À Chaud :

ITS Services certifié ISO 27001 : une nouvelle étape dans la gestion des risques

ITS Services, acteur majeur des Infrastructures et Opérations IT,...

Durabilité énergétique : nLighten lance le Score CFE Intégré

nLighten une amélioration de la mesure Carbon Free Energy...

Un partenariat d’avenir : ITS Participations renforce son engagement avec Hozzeo Group

ITS Participations, holding d'ITS Group, un acteur majeur du...
Expertise professionnelleL'explicabilité en IA : un impératif dans la cybersécurité moderne

L’explicabilité en IA : un impératif dans la cybersécurité moderne

L’intelligence artificielle a révolutionné de nombreux domaines dont celui de la cybersécurité. Cependant, cette technologie prometteuse soulève des questions en termes d’explicabilité et de transparence. Le Machine Learning (ML)a connu des avancées remarquables depuis ces dernières années. Aujourd’hui, grâce à d’énormes bases de données, des modèles de plus en plus élaborés peuvent classifier des attaques complexes et variées sans qu’il soit nécessaire de les définir explicitement.  Cependant, cette évolution s’accompagne d’une opacité croissante. Bien que des méthodes de ML avancées, telles que les réseaux neuronaux profonds, démontrent une excellente efficacité en laboratoire, leur utilisation comme « boîtes noires » peut causer des erreurs inattendues et difficiles à comprendre en conditions réelles.Il est donc utile de comprendre en quoi consiste l’explicabilité des IA dans le monde de la cybersécurité et pourquoi cela est devenu une nécessité.

Le concept de l’explicabilité des IA

L’explicabilité est la capacité d’un système à rendre son processus de raisonnement et ses résultats intelligibles pour les humains. Dans le contexte actuel, des modèles sophistiqués opèrent souvent comme des « boîtes noires », masquant les détails de leur fonctionnement. Ce manque de transparence soulève des enjeux. En effet, sans une compréhension claire du processus décisionnel, il devient difficile d’identifier, et encore moins de corriger, d’éventuelles erreurs. De plus, il est compliqué pour l’être humain de faire confiance à une IA qui délivre des résultats sans justification apparente.

Intelligence artificielle - IA - AI

L’importance de l’explicabilité

Dans des domaines où la prise de décision est critique, il est primordial de comprendre comment l’IA opère pour lui accorder notre confiance. L’absence d’explicabilité et de transparence est aujourd’hui un frein à l’intégration de l’IA dans ces secteurs sensibles. Prenons l’exemple d’un analyste de sécurité ; il a besoin de savoir pourquoi un comportement a été classé comme suspect et d’obtenir des rapports d’attaque approfondis avant d’engager une action aussi importante que de bloquer le trafic en provenance d’adresses IP spécifiques. Mais l’explicabilité ne profite pas uniquement aux utilisateurs finaux. Pour les ingénieurs et concepteurs de systèmes d’IA, elle simplifie la détection de potentielles erreurs du modèle de ML et évite les ajustements « à l’aveugle ». L’explicabilité est donc centrale dans la conception de systèmes fiables et dignes de confiance.

Comment rendre les IA explicables

Des modèles de ML comme les arbres de décision sont naturellement explicables. Bien qu’en général moins efficaces que des techniques de ML plus sophistiquées comme les réseaux neuronaux profonds, ils offrent une totale transparence.

Certaines techniques “post hoc”, telles que SHAP et LIME, ont été développées pour analyser et interpréter des modèles « boîte noire ». En modifiant les entrées et en observant les variations correspondantes dans les sorties, ces techniques permettent d’analyser et de déduire le fonctionnement de nombreux modèles existants.

L’approche “explainability-by-design » va au-delà des techniques post hoc en intégrant l’explicabilité dès la conception de systèmes d’IA. Plutôt que de chercher à expliquer les modèles a posteriori, l’ »explainability-by-design » s’assure que chaque étape du système est transparente et compréhensible. Cela peut impliquer l’utilisation de méthodes hybrides et permet la conception d’explications appropriées.

L’explicabilité en IA n’est donc pas un luxe, mais une nécessité, surtout dans des domaines sensibles comme la cybersécurité. Elle permet de gagner la confiance des utilisateurs mais aussi d’améliorer continuellement les systèmes de détection. Il s’agit d’un point essentiel à prendre en considération dans le choix d’une solution de sécurité.

Céline Minh - PHD Student - LAAS-CNRS | LinkedIn

Céline MINH, Ingénieure en IA chez Custocy

à lire aussi

L’IA dans Smart Ticketing : Shortways améliore la productivité et l’expérience utilisateur

Shortways, éditeur d’un assistant numérique qui accompagne les entreprises...

GIE SESAM-Vitale booste sa relation client avec Almavia CX et la solution efficy

L’ESN Almavia CX et l’éditeur efficy répondent avec succès...

Transport maritime : prévenir les pannes avec la maintenance prédictive

Véritable secteur stratégique, le transport maritime connait une forte...

MIR Insights AI : l’IA au service de l’enregistrement et de la conformité chez Mitel

ASC Technologies, l’un des principaux fournisseurs de solutions d’enregistrement...

Dans la même catégorie

Transport maritime : prévenir les pannes avec la maintenance prédictive

Véritable secteur stratégique, le transport maritime connait une forte...

Bureaux modernes : pourquoi et comment garantir une connectivité fiable pour les employés

Une récente étude anglaise a montré que le manque de...

L’importance des connecteurs API dans l’évolution des solutions de gestion

L’interopérabilité : un axe clé pour les éditeurs de solutions...

6 bonnes raisons de migrer vers une infrastructure vers un Cloud

Le marché du cloud en Europe et notamment des...

Vers des datacenters plus intelligents : l’IA pour anticiper et modéliser les consommations

Sur les quinze dernières années, les datacenters ont investi...

Ça pourrait vous interresser

Les risques et défis de l’IA dans l’automatisation des workflows

Auteur : Jakob Freund chez Camunda La mise en œuvre de l'IA dans les flux de travail d'automatisation et d'orchestration des processus a un énorme potentiel...

Éviter les ruptures de stock : stratégies de gestion des stocks et utilisation d’un logiciel S&OP

Par Nicolas Commare chez COLIBRI Retards de livraison, croissance imprévisible de la demande, pénuries à répétition… De nombreux aléas peuvent conduire à la rupture de stock....

Les PME et l’ERP : un duo gagnant pour des processus efficaces

Mettre en place des processus de gestion performants est un impératif pour l’ensemble des organisations et leur permet de développer leur qualité de service...