaines dans lesquels chaque participant estime pouvoir aider les autres. Il peut ensuite classer les correspondances les plus pertinentes parmi les utilisateurs ayant accepté de recevoir ce type de recommandation.

L’explication doit présenter les éléments utiles sans révéler des informations privées ou non autorisées. Elle peut préciser qu’un participant recherche une expertise détenue par un autre, qu’ils travaillent sur des problématiques proches ou que leurs objectifs sont complémentaires. L’utilisateur conserve alors la possibilité d’évaluer la suggestion, de l’ignorer ou d’envoyer une demande de mise en relation.

Suggérer des sessions ou des contenus

Dans un programme dense, une IA explicable pour les événements peut aider les participants à identifier les conférences, ateliers ou tables rondes les plus proches de leurs objectifs. Une recommandation utile ne se limite pas à afficher « Cette session pourrait vous intéresser ». Elle précise, par exemple, que le sujet correspond à une compétence que le participant souhaite développer ou à un secteur mentionné dans son profil.

Cette explication permet également de distinguer une recommandation personnalisée d’un contenu sponsorisé. Lorsqu’une session est mise en avant pour des raisons commerciales, cette information doit être clairement indiquée. La transparence concerne donc autant les critères de personnalisation que les intérêts susceptibles d’influencer l’ordre d’affichage.

Prioriser les demandes ou candidatures

Certains événements, programmes d’accompagnement ou rencontres privées reçoivent davantage de candidatures qu’ils ne peuvent en accepter. Une intelligence artificielle peut alors aider les équipes à organiser les dossiers selon des critères préalablement définis. Cet usage exige toutefois davantage de prudence qu’une simple suggestion de contenu.

Le classement ne doit pas devenir une décision automatique incontestable. Les critères utilisés doivent être documentés, les données inexactes doivent pouvoir être corrigées et une intervention humaine doit rester possible. Une explication peut signaler les éléments ayant influencé la priorité, mais elle ne prouve ni l’équité du système ni la pertinence de la décision finale.

Faciliter les conversations et le suivi

Une plateforme événementielle peut proposer un sujet de discussion à partir des intérêts professionnels que deux participants ont choisi de partager. Elle peut aussi suggérer un message de prise de contact, rappeler une action convenue ou aider à préparer un suivi après l’événement.

Ces fonctions doivent rester des aides. Le participant doit pouvoir modifier le texte proposé, ne pas l’envoyer ou supprimer un rappel. Une suggestion personnalisée ne doit jamais être présentée comme un message réellement rédigé par l’utilisateur sans sa validation.

Comment évaluer une IA explicable dans une solution événementielle ?

Une solution ne devient pas explicable simplement parce qu’elle affiche une phrase sous un résultat. L’évaluation doit porter sur la clarté des raisons fournies, la pertinence des données mobilisées, les contrôles accordés aux utilisateurs et la manière dont la confidentialité est respectée.

Les organisateurs doivent également vérifier si les explications sont cohérentes dans différents scénarios. Un système peut produire des justifications convaincantes pour des profils complets, mais devenir vague lorsque les informations disponibles sont limitées. Une phase de test avec des cas variés est donc indispensable.

Vérifier la clarté des explications

Une bonne explication utilise un vocabulaire compréhensible et relie directement la recommandation à l’objectif de l’utilisateur. La formule « Profil recommandé selon vos préférences » reste trop générale, car elle ne permet pas d’identifier les facteurs réellement utiles.

Une formulation plus précise pourrait être : « Cette personne recherche un partenaire de distribution en France, tandis que vous accompagnez des entreprises dans ce domaine. » L’utilisateur comprend alors la logique principale et peut déterminer si la rencontre mérite son attention.

Identifier les données utilisées

L’organisateur et le participant doivent savoir quelles catégories d’informations influencent les recommandations : profil déclaré, intérêts professionnels, objectifs de participation, interactions sur la plateforme ou données provenant d’une source externe.

La disponibilité technique d’une donnée ne suffit pas à justifier son utilisation. Chaque information doit être liée à une finalité claire. Pour recommander une rencontre, les besoins et compétences déclarés peuvent être pertinents, tandis qu’une collecte comportementale très large pourrait être disproportionnée.

Tester le contrôle accordé aux utilisateurs

L’explicabilité perd une grande partie de sa valeur lorsque l’utilisateur ne peut pas agir sur le résultat. Il doit pouvoir gérer sa visibilité, modifier son profil, ignorer une suggestion et comprendre ce que les autres participants peuvent voir.

Les contrôles essentiels comprennent notamment le consentement à la mise en relation, la correction des informations utilisées, le refus d’une recommandation, la gestion des paramètres de confidentialité et le signalement d’une suggestion inappropriée.

Transparence de la recommandation

L’interface devrait rendre accessibles les principales raisons du classement, les catégories de données concernées et les limites de la suggestion. Elle devrait aussi indiquer comment l’utilisateur peut modifier les informations qui ont influencé le résultat.

Cette transparence ne nécessite pas de présenter des détails techniques incompréhensibles. Elle consiste à fournir suffisamment de contexte pour permettre une décision informée et un retour utile.

Questions à poser au fournisseur

• Quelles données influencent les recommandations ?
• Les participants doivent-ils donner leur accord ?
• Une personne peut-elle être recommandée sans avoir choisi d’être visible ?
• L’utilisateur peut-il corriger les informations utilisées ?
• Les critères risquent-ils de créer des exclusions injustifiées ?
• Les résultats peuvent-ils être refusés ou signalés ?
• Les données ou listes de participants sont-elles revendues ?
• Un abonnement payant permet-il d’accéder à des profils masqués ou à des coordonnées privées ?

Quels sont les risques et les limites ?

L’explicabilité améliore la compréhension d’un résultat, mais elle ne garantit pas que le système soit exact, équitable ou adapté à chaque situation. Une explication peut être claire tout en reposant sur des données incomplètes, des catégories trop rigides ou une logique de classement mal conçue.

Les organisateurs doivent donc évaluer à la fois la qualité de l’explication et celle du mécanisme qui produit la recommandation. Une phrase rassurante ne remplace ni la gouvernance des données, ni les tests, ni le contrôle humain.

Une explication peut être convaincante sans être suffisante

Une justification bien formulée peut donner une impression de fiabilité supérieure à la qualité réelle du résultat. Elle reste pourtant une synthèse et ne révèle pas nécessairement toutes les limites du système.

L’utilisateur doit pouvoir considérer l’explication comme un élément d’aide à la décision, et non comme une preuve. Les interfaces doivent éviter les formulations absolues telles que « meilleur contact » ou « correspondance parfaite ».

Biais, exclusions et représentativité

Des profils incomplets ou des critères trop étroits peuvent favoriser certains participants. Un système qui rapproche principalement des fonctions identiques risque, par exemple, de négliger des rencontres interdisciplinaires pourtant utiles.

Les tests doivent inclure des profils variés et examiner les recommandations ignorées ou signalées. La possibilité de corriger ses informations et d’explorer d’autres personnes reste essentielle.

Confidentialité et surcollecte de données

Une recommandation pertinente ne justifie pas la collecte de toutes les informations disponibles. Le principe de minimisation consiste à utiliser uniquement les données nécessaires à la finalité annoncée, avec des paramètres de visibilité compréhensibles.

Les organisations doivent documenter leurs pratiques et consulter, selon leur situation, leur délégué à la protection des données ou un spécialiste compétent. Une solution d’IA ne garantit pas à elle seule la conformité au RGPD.

Dépendance excessive à l’automatisation

Enfin, une recommandation ne doit pas enfermer le participant dans un parcours déterminé par le système. Celui-ci doit rester libre d’explorer d’autres profils, de choisir une session différente ou de refuser la logique proposée.

L’intelligence artificielle est alors utilisée comme un outil d’orientation. La décision et la responsabilité restent humaines.

Comment mettre en place une IA explicable dans un événement ?

La mise en œuvre ne doit pas commencer par le choix d’un modèle d’intelligence artificielle. Elle commence par une question opérationnelle : quelle décision souhaite-t-on faciliter ? L’objectif peut être d’aider les participants à trouver des interlocuteurs pertinents, à s’orienter dans un programme complexe ou à préparer le suivi d’une rencontre.

Une finalité clairement définie permet de limiter les données collectées, de choisir les critères réellement utiles et de concevoir une explication adaptée. Elle évite également d’ajouter de l’intelligence artificielle à des étapes où une règle simple ou une sélection humaine serait plus appropriée.

Définir le résultat réellement recherché

Pour le networking, l’objectif ne devrait pas être de produire le plus grand nombre possible de recommandations. Il peut être plus pertinent d’identifier quelques rencontres dont la valeur mutuelle est compréhensible : besoin complémentaire, domaine d’expertise partagé, projet compatible ou objectif professionnel commun.

Les indicateurs doivent suivre cette logique. Le nombre de demandes envoyées peut être observé, mais il ne suffit pas. L’utilité perçue, la qualité des conversations engagées et la pertinence des suivis apportent une lecture plus complète de l’expérience.

Limiter les informations collectées

Chaque donnée doit avoir une finalité identifiable. Les objectifs professionnels, les sujets d’intérêt et les domaines dans lesquels une personne peut aider peuvent contribuer à une recommandation de networking. Une collecte extensive d’informations comportementales n’est pas automatiquement nécessaire.

La minimisation des données ne réduit pas nécessairement la qualité de l’expérience. Des informations déclarées volontairement et directement liées au contexte peuvent être plus utiles que des volumes importants de données difficiles à interpréter.

Concevoir l’explication avant le déploiement

L’explication doit être pensée en même temps que le système de recommandation. Une équipe devrait pouvoir répondre, avant le lancement, aux questions suivantes : pourquoi ce résultat apparaît-il, quelles informations ont été utilisées, que peut voir l’autre personne et comment l’utilisateur peut-il modifier ou refuser la suggestion ?

Les formulations doivent être testées avec de vrais scénarios. Une explication trop technique ne sera pas comprise, tandis qu’une justification trop vague donnera l’impression d’un habillage marketing. Le bon niveau de détail aide le participant à prendre une décision sans lui demander d’interpréter le fonctionnement interne du modèle.

Tester avec des profils et des situations variés

Les tests doivent inclure des profils détaillés, incomplets ou récemment modifiés. Ils doivent également couvrir le refus de visibilité, le changement d’objectif, les intérêts rares et les recommandations jugées inadaptées.

L’évaluation peut combiner plusieurs signaux : compréhension de la justification, pertinence déclarée, recommandations ignorées, conversations réellement engagées et retours qualitatifs. Ces résultats doivent servir à corriger les critères, les explications et les paramètres de contrôle.

Checklist pour choisir une solution d’IA événementielle explicable

• Finalité clairement définie : la plateforme indique ce que la recommandation cherche à faciliter.
• Données identifiables : les catégories d’informations utilisées sont accessibles et compréhensibles.
• Raisons explicites : la justification nomme les principales complémentarités au lieu d’afficher uniquement un score.
• Consentement visible : les participants savent quand et comment ils deviennent éligibles aux recommandations.
• Visibilité contrôlable : chacun peut gérer les informations montrées aux autres utilisateurs.
• Profil modifiable : les données obsolètes ou inexactes peuvent être corrigées facilement.
• Suggestion facultative : l’utilisateur peut ignorer une recommandation sans conséquence injustifiée.
• Confidentialité protégée : les profils masqués et les coordonnées privées ne sont pas révélés.
• Messages validés : les textes suggérés restent modifiables avant tout envoi.
• Signalement disponible : une recommandation inappropriée peut être remontée à l’équipe responsable.
• Contrôle humain maintenu : les décisions sensibles ne reposent pas uniquement sur un classement automatisé.
• Pratiques documentées : la politique de confidentialité, les règles de visibilité et les limites sont consultables.

Comment MeetWho applique-t-il cette logique au networking événementiel ?

MeetWho réunit la création d’événements, la gestion des inscriptions et le networking intelligent dans un même parcours. Les organisateurs peuvent créer gratuitement une page d’événement, collecter les inscriptions, approuver les demandes, gérer une liste d’attente, envoyer des annonces et des rappels, partager un lien d’événement en ligne avec les inscrits et effectuer le check-in par QR code.

La plateforme adopte une logique d’« Event Networking Intelligence ». Plutôt que de rechercher le plus grand nombre de contacts, elle vise à aider chaque participant à savoir qui rencontrer. Les recommandations prennent en compte les informations professionnelles déclarées, les objectifs de l’événement et les intérêts communs.

Des recommandations classées et expliquées

MeetWho ne repose pas sur l’affichage systématique d’une liste publique complète. Parmi les utilisateurs ayant accepté d’être visibles, la plateforme classe les personnes les plus pertinentes et présente les raisons susceptibles de rendre la rencontre utile.

Chaque suggestion peut expliquer pourquoi deux participants devraient échanger, comment ils pourraient s’aider mutuellement et quel sujet pourrait faciliter le début de la conversation. L’utilisateur dispose ainsi d’un contexte concret avant d’envoyer une demande de mise en relation.

Une approche fondée sur le consentement et la confidentialité

Les paramètres définis par l’organisateur et les choix des participants restent prioritaires. Un abonnement payant ne permet pas d’accéder à des profils masqués ou à des coordonnées privées, et MeetWho ne vend pas les listes de participants.

Après une connexion mutuelle, les utilisateurs peuvent échanger, ajouter des notes personnelles, créer des rappels de suivi et gérer leur historique de networking. Les fonctionnalités Plus proposent notamment davantage de recommandations actives, des raisons de correspondance plus détaillées et des outils avancés de suivi.

Moins de contacts au hasard, plus de rencontres utiles. Créez gratuitement votre événement sur MeetWho, gérez les participants et configurez une expérience de networking orientée vers des relations professionnelles pertinentes.

Questions fréquentes sur l’IA explicable pour les événements

Qu’est-ce que l’IA explicable pour les événements ?

L’IA explicable pour les événements désigne les systèmes capables de présenter les principales raisons d’une recommandation ou d’un classement. Dans le networking, elle peut expliquer pourquoi deux participants ont des objectifs complémentaires et comment leur rencontre pourrait leur être mutuellement utile.

Pourquoi expliquer une recommandation de networking ?

Une explication aide le participant à vérifier la pertinence de la suggestion avant d’agir. Elle permet également d’identifier une information obsolète, de comprendre les critères utilisés et de conserver la liberté d’accepter, d’ignorer ou de corriger le résultat.

Une IA explicable est-elle forcément fiable ?

Non. Une explication claire améliore la compréhension, mais elle ne garantit ni l’exactitude, ni l’équité, ni l’absence de biais. La qualité dépend également des données, des critères de classement, des tests et du contrôle humain.

Quelles données peuvent servir à recommander une rencontre ?

Les données pertinentes peuvent inclure les objectifs professionnels, les sujets d’intérêt, les compétences proposées, les personnes recherchées et le contexte de l’événement. Leur utilisation doit respecter la finalité annoncée, les paramètres de visibilité et le consentement des participants.

Quelle différence existe-t-il entre IA explicable et IA générative ?

L’IA générative produit du contenu, comme un message ou un sujet de conversation. L’explicabilité concerne la compréhension d’un résultat ou d’une recommandation. Les deux approches peuvent être combinées, mais elles ne désignent pas la même fonction.

Comment protéger les données des participants ?

La protection repose notamment sur la minimisation des données, une finalité claire, des paramètres de visibilité compréhensibles, la possibilité de corriger les informations et un consentement adapté. Une plateforme ne doit pas révéler des profils masqués ou des coordonnées privées.

Comment choisir une plateforme de networking intelligent ?

Il faut examiner les données utilisées, la qualité des explications, les contrôles utilisateur, les règles de consentement, la confidentialité et la possibilité de refuser une suggestion. Une démonstration doit être testée avec plusieurs profils et situations réelles.

MeetWho affiche-t-il tous les participants d’un événement ?

MeetWho privilégie des recommandations personnalisées parmi les personnes ayant accepté d’être visibles. Son objectif n’est pas de donner un accès systématique à une liste publique complète, mais d’aider chacun à identifier les rencontres les plus pertinentes.

Vers un networking plus compréhensible et plus utile

L’explicabilité ne consiste pas à ajouter une phrase rassurante sous un résultat. Elle suppose de rendre visibles les raisons utiles, les données pertinentes, les limites de la recommandation et les choix disponibles pour l’utilisateur.

Dans l’événementiel, cette approche peut transformer le networking en une expérience plus sélective et plus compréhensible. Une bonne technologie ne cherche pas seulement à multiplier les connexions : elle aide les participants à identifier les bonnes personnes, à comprendre la valeur potentielle d’un échange et à construire des relations mutuellement utiles.

Créez gratuitement votre événement sur MeetWho et aidez chaque participant à savoir qui rencontrer.