Choses à Savoir TECH

Une phrase invisible dans un simple e-mail peut suffire à donner de mauvaises instructions à une intelligence artificielle chargée de le lire. Le problème devient beaucoup plus sérieux lorsque cette IA peut également consulter des fichiers, envoyer des messages ou agir dans l’entreprise. Cette attaque porte un nom : l’injection de prompt. Au lieu d’introduire un logiciel malveillant classique, l’attaquant cache une instruction en langage naturel dans une source que l’IA va consulter : un courrier électronique, une page web, un document ou même une image. L’utilisateur peut ne rien remarquer. L’assistant, lui, ingère à la fois le contenu légitime et l’instruction hostile. C’est précisément pourquoi l’OWASP classe encore l’injection de prompt au premier rang de son Top 10 des risques pour les applications utilisant de grands modèles de langage en 2026.

Le risque n’est plus théorique. En 2025, la vulnérabilité EchoLeak avait montré qu’un seul e-mail spécialement construit pouvait manipuler Microsoft 365 Copilot. L’attaque permettait au système de rechercher des informations auxquelles il avait normalement accès dans l’environnement professionnel puis de les exfiltrer, sans que l’utilisateur ait à cliquer sur un lien. Microsoft a corrigé la faille avant sa divulgation publique. La nuance est essentielle : l’intelligence artificielle n’acquiert pas magiquement des droits supplémentaires. Le danger vient justement des autorisations qu’on lui a déjà données. Un chatbot qui ne peut que résumer un texte offre peu de leviers. Un agent connecté aux mails, aux fichiers, au calendrier et à des applications professionnelles peut transformer la même manipulation en véritable incident de sécurité. C’est pourquoi les défenses ne peuvent pas reposer uniquement sur la capacité du modèle à reconnaître une instruction suspecte. Les recommandations actuelles consistent aussi à limiter les permissions, isoler les contenus externes, contrôler les données qui ressortent et demander une validation humaine avant les actions sensibles.

Source : OWASP
Hébergé par Acast. Visitez acast.com/privacy pour plus d'informations.

Des chercheurs du MIT ont créé une feuille de silicone capable de reconstruire sa propre forme en trois dimensions lorsqu’on la plie ou qu’on la tord. Cousue un jour dans un vêtement, elle pourrait permettre à un casque de réalité virtuelle de suivre directement une partie de nos mouvements.

Le prototype mesure seize centimètres de côté et cinq millimètres d’épaisseur. À l’intérieur, les chercheurs ont intégré quatorze guides optiques souples fabriqués en caoutchouc et disposés sur deux couches. Le principe repose sur la lumière. Une LED éclaire chaque fibre depuis une extrémité. Lorsque la feuille se courbe, la quantité de lumière reçue à l’autre bout varie. Les chercheurs ont rendu un côté de chaque guide plus rugueux que l’autre : selon le sens de la flexion, la lumière se perd différemment. Le système peut ainsi déterminer non seulement combien la feuille se plie, mais dans quelle direction.

Un algorithme combine ensuite les quatorze mesures pour reconstituer la surface en trois dimensions. Sur trois formes imprimées en 3D, l’écart moyen se situait entre 2,8 et 4,5 millimètres. Le mot « peau » peut cependant prêter à confusion. Le dispositif n’est pas un système haptique qui ferait ressentir un coup ou la texture d’un objet virtuel. Il mesure principalement la forme et peut détecter une pression. Pour le jeu vidéo, son intérêt serait donc plutôt de transformer un vêtement souple en capteur de mouvements corporels.

Et le prototype est encore beaucoup trop lent pour remplacer les systèmes actuels. La reconstruction fonctionne autour de trois images par seconde dans MATLAB, alors qu’un environnement de réalité virtuelle demande des dizaines d’actualisations chaque seconde. La feuille suit également mal certaines déformations complexes autour du poignet ou du coude. Les chercheurs veulent maintenant amincir les fibres, accélérer les calculs et intégrer davantage d’électronique directement au matériau.

Source : MIT
Hébergé par Acast. Visitez acast.com/privacy pour plus d'informations.

Meta prépare un câble sous-marin capable de transporter un pétabit de données par seconde entre les États-Unis et la France. Mais Petal ne donnera pas soudainement une connexion deux fois plus rapide aux particuliers : il augmente surtout la capacité de l’infrastructure qui relie les grands centres numériques des deux continents.

Prévu pour entrer en service en 2029, Petal doit parcourir environ 7 000 kilomètres sous l’Atlantique. Meta annonce une capacité totale de 1 000 térabits par seconde, soit deux fois celle des systèmes transocéaniques les plus avancés actuellement. NEC construira et installera le système, Sumitomo Electric fournira la fibre et Orange participera à son arrivée sur la côte atlantique française. La véritable innovation se trouve à l’intérieur de la fibre. Les câbles sous-marins classiques font circuler la lumière dans un seul cœur par fibre. Petal en utilisera deux. Avec 24 paires de fibres multicœurs, Meta obtient ainsi l’équivalent de 48 paires conventionnelles sans devoir doubler physiquement le nombre de fibres.

Ce choix répond à une contrainte très concrète. Sur 7 000 kilomètres, le signal doit être amplifié régulièrement par des répéteurs installés au fond de l’océan, eux-mêmes alimentés depuis la terre. Ajouter toujours davantage de fibres finit donc par augmenter la consommation électrique et compliquer l’ensemble du câble. Meta affirme que sa nouvelle architecture double la capacité tout en restant compatible avec les équipements d’alimentation existants. L’intelligence artificielle explique une partie de cette course à la bande passante, mais Petal n’est pas un câble réservé à l’IA. Il transportera le même type de données que les autres grandes artères d’Internet : cloud, vidéo, services numériques et communications entre centres de données. Et surtout, ses performances restent pour l’instant celles d’un projet annoncé. Le câble n’est pas encore posé et le pétabit par seconde correspond à sa capacité de conception.

Source : Engineering.fb
Hébergé par Acast. Visitez acast.com/privacy pour plus d'informations.

La France va investir 20 millions d’euros pour aider cinq acteurs à construire une offre commune de cloud et d’intelligence artificielle destinée aux données sensibles. Mais il ne s’agit pas de créer un nouveau cloud national à partir de zéro.

Le programme est piloté par Cloud Temple avec Thales, Bull, Vates et le CEA. Les partenaires ajouteront 27 millions d’euros aux fonds de France 2030, soit 47 millions au total d’ici fin 2028. Chacun fournit une partie de la chaîne. Cloud Temple apporte son infrastructure existante et pilote l’ensemble. Thales intervient sur la cybersécurité et avec sa filiale S3NS. Bull doit intégrer les infrastructures matérielles et logicielles nécessaires à l’intelligence artificielle. Le CEA travaillera sur les architectures futures, tandis que Vates fournit une technologie française de virtualisation open source.

L’objectif est de proposer à terme des services d’infrastructure, de plateforme et d’IA pour les administrations et entreprises manipulant des données particulièrement sensibles, dans la santé, la finance ou l’industrie. Le terme important est « cloud de confiance ». En France, la référence est SecNumCloud, qualification délivrée par l’ANSSI. Elle impose des exigences techniques mais aussi juridiques, notamment pour réduire l’exposition aux lois extraterritoriales et maintenir données, opérations sensibles et contrôle du service dans l’Union européenne.

Cloud Temple dispose déjà d’offres qualifiées. Mais cela ne signifie pas que chaque nouveau service développé par le consortium recevra automatiquement le label : l’ANSSI rappelle que SecNumCloud qualifie une offre précise, pas simplement une entreprise ou l’infrastructure qui l’héberge. Le défi sera surtout économique. La Direction générale des entreprises estime que les hyperscalers étrangers contrôlent encore plus de 70 % du marché, avec des catalogues de services et des moyens d’investissement considérables. Même certains dirigeants français du cloud doutent que des consortiums suffisent à combler ce retard.

Source : Cloud Temple
Hébergé par Acast. Visitez acast.com/privacy pour plus d'informations.

Un détecteur d’intelligence artificielle ne sait pas que ChatGPT a écrit un texte. Il calcule surtout à quel point ce texte ressemble à ceux qu’il a appris à reconnaître comme artificiels.

C’est une distinction essentielle, car un score affichant 97 ou 99 % peut donner l’impression d’une preuve presque scientifique. Ces outils ne fonctionnent pas comme un logiciel antiplagiat. Ils ne recherchent pas votre paragraphe dans une base contenant toutes les réponses produites par ChatGPT. Les systèmes modernes découpent d’abord le texte en tokens, transforment ces éléments en représentations numériques, puis les font analyser par un réseau neuronal entraîné sur de grandes quantités de textes dont l’origine est connue.

Pangram, par exemple, entraîne son modèle avec des documents humains et des productions provenant de dizaines de modèles d’IA. Pour éviter qu’il apprenne simplement qu’un article scientifique est « humain » et qu’une dissertation est « artificielle », l’entreprise génère aussi des textes synthétiques reproduisant le sujet, le ton et la longueur des exemples humains. Cela permet de comprendre pourquoi l’ancienne explication fondée uniquement sur la « perplexité » est devenue insuffisante. Cette mesure évalue à quel point les mots d’un texte sont prévisibles. Elle a beaucoup servi aux premières générations de détecteurs, mais les outils actuels combinent bien davantage de caractéristiques grâce à des modèles d’apprentissage profond.

Le problème apparaît lorsque l’écriture devient hybride. Corriger quelques fautes avec une IA, lui faire réécrire plusieurs paragraphes ou lui demander l’intégralité d’un texte sont trois situations très différentes, alors que le détecteur ne voit que le résultat final. Une étude publiée cette année a ainsi montré qu’un détecteur scientifique repérant initialement 99,8 % des textes artificiels tombait à 70,4 % après paraphrase. Un autre projet, AITDNA, qui conserve tout l’historique de rédaction entre humains et IA, constate que les détecteurs sont souvent performants pour certaines définitions du « texte IA », beaucoup moins lorsqu’on mélange toutes les formes de collaboration.

Source : Clubic
Hébergé par Acast. Visitez acast.com/privacy pour plus d'informations.