DOSSIER  
New Security Magazine 167 – octobre 2023

Intelligence artificielle: l’avenir de la sécurité ?

L’intelligence artificielle (IA) a fait d’énormes progrès ces dernières années et elle est devenue un puissant outil dans divers domaines. L’un des domaines d’application les plus notables est la sécurité où l’intelligence artificielle révolutionne la manière de gérer les menaces et les risques. De la détection des intrus à la protection d’informations sensibles, l’IA change la manière dont les mondes physique et numérique sont sécurisés.

En matière de sécurité physique, l’intelligence artificielle conduit au développement de systèmes avancés de surveillance et de protection des biens. Les caméras de surveillance dotées de l’IA peuvent suivre les mouvements de manière autonome, détecter les activités inhabituelles et signaler les comportements suspects. Ces systèmes sont capables de générer des notifications en temps réel et peuvent reconnaître des modèles et des tendances, ce qui permet de prendre des mesures proactives pour anticiper les menaces potentielles.

Par ailleurs, les systèmes biométriques basés sur l’IA sont de plus en plus courants. La reconnaissance faciale et l’identification vocale sont appliquées pour améliorer la gestion des accès et empêcher tout accès non autorisé aux zones sécurisées. La capacité de l’IA à analyser les nuances subtiles et les caractéristiques individuelles rend ces systèmes extrêmement précis et difficiles à contourner.

De nombreuses définitions

En plus d’être une technologie étonnante, l’IA est un terme de marketing populaire. Une caméra est rapidement qualifiée ‘d’intelligente’ par son fabricant. Parfois, dès qu’elle peut détecter des mouvements. Certains fabricants affirment à propos de leurs caméras disposer d’un ‘apprentissage automatique’. Qu’est-ce que cela signifie? Dans tous les cas, l’intelligence artificielle va au-delà de la détection de mouvement. On peut attendre d’une caméra intelligente qu’elle soit programmable pour réagir à un comportement pouvant être considéré comme menaçant. Dans le cas de caméras du segment supérieur, cela peut se faire de plusieurs manières. Pour les tâches complexes, comme la surveillance d’un processus de production, un logiciel complémentaire peut être installé. Dans la pratique, cependant, il s’avère que les fonctions intelligentes de nombreuses caméras avancées ne sont pas ou peu utilisées. Souvent parce que ce n’est pas inclus dans le paquet d’exigences du client, mais aussi parce que les installateurs n’informent pas toujours les clients des options offertes. Tout le potentiel des options de sécurité reste malheureusement inexploité.

Apprentissage automatique

Le machine Learning (ML) ou apprentissage automatique est une composante de l’intelligence artificielle qui se concentre sur le développement d’algorithmes et de modèles permettant aux ordinateurs d’apprendre et de faire des prédictions ou de prendre des décisions basées sur les données, sans être explicitement programmés pour chaque tâche spécifique. Cela se rapproche de la manière dont l’humain développe l’intelligence et l’expérience. Dans le cas des caméras de surveillance, il n’est plus nécessaire de décrire explicitement ce à quoi le système doit réagir. Au lieu de cela, la caméra apprend à reconnaître des modèles et des relations à partir de données pour déterminer par exemple si une situation est menaçante ou pour identifier les personnes observées. D’une certaine manière, l’équipement est capable d’améliorer une tâche par l’apprentissage à partir d’exemples et de données. Ce processus commence par la collecte de données pertinentes sur la situation que le système doit apprendre à reconnaître. On peut penser au comportement d’un intrus.

L’étape 2 consiste à prétraiter les données, par exemple en filtrant les causes d’alarmes inutiles et en transformant les données afin qu’elles puissent être utilisées comme données d’entrée dans le processus d’apprentissage de l’algorithme. Vient ensuite l’identification des caractéristiques pertinentes (attributs) des données qui seront utilisées par l’algorithme pour faire des prédictions ou prendre des décisions. Enfin, il y a le processus de formation avant la mise en service. En utilisant les données préparées, le système est formé, pour ainsi dire, en l’exposant à un grand nombre d’exemples dont les résultats sont connus. Au cours du processus de formation, le modèle ajuste ses paramètres internes pour apprendre les modèles sous-jacents des données. Ensuite, il doit expérimenter les données de test que le modèle n’a jamais vues auparavant. Cela permet de déterminer dans quelle mesure le modèle se gère avec des données inédites, préparant ainsi le système à faire face à l’inattendu. Après le déploiement, un ‘réglage fin’ est toujours nécessaire. Il est important de savoir que l’apprentissage automatique est un domaine dynamique qui fait l’objet de recherches et de développements continus, conduisant à l’élaboration d’algorithmes et de techniques plus sophistiquées.

Apprentissage profond

Le deep learning ou apprentissage profond va plus loin et est notamment appliqué dans des domaines comme la reconnaissance d’images, le traitement du langage naturel, la reconnaissance vocale et même les véhicules autonomes. Le succès de l’apprentissage profond est dû en partie à l’augmentation de la puissance de calcul et à la disponibilité de grandes quantités de données annotées. La technologie peut être considérée comme faisant partie de l’apprentissage automatique et consiste à utiliser des réseaux neuronaux profonds pour résoudre des tâches complexes. Ces réseaux s’inspirent de la structure du cerveau humain et peuvent apprendre à former des représentations de données à différents niveaux d’abstraction. Avec l’apprentissage automatique, il est souvent nécessaire de sélectionner manuellement les caractéristiques ou propriétés des données que le modèle doit utiliser pour faire des prédictions. Dans le cas de l’apprentissage profond, le modèle apprend lui-même ces représentations. Cela réduit le nombre d’ajustements manuels et permet au modèle de détecter des modèles complexes dans les données. Les modèles d’apprentissage profond apprennent ainsi à reconnaître automatiquement les caractéristiques ou les propriétés des données, sans avoir à les spécifier manuellement. Un équipement, comme une caméra de surveillance, utilisant l’apprentissage profond est capable de se rendre plus précis. Ceci grâce à un mécanisme d’apprentissage appelé rétropropagation. Il est utilisé pour ajuster le modèle et l’optimiser. Il adapte les paramètres du réseau neuronal pour améliorer les prédictions. Les réseaux neuronaux convolutifs (CNN) constituent un autre mécanisme. Ils sont spécialisés dans le traitement de données à structure spatiale, comme les données d’images. Ils utilisent des couches convolutives pour détecter et apprendre les fonctionnalités. Les Réseaux neuronaux récurrents (RNN) permettent au système d’apprendre à partir d’expériences passées et de modèles historiques. Enfin, les Réseaux antagonistes génératifs (GAN) se composent de deux réseaux neuronaux, d’un générateur et d’un discriminateur qui s’affrontent pour générer des données réalistes. Les GAN sont souvent utilisés pour générer des images et des vidéos.

Sécurité numérique et intelligence artificielle

Dans le monde de la sécurité numérique, l’intelligence artificielle s’est révélée précieuse. Les cybermenaces deviennent plus sophistiquées et complexes, rendant les mesures de sécurité traditionnelles souvent inadéquates. C’est là qu’intervient l’IA pour aider à identifier et à combattre les cyberattaques. Les algorithmes d’apprentissage automatique peuvent détecter des modèles dans de grandes quantités de données et des anomalies susceptibles d’indiquer une violation potentielle, comme la copie de données ou le cryptage de systèmes avec un ransomware. L’apprentissage automatique permet aux systèmes de sécurité de réagir de manière proactive et de bloquer les menaces avant qu’elles ne fassent des dégâts. L’IA peut être utilisée pour détecter les e-mails d’hameçonnage et les logiciels malveillants en s’appuyant sur les données historiques et les modèles de comportement suspects.

À mesure que les cyberattaques deviennent plus avancées et plus rapides, l’intelligence artificielle devient indispensable dans ce secteur. La technologie aide par exemple les banques à détecter les transactions suspectes qui peuvent indiquer un ‘blanchiment’ d’argent provenant d’activités criminelles.

Risques et éthique

Si l’intelligence artificielle a indéniablement renforcé le secteur de la sécurité, elle est également une source de défis. Les considérations éthiques et les préoccupations en matière de confidentialité sont devenues plus importantes, en particulier lors de l’utilisation de l’IA dans la surveillance et la biométrie. La collecte et le stockage de grandes quantités de données personnelles soulèvent des questions sur le droit à la vie privée et l’utilisation potentiellement abusive des données.

En outre, il existe une menace de contre-mesures d’acteurs malveillants, qui peuvent tenter de tromper les systèmes de l’IA en générant des données conçues pour confondre les algorithmes. Cela souligne la nécessité constante d’une supervision humaine et d’une amélioration continue des algorithmes de sécurité. Dans les situations critiques, l’identification multiple reste une exigence.

Par ailleurs, toute technologie censée être une bénédiction pour l’humanité peut être utilisée à mauvais escient par les criminels. Ces derniers utilisent par exemple l’intelligence artificielle pour commettre des fraudes en ligne. S’ils ne savent pas comment s’y prendre, ils peuvent faire appel à des prestataires de services spécialisés que l’on trouve sur le dark web ou certains groupes Telegram,

Des autorités peuvent également utiliser l’intelligence artificielle pour traquer les opposants politiques et les journalistes ou réprimer certains groupes de population. Les organisations chargées du respect de la vie privée, comme l’Autorité de protection des données, restent prudentes lorsqu’il s’agit d’appliquer l’intelligence artificielle à des systèmes de sécurité. Au sein de l’UE, l’usage de la reconnaissance faciale dans les lieux publics sera probablement interdit à partir de 2026. De telles interdictions sont déjà en vigueur dans de nombreux Etats membres, dont la Belgique. Bien que le donneur d’ordre soit en principe responsable, les entreprises de sécurité peuvent signaler ces dispositions avant la livraison et l’installation d’un système.

Conclusion

L’intelligence artificielle a irrévocablement changé et renforcé le secteur de la sécurité. De la sécurité physique à la protection numérique, les systèmes IA ont prouvé leur capacité à détecter, analyser et même prévenir les menaces avant qu’elles ne fassent des dégâts. Même s’il existe des défis en matière d’éthique et de protection de la vie privée, il est clair que l’intelligence artificielle va continuer à jouer un rôle crucial dans la sécurisation de notre monde de plus en plus complexe. La clé du succès réside dans la recherche d’un équilibre entre le progrès technologique et les valeurs humaines.