DOLPHIN: A Privacy-Preserving Digital Investigation Readiness Assessment Framework based on Offline Large Language Models and Retrieval-Augmented Generation
Ce document présente DOLPHIN, un cadre de préservation de la confidentialité qui exploite des modèles de langage de grande taille hors ligne et la génération augmentée par récupération pour améliorer considérablement la préparation aux enquêtes numériques en évaluant avec précision l'exhaustivité des preuves, en détectant des lacunes spécifiques et en réduisant le temps de préparation des dossiers tout en garantissant que les données restent locales.
Article original sous licence CC BY 4.0 (https://creativecommons.org/licenses/by/4.0/). Ceci est une explication générée par l'IA de l'article ci-dessous. Elle n'a pas été rédigée ni approuvée par l'auteur. Pour une précision technique, consultez l'article original. Lire la clause de non-responsabilité complète
Dans le monde des enquêtes criminelles, l'essentiel du travail se déroule souvent avant qu'une seule pièce à conviction ne soit formellement analysée en laboratoire. Avant que les enquêteurs ne puissent examiner un disque dur ou un téléphone, ils doivent d'abord déterminer s'ils disposent d'assez d'informations pour même commencer. Cette étape préliminaire, connue sous le nom de préparation forensique (forensic readiness), implique la collecte d'un mélange chaotique de documents : la déclaration d'une victime, un rapport de police, des images de vidéosurveillance, des témoignages de témoins, des papiers de propriété et des horodatages numériques. Traditionnellement, trier cet amas est un processus manuel et lent. Si un document clé manque ou si une chronologie est floue, toute l'enquête peut stagner ou, pire encore, progresser sur des bases fragiles. Le défi n'est pas seulement de trouver la preuve, mais d'évaluer rapidement si les documents disponibles sont suffisamment complets pour soutenir une enquête sérieuse, tout en gardant les détails sensibles strictement privés et à l'écart d'Internet.
Un nouveau cadre appelé DOLPHIN offre une autre manière de gérer ce tri initial. Développé par des chercheurs de l'Institut de science et technologie SRM en Inde, le système est conçu pour agir comme un assistant respectueux de la vie privée pour les enquêteurs. Au lieu d'envoyer des dossiers de cas confidentiels vers un serveur cloud où ils pourraient être exposés, DOLPHIN fonctionne entièrement sur un ordinateur local. Il utilise un type d'intelligence artificielle connu sous le nom de grand modèle de langage, qui est entraîné pour comprendre et générer le langage humain, combiné à un système de recherche qui extrait des faits spécifiques des documents téléchargés. Cette configuration permet à l'ordinateur de lire un dossier de cas, de vérifier les pièces manquantes et de noter le degré de préparation de l'enquête, le tout sans jamais quitter la salle sécurisée de l'enquêteur. L'objectif est de transformer une liste de contrôle fastidieuse et subjective en une évaluation rapide, fiable et privée.
Pour tester l'efficacité de cette approche, les chercheurs ont créé un environnement contrôlé utilisant 300 scénarios d'enquêtes simulées basés sur des cas de vols de véhicules. Ils n'ont pas utilisé de véritables dossiers de police afin de protéger la vie privée ; ils ont plutôt construit des versions numériques de cas allant de la présence de tous les documents possibles à la présence de très peu d'entre eux. Certains scénarios comprenaient une déclaration complète de la victime, un rapport de police, des images de vidéosurveillance et des témoignages, tandis que d'autres omettaient délibérément des éléments spécifiques tels que les papiers de propriété ou les horodatages numériques. Les chercheurs ont ensuite soumis ces scénarios au système DOLPHIN pour voir s'il pouvait juger avec précision l'exhaustivité de chaque cas. Le système avait deux tâches principales : premièrement, attribuer un score de préparation indiquant si un cas était prêt pour une analyse forensique approfondie, et deuxièmement, identifier précisément ce qui manquait, comme une lacune dans les preuves visuelles ou un manque de corroboration de la part des témoins.
Les résultats ont montré que le système performait avec une grande précision. Lorsqu'on lui demandait de classer la préparation d'un cas, DOLPHIN correspondait au jugement des experts humains environ 92 % du temps. Il était particulièrement efficace pour détecter des types spécifiques d'informations manquantes. Par exemple, il pouvait détecter de manière fiable lorsqu'un cas manquait une déclaration de victime ou lorsqu'une chronologie était brisée en raison de l'absence de métadonnées numériques. Le système a catégorisé ces éléments manquants en quatre groupes clairs : lacunes dans la documentation, lacunes dans la corroboration des témoins, lacunes dans les preuves visuelles comme la vidéosurveillance, et lacunes dans la chronologie. En identifiant ces trous spécifiques, le système fournissait aux enquêteurs une image claire de ce qu'ils devaient trouver avant de poursuivre, plutôt que de donner simplement une réponse vague par "oui" ou par "non".
Une partie cruciale de l'étude consistait à s'assurer que le système ne fabriquait pas de choses. Les grands modèles de langage peuvent parfois générer des informations qui semblent convaincantes mais qui sont fausses, un problème connu sous le nom d'hallucination. Pour éviter cela, les chercheurs ont utilisé une technique appelée génération augmentée par récupération (retrieval-augmented generation), qui force l'ordinateur à consulter les documents réels du dossier de cas avant de répondre. Ils ont encore amélioré cela en filtrant les résultats de recherche avec des métadonnées, garantissant que le système ne consulte que les documents appartenant au cas spécifique qu'il analyse. Cette combinaison a réduit le taux de déclarations non étayées ou fausses de plus de 16 % à seulement 2 %. En d'autres termes, le système est devenu beaucoup plus digne de confiance car il était strictement ancré dans les preuves fournies, plutôt que de s'appuyer sur ses données d'entraînement générales.
Au-delà de la précision et de la confiance, l'étude a mesuré le temps gagné par le système. Un enquêteur humain examinant manuellement un dossier de cas prenait en moyenne environ 15,5 minutes pour vérifier l'exhaustivité et identifier les éléments manquants. Avec l'assistance de DOLPHIN, ce temps est tombé à environ 4,4 minutes par cas. Cette accélération ne s'est pas faite au détriment de la qualité ; les rapports générés par le système étaient plus complets que ceux produits par des listes de contrôle manuelles, incluant systématiquement un résumé des preuves, une liste des éléments manquants, un score de préparation et des recommandations pour les étapes suivantes. Le système a prouvé qu'il pouvait gérer la partie lourde de l'organisation de l'information, permettant aux enquêteurs humains de concentrer leur énergie sur l'enquête réelle plutôt que sur le tri administratif.
Les chercheurs ont souligné que DOLPHIN n'est pas un outil qui prend des décisions juridiques finales ou qui remplace le besoin de jugement humain. Il est conçu comme un système de soutien pour aider les enquêteurs à organiser leurs pensées et leurs matériels avant que l'examen forensique formel ne commence. L'étude a été menée à l'aide de données simulées sur des ordinateurs portables de consommation standard, démontrant que ce niveau d'assistance respectueuse de la vie privée ne nécessite pas de supercalculateurs coûteux de niveau entreprise. Bien que le système ait montré un grand potentiel lors de ces tests contrôlés, l'auteur note que les travaux futurs devront valider sa performance avec des cas de police du monde réel, qui peuvent être bien plus complexes, ambigus et juridiquement sensibles que les simulations utilisées ici. Pour l'instant, l'étude suggère que garder l'intelligence artificielle locale et ancrée dans des documents spécifiques peut être un moyen puissant de préparer les enquêtes numériques sans compromettre la confidentialité.
Noyé(e) sous les articles dans votre domaine ?
Recevez des digests quotidiens des articles les plus récents correspondant à vos mots-clés de recherche — avec des résumés techniques, dans votre langue.