L’intelligence artificielle transforme déjà de nombreux aspects de notre quotidien depuis des années. Cette tendance est appelée à s’accentuer, pour le meilleur comme pour le pire. Mais à l’heure où l’IA gagne en puissance et s’ancre de plus en plus fermement dans les usages, les entreprises doivent impérativement évaluer son potentiel de façon réaliste et objective, à la fois en tant qu’outil et menace.
L’IA démultiplie les vitesses et les capacités d'action des acteurs bien et mal intentionnés
La généralisation du machine learning dans les entreprises en fait un outil et une cible de choix
L’engouement que suscite l’IA peut en faire oublier les risques
Les menaces émergentes ne cessent de s’amplifier et de se diversifier
Les menaces générées par IA imposent la mise en place d'une sécurité pilotée par IA
Les conséquences réelles de l’IA générative sont très difficiles à prédire, tant l’énorme buzz qui l'entoure obscurcit aujourd’hui cette technologie. À lui tout seul, le terme « IA » est devenu une sorte d’argument marketing. Vous souhaitez remplir la salle lors de votre prochain événement tech ? Mettez « IA » dans le titre de votre présentation. Vous voulez attirer l’attention sur une fonctionnalité ML de votre logiciel ? Ajoutez « IA » au nom de votre produit. Tout ceci ne fait que voiler la réalité, avec d’un côté des avantages et des dangers sensationnalisés et, de l’autre, une insensibilisation de beaucoup aux thématiques IA dans leur ensemble.
À cela s’ajoute le fait que bon nombre de personnes, notamment les moins techniquement versés d'entre nous, ne comprennent pas précisément ce qu’est l’IA.
L’intelligence artificielle porte bien son nom : elle regroupe des systèmes informatiques utilisés pour simuler les processus de l’intelligence humaine.
Voici quelques exemples : traitement du langage, reconnaissance vocale, systèmes experts et vision machine.
Le machine learning désigne des systèmes informatiques pilotés par des algorithmes qui leur permettent d’apprendre et de s’adapter automatiquement après avoir été entraînés sur des jeux de données spécifiques.
Quelques exemples : algorithmes de recommandation de contenus, analyse prédictive et reconnaissance d’images.
Le deep learning est une technique qui utilise des couches d’algorithmes et des unités de calcul pour simuler un réseau neuronal construit à l’image du cerveau humain.
Exemples : grands modèles de langage (LLM), traduction et reconnaissance faciale.
Authenticité des contenus
L’IA générative est capable de créer des copies très réalistes à partir de contenus originaux. Cette aptitude menace la propriété intellectuelle, surtout dans le cas des entreprises qui exploitent l’IA pour générer des contenus. Les acteurs malveillants, quant à eux, peuvent voler des données et produire des copies convaincantes pour imiter une création originale, voire faciliter d’autres attaques.
Nous avons demandé à ChatGPT de lister les principales menaces que présente l’IA générative. Voici sa réponse :
L’IA générative offre un potentiel incroyable d’innovation et de créativité. Mais cette technologie pose également des défis et des menaces de cybersécurité uniques. Voici quelques-uns de ses principaux risques :
Les fonctionnalités qui font de l’IA une arme offensive si redoutable peuvent et doivent être utilisées pour renforcer les cyberdéfenses. Ceci permet aux entreprises non seulement de développer des technologies de cybersécurité plus agiles et efficaces, mais aussi de mieux répondre aux failles humaines.
Se préparer au monde post-quantique
Préparation à la PQC : identifier les assets cryptographiques
Rapport Gartner 2022 sur la PQC