Face à des pertes dépassant 4 milliards de dollars singapouriens depuis 2019, GovTech et Google DeepMind dévoilent un modèle de détection d’arnaques exécuté sur l’appareil. Affiné sur des conversations locales et testé sous contrainte énergétique, il promet des alertes en temps réel sans extraire les messages chiffrés. La collaboration a été présentée à la SICW 2026 avec des garanties de souveraineté et d’anonymisation des données.
La solution respecte le chiffrement tout en protégeant les utilisateurs
La collaboration a été présentée lors de la Semaine internationale de la cybersécurité de Singapour 2026. Les partenaires la présentent comme un exemple conciliant protection des utilisateurs et chiffrement de bout en bout pour les plateformes de messagerie. L’affinage du modèle s’est déroulé dans un environnement GCP géré par GovTech, avec isolement des données d’entraînement. Aucune donnée privée ni information personnellement identifiable de citoyens n’a été utilisée, les ensembles d’entraînement étant anonymisés et issus de rapports d’arnaques et de flux d’intelligence. Le modèle a été soumis à des tests de résistance sur des dialogues synthétiques et des corpus locaux couvrant différentes catégories d’arnaques. Le projet illustre une coopération entre gouvernements et fournisseurs de modèles pour développer des technologies d’intérêt général.
Détection en temps réel sur l’appareil avec un pipeline en deux étapes
Le modèle traite les conversations directement sur l’appareil afin de préserver la confidentialité. Ce choix d’analyse locale permet une détection plus rapide des intentions manipulatrices, pour agir avant toute exposition financière ou de données d’identité. L’objectif est une alerte en temps réel sur des tentatives ciblées et locales, sans compromettre la vie privée. Pour concilier performance et autonomie, l’architecture adopte deux étapes : un classificateur léger filtre d’abord les messages entrants avec une faible consommation d’énergie, puis une évaluation contextuelle via Gemma affiné analyse une portion plus large de l’échange pour confirmer la menace ou lever une fausse alerte. L’efficacité énergétique est explicitement identifiée comme une contrainte clé sur smartphone.
La recherche en IA te passionne ?
Les papers et avancées qui comptent, expliqués simplement, chaque soir. Gratuit.
Inclus dès l'inscription : notre sélection des meilleurs guides & comparatifs IA.
Choisis ton rythme
Gratuit · Pas de spam · Désabonnement en 1 clic
Avertissements guidant l’utilisateur avant tout partage sensible
Lorsqu’un schéma de manipulation est détecté, une notification locale s’affiche sur le téléphone de l’utilisateur. Elle invite à faire une pause et à la prudence avant de transmettre des informations sensibles ou des fonds.
Un modèle ancré dans le contexte singapourien
Le modèle léger Gemma a été affiné sur des conversations d’arnaque spécifiques au contexte local. L’entraînement couvre des usurpations d’institutions publiques, de banques et de figures locales, ainsi que des escroqueries régionales récurrentes. Cette approche vise à améliorer la distinction entre échanges sociaux courants et tentatives de manipulation. L’optimisation cible les smartphones typiques du pays et prend en compte que nombre de services de messagerie sont chiffrés de bout en bout, rendant l’analyse côté serveur inopérante.
Une réponse technique à un préjudice financier massif
À Singapour, les arnaques représentent plus de la moitié des crimes signalés, avec des pertes cumulées dépassant 4 milliards de dollars singapouriens depuis 2019. Les modes opératoires ont évolué du phishing simple vers des scénarios d’ingénierie sociale plus élaborés, et ces attaques concentreraient jusqu’à 80 % des pertes. Dans ce contexte, GovTech et Google DeepMind collaborent dans le cadre d’un Partenariat national en IA qui a abouti à un modèle de détection exécuté sur l’appareil.
Vers une intégration par messageries et systèmes d’exploitation
Les plateformes de messagerie et les fournisseurs de systèmes d’exploitation peuvent intégrer directement des modèles légers de ce type pour offrir une protection locale. Cette intégration vise à sécuriser les conversations sans exposer de données privées au-delà de l’appareil.
