Utilisation de l'AI par Libraesva : mise en œuvre technique, gouvernance, confidentialité et conformité réglementaire

Introduction

Chez Libraesva, nous adoptons une approche décentralisée de l'AI, en intégrant la sécurité des données dans l'architecture de notre système dès le départ. Cela garantit que notre résilience commerciale est renforcée par notre indépendance à l'égard des fournisseurs de services AI tiers.

Nous concevons et développons également nos propres systèmes AI en interne, ce qui nous permet de garder un contrôle total sur notre technologie et d'éviter toute dépendance à des services cloud externes ou à des fournisseurs tiers. Nos modèles AI fonctionnent directement sur l'appareil, éliminant ainsi tout risque d'exfiltration de données.

En développant des solutions AI optimisées et spécialisées, conçues spécifiquement pour des architectures distribuées, nous sommes en mesure de garantir une sécurité, une flexibilité et une résilience maximales au sein de nos systèmes.

Mise en œuvre technique

Notre Libraesva AI Engine, intégré à nos solutions de sécurité des e-mails, s'appuie sur un modèle multilingue basé sur des tenseurs qui repose sur une technologie AI générative de base. Spécifiquement conçu pour des tâches de classification, il fournit une intelligence adaptée aux architectures distribuées, offrant une grande précision et des performances élevées.

Le Libraesva AI Engine est optimisé pour traiter efficacement la sémantique des messages électroniques, sans nécessiter de matériel spécialisé pour son déploiement. Bien que l'entraînement nécessite un matériel spécifique, notre moteur peut être déployé sur du matériel standard, garantissant flexibilité et accessibilité pour la détection des menaces en temps réel.

En déployant le Libraesva AI Engine directement sur notre appliance de sécurité des e-mails, nous garantissons qu'aucune donnée client n'est exfiltrée et éliminons toute dépendance à des fournisseurs tiers. Cela garantit une sécurité, un contrôle et une résilience maximaux pour répondre aux besoins de sécurité des e-mails de nos clients.

Avantages de notre approche

Aucune dépendance envers des tiers : garantit une indépendance totale à l'égard des fournisseurs externes Garantit une confidentialité totale des données : évite toute exposition des données en supprimant les dépendances envers des tiers Grande résilience face à l'instabilité géopolitique : maintient la stabilité du système malgré les tensions internationales et les conflits commerciaux Indépendance à l'égard des chaînes d'approvisionnement mondiales : réduit les risques en n'utilisant pas de composants d'origine internationale Performance prévisible dans le temps : évite les incohérences potentielles associées aux services AI en cloud Utilisation exclusive de modèles distribués et spécialisés : emploie des modèles AI optimisés exclusivement pour la tâche à accomplir

Confidentialité et conformité

Notre modèle Libraesva est spécifiquement conçu pour éviter d'utiliser les données des clients dans son processus d'entraînement, garantissant qu'aucune information sensible n'est jamais utilisée. Grâce à son architecture exclusivement axée sur la classification, le modèle ne peut ni accéder par inadvertance aux données d'entraînement, ni les transférer, ce qui apporte une couche supplémentaire de sécurité et de conformité.

Le modèle est entraîné dans nos laboratoires basés dans l'UE, à partir d'un ensemble de données soigneusement sélectionnées d'e-mails malveillants réels, sous la supervision étroite de nos analystes experts. Ce processus rigoureux de contrôle qualité garantit que des données de haute qualité et un étiquetage précis sont toujours utilisés pour développer des modèles AI efficaces.

Libraesva agit rapidement pour maintenir ses appliances sécurisées et à jour. Nous déployons les mises à jour sur toutes les appliances dans le monde en seulement cinq minutes après leur publication, garantissant que la sécurité des e-mails de nos clients est toujours protégée contre les menaces les plus récentes.

En plus de publications fréquentes, nous surveillons également en permanence les nouveaux schémas de menaces et mettons à jour notre modèle en conséquence. En règle générale, une nouvelle version est publiée une fois par semaine, voire deux fois par jour, ce qui nous permet de garder une longueur d'avance sur l'évolution des activités malveillantes.

Analyse sémantique

Notre modèle est capable de saisir non seulement le sens littéral des messages, mais aussi leur intention sous-jacente, en tenant compte de facteurs tels que les nuances linguistiques, les fautes d'orthographe et même la langue utilisée. Cette compréhension avancée lui permet d'extraire le sens du texte, ce qui lui permet de reconnaître des schémas et de détecter des types d'attaques similaires dans plus de 100 langues prises en charge.

Grands modèles centralisés versus petits modèles distribués

Les petits modèles excellent en termes d'efficacité et de précision dans leurs contextes spécialisés par rapport aux modèles plus grands. Cependant, ils nécessitent une optimisation minutieuse et une expertise pour maximiser leurs capacités avec un minimum de ressources. Le Libraesva Adaptive Trust Engine traite les messages électroniques en n'extrayant que les informations pertinentes pour l'analyse. Ces données sont ensuite transmises à un réseau neuronal, qui renvoie une classification (par exemple, phishing, compromission de messagerie professionnelle, transactionnel, newsletter, etc.) ainsi qu'un niveau de confiance (allant de 0 % à 100 %).

Cette analyse sémantique est intégrée à d'autres sources de renseignement, notamment :

• Modèles d'apprentissage automatique locaux.
• Vérifications de réputation.
• Vérification de l'authentification.
• Évaluations basées sur des règles.
• Inspection des pièces jointes.
• Analyse des URL.

Le résultat est une solution de sécurité globale et efficace qui combine compréhension sémantique et détection robuste des menaces.

Le nouveau modèle AI ne nécessite aucune configuration, ce qui rend sa contribution facilement observable à travers deux canaux clés :

1. Les caractéristiques du message extraites et affichées sous forme d'« indicateurs de message » dans l'interface utilisateur (UI) de l'ESG.
2. Un rapport technique détaillé accompagnant chaque message analysé, offrant un aperçu supplémentaire des performances du modèle.

Finalité et proportionnalité

L'objectif principal de l'analyse sémantique est d'affiner la précision de la classification du contenu des messages.

L'utilisation d'un modèle AI à cette fin est entièrement justifiable et sans risque, car elle s'appuie sur une technologie de pointe pour détecter et classer les messages avec la plus grande fiabilité.

Protection des données

Notre appliance de sécurité des e-mails garantit que les données des clients restent isolées et sécurisées, car elle traite et analyse les messages entièrement sur site, sans transmettre aucune information sensible hors de l'appliance.

Pour maintenir le plus haut niveau de confidentialité, nous n'utilisons pas les données des clients pour entraîner ou mettre à jour notre modèle AI. Cette approche élimine tout risque d'exfiltration ou d'exploitation des données.

Notre organisation adhère à un cadre rigoureux de gouvernance de l'AI, qui englobe la gestion des risques et la conformité réglementaire. Le Libraesva AI Governance Committee supervise le déploiement et l'utilisation des solutions AI au sein de l'entreprise.

Malgré notre utilisation de la technologie AI générative, nos modèles sont conçus comme des classificateurs plutôt que comme des extracteurs. Cette approche distincte garantit que les informations sensibles restent inaccessibles au modèle, empêchant ainsi toute violation potentielle de données ou divulgation non autorisée.

En adoptant cette méthodologie structurée, nous restons en conformité avec les normes réglementaires internationales relatives à l'AI, notamment celles établies par la loi européenne sur l'intelligence artificielle (AI Act).

La solution AI de notre organisation est classée comme « AI à risque minimal » au titre de la loi européenne sur l'intelligence artificielle, ce qui signifie qu'elle ne relève pas des exigences et réglementations spécifiques prévues par cette loi.

Par conséquent, notre approche en matière d'AI n'entraîne aucune obligation contraignante ni exigence de déclaration définie par l'AI Act de l'UE.