in

Comment les grands modèles linguistiques ont changé l’intégralité de mon flux de travail OSINT | par Anthony Mensier | Avr, 2023


COMMENT LES MODÈLES DE LANGAGE GÉANTS ONT TRANSFORMÉ MA MÉTHODOLOGIE D’ANALYSE OSINT

Introduction

Les modèles de langage géants (LLMs) ont révolutionné la façon dont nous utilisons les données pour produire des analyses en renseignement. Les LLMs sont maintenant en mesure de produire des connaissances grâce à leur capacité d’analyser des informations extrêmement vastes et produire des informations plus rapidement. Ce nouvel outil offre des avantages pour les analystes en renseignement qui cherchent des informations issues de sources ouvertes (OSINT) pour comprendre les réalités telles que les conflits, la sécurité nationale, la lutte contre le terrorisme et la criminalité organisée. Dans ce texte, nous explorerons comment les LLMs peuvent améliorer l’efficacité et la qualité des workflows d’analyses OSINT en utilisant les cinq domaines d’activités découverts dans le processus de l’observe, oriente, décide et agit (OODA), que nous approfondirons plus tard.

La valeur ajoutée des LLMs

Les LLMs peuvent faciliter l’efficacité et la qualité des workflows d’analyses OSINT en aidant les analystes à traiter et à analyser les informations plus rapidement. En utilisant les modèles de langage, les analystes peuvent générer des connaissances et découvrir des insights spécialisés grâce à la capacité de ces modèles pour extraire les informations les plus pertinentes et pour effectuer une mise en contexte rapide. Les modèles de langage permettent de :

– Appliquer des algorithmes de recommandations et de recherches sur l’ensemble des documents collectés pour retrouver les informations qui ne sont pas dans la sphère d’intérêt initiale de l’utilisateur.

– Extraire les informations pertinentes d’une multitude de textes pour élaborer de manière rapide et efficace des pratiques de clustering et de tagging qui permettent de catégoriser les informations avec une grande précision.

– Mettre en relief les points communs entre les documents de plusieurs sources différentes pour établir des liens et des structures entre les entités clés du sujet étudié.

– Créer des synthèses rassemblant des éléments issus de plusieurs sources en proposant une lecture aisée et compréhensible des informations collectées.

– Bâtir une base de connaissances spécialisées, en classant les informations clé et les entités en les organisant selon leur pertinence pour l’analyse spécifique.

Les applications des LLMs et les limitations technologiques

En 2016, les LLMs étaient encore limités en termes de précision et de performance. Les modèles nécessitaient de l’information détaillée et une utilisation extrêmement nuancée du langage naturel pour construire un réseau de connaissances, cependant ces avancées techniques et technologiques étaient simplement indisponibles à l’époque. La commercialisation mondiale des technologies du cloud et la création de modèles transformer (avec leurs itérations les plus récentes, les LLMs), ont largement débloquées cette situation. En 2023, les workflows d’analyses OSINT sont basées sur des architectures NLP avancées et des solutions basées sur les LLMs.

Le LLM en tant que catalyseur de changement

Les LLMs stimulent le développement des analyses OSINT et les rendent plus efficaces. Ils créent un nouvel écosystème de travail pour les analystes et leur permettent d’ériger un véritable socle de connaissance sur n’importe quel sujet. En utilisant les cinq domaines d’activités faisant partie de la méthodologie de l’observance, de l’orientation, de la décision et de l’action, les LLMs permettent une productivité accrue, une meilleure précision et une vue d’ensemble.

Conclusion

Les modèles de langage géants apportent de nouvelles perspectives sur la façon de découvrir, de stocker et d’analyser les informations en renseignement. Même si cette technologie est très puissante, il est essentiel de comprendre ses avantages réels et ses limites pour en extraire le meilleur usage possible en se concentrant sur l’élaboration d’architectures spécifiquement adaptées aux analystes en intelligence. Cette infrastructure sert aujourd’hui à créer des solutions intelligentes et résilientes pour les analystes, permettant de délivrer des résultats en temps opportun et offrant une protection accrue pour la sécurité des citoyens dans notre monde en perpétuelle mutation.

| Domaines d’activités pour OODA | Applications des LLMs | Limitations technologiques |
| — | — | — |
| Rapidement comprendre les événements en cours, tels que les attentats terroristes, les troubles civils ou les catastrophes naturelles, et formuler une compréhension précise de la situation. | Utilisation d’algorithmes de recommandation et de recherche pour affiner les sujets clés et trouver de nouveaux points de vue | Limitations techniques du développement de l’exactitude du langage naturel |
| Collecter, trier et organiser de vastes quantités d’informations sur les entités surveillées – personnes, endroits, organisations, armes et sources d’informations – pour constituer des profils experts exceptionnels. | Capacité à regrouper des informations de sources multiples et d’identifier les points de concordance à fin de pouvoir les cataloguer et les mettre en relation dans des tableaux de connaissance | Besoins technologiques nécessaires à l’amélioration du traitement de données volumineuses |
| Comprendre les relations complexes entre les entités susmentionnées, y compris les chaînes d’approvisionnement, les campagnes de propagande et les organisations de groupes armés non étatiques, afin de perturber, de soutenir ou de neutraliser leurs réseaux. | Création d’outils spécialisés de classification permettant la détection des liens entre les entités clé du sujet étudié | La mise en contexte des données représente un véritable défi à l’heure actuelle |
| Compiler et résumer le tout en des rapports de renseignement sur mesure, renforçant la perception des responsables, des équipes opérationnelles et des clients, avec une vision globale de la situation. | Capacité à élaborer des rapports automatisés et très qualitatifs en Évitant les erreurs humaines | L’analyse fine des résultats obtenus peut prendre un certain temps |
| Proposer une évaluation personnelle de la situation, ainsi que des recommandations pour la mise en œuvre d’un plan d’action défini. | Mise à disposition d’une base de connaissances larges et spécialisées comprenant les différentes informations clé du sujet avec une contextualisation adaptée | Les technologies nécessaires à l’exploitation des LLMs ne sont pas encore suffisamment connues pour permettre une exploitation optimisée |

What do you think?

Written by Barbara

Leave a Reply

Your email address will not be published. Required fields are marked *

Terminal Gorille

La lettre ouverte intitulée ‘AI Pause’ suscite la peur et la controverse.