N
ovasecur utilise des méthodologies issues de technologies militaires dans plusieurs de ses applications intelligentes. Dans nos solutions de lutte anti blanchiment et financement du terrorisme des moteurs d’analyse de liens (link analysis) et détections d’atypiques (atypical data protocol) conversent avec des moteurs d’intelligence artificielle afin d’améliorer le taux de faux/positif des alertes produites et d’augmenter en continu les capacités de détection.
Ce type d’application qui combine le Data Analytics et le Machine Learning, sont naturellement désignées pour répondre à des thématiques sécuritaires. Elles interfèrent nativement avec les masses de données produites par l’internet des objets (IoT). Or les départements de la sûreté sécurité sont aujourd’hui des utilisateurs massifs de l’IoT dans le but de fluidifier et industrialiser les procédures de contrôle et d’anticiper les situations d’urgence.
Qu’il s’agisse de contrôle des entrées sorties, de sécurité des locaux (intrusion), des lieux de passage (Vigipirate), Activités informatiques critiques, détection des objets et situations à risques de nombreuses méthodes s’appuient aujourd’hui sur les objets connectés. L’utilisation accrue de capteurs biométriques, de caméras et haute vitesse, d’alertes sur communications critiques, d’analyse comportementale constituent des éléments essentiels des lignes de défense.
A cela s’ajoute la sécurité des personnes et des biens, les services d’urgence et sanitaires et la collecte de preuves pour la résolution des enquêtes forensiques.
Les capteurs biométriques et l’IoT en général transforment une information unique du corps (visage, l’iris, l’ADN, la veine, les empreintes digitales) ou du comportement (la manière d’interagir avec les appareils, la démarche, la voix, etc ) en un code compréhensible par le système d’IA. Ces informations codées sont stockées dans une base de données puis des algorithmes d’apprentissage en profondeur (deep learning) reconnaissent les modèles (patterns) afin de déterminer l’action suivante.
Or, cet ensemble d’outil connectés produit des quantités de données immenses. Pour être efficace, leur traitement doit s’effectuer en quasi temps réel. L’intelligence artificielle est conçue de manière à pouvoir apprendre des interactions avec son environnement et modifier son comportement en conséquence. Si l’internet des objets permet une mise en œuvre rentable de la sécurité conditionnelle pour un certain nombre d’actifs et de situations complexes, l’IA joue un rôle moteur dans l’analyse des données entrantes.
Envisager un diagnostic à distance, prédire les risques et les mesures de première urgence et réduire les expositions au danger en temps réel ne sont plus aujourd’hui, dans les entreprises, du ressort d’une activité humaine traditionnellement outillée. Seules les capacités de traitement de masse et d’autoapprentissage de l’IA répondent efficacement à ce besoin. C’est d’autant plus sensible qu’une part significative des risques apparaît de façon inattendue.
A titre d’exemple, il serait logique qu’une grande entreprise du transport ferroviaire utilise déjà des drones pilotés par l’IA pour assurer la vérification des voies à grande vitesse avec un traitement en temps réel. Imaginez ce que cela couterait de l’effectuer en hélicoptère, le temps d’intervention et le coût, si cela était effectué uniquement par des équipes humaines sous un contrôle centralisé.