Principales préoccupations liées à l’IA et à la confidentialité des données

F5 Newsroom Staff

À retenir :

• Les risques liés à la confidentialité des données existent tout au long du cycle de vie de l’IA. Ils doivent être compris et pris en compte à chaque phase du développement et du déploiement afin de garantir une utilisation éthique et sécurisée des données par l’IA.
• L’IA générative présente des risques particulièrement élevés pour la confidentialité des données, notamment dans le cas de systèmes tels que les LLM utilisés pour créer du texte, des images, du code ou du contenu audio.
• Des réglementations telles que le RGPD et le CCPA fournissent un cadre fondamental pour la gestion de la confidentialité des données, alors même que de nouvelles règles propres à l’IA voient le jour.
• À mesure que de nouvelles fonctionnalités et de nouveaux cas d’usage sont introduits, les équipes doivent rester vigilantes quant aux implications en matière de confidentialité et évaluer en permanence les moyens de protéger les données sensibles.

L’IA engendre de nouveaux risques et de nouvelles préoccupations en matière de confidentialité

L’intelligence artificielle (IA) est désormais une réalité : 78 % des organisations interrogées dans le cadre du rapport F5 2026 sur l’état des stratégies applicatives exploitent déjà leur propre service d’inférence.

Si l’IA promet d’aider les organisations à travailler de manière plus intelligente, plus rapide et plus efficace, elle suscite également des inquiétudes et comporte des risques. Les systèmes d’IA, en particulier ceux fondés sur l’apprentissage automatique et les grands modèles de langage (LLM), reposent sur d’immenses volumes de données, utilisés pour entraîner et ajuster les modèles d’IA ainsi que pour alimenter les moteurs d’IA. Ces données peuvent inclure des informations sensibles telles que des identifiants personnels, des habitudes comportementales, des données de localisation, ainsi que des dossiers financiers et médicaux. À mesure que l’IA s’intègre davantage aux applications du quotidien, le risque d’exposition ou d’utilisation abusive des données personnelles augmente lui aussi : la confidentialité des données dans le domaine de l’IA constitue désormais une préoccupation majeure.

Cet article de blog examine le concept de confidentialité liée à l’IA et explore les risques et les préoccupations que l’IA engendre en matière de confidentialité des données. Il aborde également les lois relatives à la confidentialité dans le domaine de l’IA et explique comment protéger la confidentialité des données dans les applications d’IA.

Qu’est-ce que la confidentialité des données dans l’IA ?

La confidentialité de l’IA désigne l’ensemble des pratiques visant à protéger les données collectées, stockées et traitées par les systèmes d’IA. Elle est liée à la confidentialité des données, qui repose sur le principe selon lequel chacun doit pouvoir contrôler ses données personnelles. Toutefois, la confidentialité de l’IA constitue un concept à part entière qui s’en distingue sur plusieurs points essentiels.

Les systèmes d’IA exploitent d’immenses volumes de données. En effet, plus ces systèmes consomment de données, plus ils tendent à gagner en précision et en capacités. Par exemple, on estime que GPT-6 Astra compte environ 10 000 milliards de paramètres au total, d’après les informations sur les tarifs et la fenêtre de contexte, et le volume considérable de données collectées soulève des préoccupations en matière de confidentialité. Comme ces systèmes sont entraînés sur des jeux de données aussi vastes, souvent extraits d’Internet ou d’autres grands référentiels de données, il peut être difficile de garantir qu’aucune donnée privée ou personnelle n’a été utilisée ou, si tel a été le cas, que le consentement a bien été obtenu.

En outre, les pipelines d’IA, de la collecte des données jusqu’au déploiement des applications, sont en grande partie automatisés, ce qui complique la détection des problèmes de confidentialité des données si des garde-fous en la matière ne sont pas intégrés au système dès sa conception. Les développeurs doivent anticiper les problèmes potentiels, car une omission peut avoir d’importantes répercussions sur la confidentialité des données, auxquelles il sera difficile de remédier par la suite. Si des données à caractère personnel ont été utilisées dans un jeu de données d’entraînement et que la personne concernée demande leur suppression, quelles en sont les conséquences pour le modèle d’IA ?

De par sa nature, l’IA excelle également dans la reconnaissance de schémas. Un système d’IA pourrait donc recouper des données sans lien apparent afin de tirer des conclusions très précises sur les informations privées d’une personne. L’IA ne se contente pas de mémoriser : elle apprend des corrélations, ce qui accroît le risque que le modèle puisse déduire l’identité d’une personne à partir d’une combinaison de caractéristiques ou rassembler des fragments de données pour reconstituer des informations sensibles.

Ces problématiques soulèvent de sérieuses préoccupations éthiques et réglementaires, même lorsque les données du système d’IA sont anonymisées.

Problèmes de confidentialité des données liés à l’IA

Le grand public est très préoccupé par la protection de la vie privée, mais aussi très mal informé sur les moyens de se protéger. Selon le Pew Research Center, environ 60 % des Américains ne font pas confiance aux entreprises pour développer et utiliser l’IA de manière responsable, et 71 % des adultes estiment que le recours accru à l’IA rendra leurs informations personnelles moins sûres. En fait, 79 % n’utilisent pas de chatbots d’IA en raison de préoccupations liées à la protection de la vie privée.

Les organisations doivent tenir compte non seulement des exigences réglementaires relatives à l’IA et à la confidentialité des données, mais aussi de l’opinion publique et du degré d’acceptation concernant l’utilisation des données personnelles.

Comment l’IA crée des risques pour la vie privée

Les systèmes d’IA sont exposés à des risques liés à la confidentialité des données tout au long de leur cycle de vie. Ces risques doivent être compris et pris en compte à chaque phase de développement et de déploiement afin de garantir une utilisation éthique et sécurisée des données par l’IA.

• Ingestion des données. Les modèles d’IA nécessitent d’immenses jeux de données pour leur entraînement, et l’étape de collecte des données présente souvent le risque le plus élevé pour la confidentialité des données, en particulier lorsque des données sensibles, telles que des informations de santé, des données financières personnelles et des données biométriques, sont incluses. Les données personnelles peuvent avoir été recueillies sans consentement approprié ou selon des modalités qui ne sont pas totalement transparentes pour les personnes concernées.
• Entraînement du modèle d’IA. Pendant la phase d’entraînement, un modèle d’IA apprend à reconnaître des schémas dans les données ingérées. Même si les données personnelles sont collectées avec le consentement des personnes concernées, les modèles d’IA peuvent les utiliser à des fins autres que celles initialement prévues. La phase d’entraînement peut susciter des préoccupations en matière de confiance et de transparence, notamment si les personnes ont le sentiment d’avoir été induites en erreur ou de ne pas avoir été informées de la manière dont leurs données sont utilisées par les systèmes d’IA. Par exemple, certaines personnes peuvent accepter que des organisations accèdent à leurs données pour gérer leur compte, mais n’auraient pas consenti à les partager si elles avaient su qu’elles serviraient à entraîner un système d’IA.
• Moteur d’inférence. La phase d’inférence correspond au moment où le modèle d’IA entraîné est utilisé pour générer des analyses ou des prédictions à partir de nouvelles données. Des risques pour la vie privée apparaissent à ce stade, car les systèmes d’IA peuvent tirer des conclusions très précises sur des personnes à partir de données d’entrée anonymisées et apparemment inoffensives, ou révéler voire amplifier des biais présents dans les données d’entraînement. Cette situation est comparable à l’Open Source Intelligence (OSINT), qui consiste à recueillir des renseignements à partir de sources accessibles au public. L’OSINT joue un rôle essentiel dans la cybersécurité, la détection des menaces, les enquêtes et la veille concurrentielle, en transformant des données ouvertes en informations stratégiques. Toutefois, l’OSINT n’implique ni accès non autorisé ni piratage, mais uniquement la collecte de données légalement accessibles au public.
• Couche applicative. Les applications d’IA constituent un point d’entrée attrayant pour les pirates informatiques, car elles représentent la partie la plus visible et la plus accessible d’un système d’IA. Les attaquants peuvent exploiter des API ou des services web pour accéder à de grandes quantités de données sensibles. Les applications d’IA peuvent également exposer involontairement des données sensibles à des utilisateurs légitimes en raison de contrôles d’accès insuffisants, de messages d’erreur trop détaillés ou de réponses de l’IA excessivement prolixes.

Risques liés à la confidentialité des données dans l’IA générative

L’IA générative présente des risques particulièrement élevés pour la confidentialité des données, notamment dans le cas de systèmes tels que les grands modèles de langage (LLM) utilisés pour créer du texte, des images, du code ou du contenu audio. La plupart des modèles d’IA sont entraînés sur des jeux de données extraits de l’Internet public, souvent sans l’autorisation explicite ni le consentement éclairé des sources ou des créateurs de contenu. En outre, ces données peuvent contenir des informations permettant d’identifier personnellement des individus, que le système d’IA générative pourrait révéler lors de l’inférence.

Les applications d’IA générative, notamment les assistants de rédaction destinés au grand public, les chatbots et les générateurs d’images, sont généralement interactives et accessibles sur le Web. Elles sont donc vulnérables aux injections de prompts, qui consistent, pour des attaquants, à élaborer des entrées visant à manipuler le comportement du modèle, à contourner les contrôles ou à amener l’IA à produire du contenu soumis à des restrictions, offensant ou confidentiel. En outre, les utilisateurs peuvent saisir des informations personnelles ou sensibles dans des outils d’IA sans se rendre compte que ce contenu peut être stocké dans le système d’IA et utilisé pour entraîner ou ajuster de futurs modèles d’IA, ce qui expose ces informations à un risque de fuite accidentelle de données.

Pris ensemble, ces deux facteurs créent des scénarios à haut risque, dans lesquels un LLM entraîné sur des contenus sensibles ou utilisés sans consentement pourrait être incité à les reproduire et à révéler des informations personnelles. Par ailleurs, des utilisateurs pourraient involontairement inclure des données sensibles dans leurs requêtes, les exposant ainsi à un accès ou à une réutilisation non autorisés.

Inversion de modèle

L’inversion de modèle est une technique utilisée par des acteurs malveillants pour extraire les données d’entraînement d’un modèle au moyen d’une rétro-ingénierie basée sur des prompts. Des requêtes très spécifiques sont soumises au fil de tentatives répétées. Les attaquants exploitent les résultats obtenus pour reconstituer progressivement les données d’entraînement du modèle. L’inversion de modèle a notamment été utilisée pour reconstituer des images faciales, porter atteinte à la confidentialité des données médicales de patients et déduire des informations financières sensibles.

Après avoir été la cible d’une tentative d’inversion de modèle, les organisations sont souvent confrontées à des interruptions de service et à des perturbations lorsqu’elles réentraînent leurs modèles, mettent en œuvre des mesures de gouvernance supplémentaires, évaluent si leurs autres modèles présentent des risques similaires et informent les autorités de réglementation ainsi que les personnes concernées.

Désanonymisation et réidentification

L’IA peut également être utilisée pour déterminer l’identité d’utilisateurs en ligne anonymes ou utilisant un pseudonyme, en recoupant des jeux de données. Les attaquants peuvent ainsi déduire des informations sensibles, telles que l’état de santé ou la situation financière. Pour ce faire, les acteurs malveillants utilisent des grands modèles de langage (LLM) afin d’analyser des sources de données à la recherche de points communs, de tendances et de schémas leur permettant de relier des données anonymisées à des identités réelles.

Lois sur la protection de la vie privée en matière d’IA

Alors que l’adoption de l’IA s’accélère, les gouvernements créent ou mettent à jour des lois afin de répondre aux risques liés à la confidentialité des données que présentent les systèmes d’IA, en particulier ceux qui utilisent ou stockent des données personnelles ou sensibles. À l’heure actuelle, 144 pays ont adopté des lois nationales sur la confidentialité des données, tandis que d’autres pays, comme les États-Unis, disposent d’un ensemble disparate de lois locales en la matière. Toutes ces réglementations ne sont pas propres à l’IA, mais, dans la plupart des cas, les systèmes d’IA doivent s’y conformer.

Voici quelques exemples de lois sur la protection des données.

• Règlement général sur la protection des données de l’Union européenne (RGPD)
  Le RGPD exige que les données à caractère personnel soient collectées et utilisées de manière loyale et transparente, à des fins clairement définies au moment de leur collecte. Les organisations doivent limiter la collecte aux seules données nécessaires à la finalité prévue, veiller à ce qu’elles ne soient conservées que pendant la durée nécessaire et mettre en place des mesures strictes pour garantir leur sécurité et leur confidentialité. Bien que le RGPD ne fasse pas explicitement référence à l’intelligence artificielle, tout système d’IA qui collecte, traite ou stocke des données à caractère personnel doit respecter pleinement les principes du RGPD afin de garantir une gestion responsable des données tout au long du cycle de vie de l’IA.
• Règlement de l’Union européenne sur l’intelligence artificielle
  Le règlement européen sur l’intelligence artificielle est le premier cadre réglementaire complet au monde consacré à l’intelligence artificielle et instauré par une grande autorité publique. Il interdit les applications d’IA considérées comme présentant un « risque inacceptable », telles que la notation sociale mise en œuvre par les pouvoirs publics ou la collecte non ciblée d’images faciales provenant de séquences de vidéosurveillance. Il impose également des obligations juridiques strictes aux systèmes d’IA « à haut risque », notamment aux outils utilisés pour trier les CV dans le cadre des processus de recrutement. Les développeurs de systèmes d’IA à haut risque doivent mettre en place de solides pratiques de gouvernance des données afin de garantir que tous les jeux de données d’entraînement, de validation et de test respectent les normes de qualité définies.
• Réglementations des États américains
  Le « California Consumer Privacy Act » (CCPA) et le « Texas Data Privacy and Security Act » permettent aux particuliers de mieux contrôler leurs données personnelles. Ces lois établissent des droits fondamentaux, notamment le droit de savoir comment les organisations collectent, utilisent et partagent leurs données, le droit de demander la suppression de leurs informations personnelles et le droit de refuser la vente ou le partage de ces données.
  
  Le « Utah Artificial Intelligence and Policy Act » porte spécifiquement sur les applications d’IA générative à haut risque. Il exige que les systèmes d’IA informent clairement les utilisateurs lorsqu’ils interagissent avec une IA générative, afin de garantir la transparence et une utilisation éclairée des expériences fondées sur l’IA.

Le cabinet d’avocats White & Case publie « AI Watch: Observatoire mondial de la réglementation », une ressource utile pour suivre l’évolution des réglementations relatives à la confidentialité dans le domaine de l’IA.

Le paysage réglementaire en 2026 : application de la loi par la FTC

La Federal Trade Commission (FTC) a pris des mesures coercitives concernant la collecte de données sans consentement. Ses efforts portent sur trois catégories : les pixels de suivi des données de santé, la vente de données de géolocalisation sensibles et les contenus numériques utilisés sans consentement. Bon nombre de ces mesures ont ciblé des marques de services de santé et de pharmacies en ligne. L’objectif de la FTC est de protéger les informations sensibles des consommateurs susceptibles d’être utilisées comme données d’entraînement pour l’IA.

Lorsqu’il est établi que des modèles ont été entraînés à partir de données obtenues illégalement, les autorités de régulation peuvent exiger leur suppression complète. Ce processus est appelé « destruction algorithmique ».

Bonnes pratiques en matière de confidentialité pour l’IA

À mesure que les systèmes d’IA gagnent en complexité et se généralisent, il est essentiel de protéger la confidentialité des données tout au long de leur cycle de vie. Les bonnes pratiques suivantes peuvent contribuer à garantir la conformité, à préserver la confiance des utilisateurs et à réduire les risques.

• Élaborez des politiques solides de gouvernance des données. Des lignes directrices complètes doivent inclure la classification des données, des contrôles d’accès fondés sur les rôles, des stratégies de sécurité des données telles que le chiffrement et la pseudonymisation, des audits réguliers ainsi que la conformité aux réglementations applicables en matière de protection des données, telles que le RGPD et le CCPA.
• Limitez la collecte de données. Collectez uniquement les données nécessaires à la fonction prévue du système d’IA. Réduire au minimum les données collectées limite les risques d’exposition et constitue une exigence de nombreuses lois sur la protection des données.
• Obtenez un consentement explicite. Informez clairement les utilisateurs de la manière dont leurs données seront collectées, utilisées et stockées. Obtenez toujours leur consentement explicite et éclairé avant de collecter et d’utiliser leurs données personnelles. Cette transparence constitue non seulement une obligation légale dans de nombreuses juridictions, mais renforce également la confiance des utilisateurs.
• Vérifiez la chaîne d’approvisionnement des données d’entraînement. Assurez-vous que les jeux de données tiers utilisés pour entraîner les modèles d’IA sont fiables et qu’ils ont été constitués dans le respect de pratiques rigoureuses en matière de confidentialité des données.
• Suivez les bonnes pratiques générales en matière de sécurité des applications. Renforcez les fondations de vos systèmes d’IA en mettant en œuvre des mesures éprouvées de sécurité des données, notamment une gestion robuste des identités et des accès, le chiffrement des données en transit et au repos, ainsi que l’anonymisation des données afin de protéger les informations personnelles.
• Effectuez des évaluations continues des risques. La gestion des risques n’est jamais une opération ponctuelle, et elle doit être d’autant plus continue dans le domaine de l’IA, qui évolue rapidement et exige une réévaluation régulière des risques liés à la confidentialité. Procédez à des évaluations continues afin d’identifier les menaces émergentes, de garantir la conformité et de mettre à jour les politiques de gouvernance si nécessaire.
• Exploitez les logiciels pour renforcer la protection des données. Utilisez des outils intelligents tels que la F5 Application Delivery and Security Platform afin d’améliorer l’observabilité, de renforcer la conformité aux réglementations sur la protection de la vie privée et de surveiller en temps réel les flux de données sensibles transitant par les applications d’IA.
• Évaluez les politiques de confidentialité des fournisseurs et des partenaires. Assurez-vous que tous les partenaires technologiques et prestataires de services appliquent des pratiques rigoureuses en matière de confidentialité et de sécurité des données. Les données d’IA transitent souvent par des écosystèmes partagés, ce qui rend la gouvernance des tiers essentielle pour réduire les risques au minimum ; voici les déclarations de F5 relatives à la confidentialité des données.

Cadres de gestion des risques liés à l’IA

Une caractéristique commune aux réglementations spécifiques à l’IA est l’obligation de classer les applications d’IA en fonction de leur niveau de risque. Cette approche fondée sur les risques permet aux organisations de mettre en place des mesures de protection et une supervision adaptées à l’impact potentiel du système d’IA.

Les applications d’IA à haut risque peuvent inclure :

• Systèmes critiques pour la sécurité, dans lesquels des fonctionnalités d’IA sont utilisées au sein d’infrastructures critiques, dans les transports ou dans des dispositifs médicaux, et dont les défaillances pourraient entraîner des dommages corporels ou matériels.
• Systèmes d’emploi et d’éducation, dans lesquels des outils d’IA sont utilisés pour le recrutement, les admissions, les évaluations des performances ou l’accès aux possibilités d’éducation, et où des biais ou des erreurs peuvent avoir des répercussions importantes sur les droits et les perspectives des personnes.
• Sécurité publique et forces de l’ordre, où les systèmes utilisés pour la reconnaissance faciale, la police prédictive, la surveillance ou l’évaluation des risques peuvent susciter des préoccupations en matière de libertés civiles et de discrimination.
• IA générative accessible au public, lorsque des applications générant du texte, des images ou des vidéos sont directement accessibles aux utilisateurs, en particulier dans les situations où les contenus produits peuvent influencer les comportements, propager de fausses informations ou divulguer involontairement des informations sensibles.

Le National Institute of Standards and Technology (NIST) des États-Unis a publié en 2023 un cadre de gestion des risques liés à l’intelligence artificielle (AI RMF) qui fournit des orientations pratiques générales pour de nombreux secteurs et cas d’usage. Ce cadre peut s’avérer utile aux développeurs d’applications d’IA, car, plutôt que de définir de grandes catégories d’applications à haut risque, il fournit des orientations permettant d’évaluer les risques et de déterminer comment les atténuer.

Le cœur de l’AI RMF s’articule autour de quatre fonctions principales qui traduisent une approche continue et cyclique de la gestion des risques liés à l’IA :

1. Gouverner. Établir et superviser les politiques, processus, procédures et pratiques de l’organisation afin de favoriser un développement responsable de l’IA et de garantir la transparence ainsi qu’une mise en œuvre efficace.
2. Cartographier. Comprendre le contexte dans lequel le système d’IA fonctionnera et évaluer l’ensemble de son cycle de vie afin de cerner les risques et les impacts potentiels à chaque étape de son développement.
3. Mesurer. Évaluer, surveiller et quantifier les risques et les impacts liés à l’IA à l’aide d’outils, d’indicateurs et de techniques d’évaluation appropriés.
4. Gérer. Hiérarchisez les risques et prenez les mesures nécessaires en appliquant des mesures d’atténuation et des contrôles afin de réduire les préjudices et d’optimiser les résultats. Allouez des ressources à la surveillance des systèmes d’IA, ainsi qu’à la gestion des incidents, au rétablissement après ceux-ci et à la communication à leur sujet.

Concilier l’innovation en matière d’IA et la protection des données

Alors que l’innovation en matière d’IA s’accélère, il est essentiel de trouver un équilibre entre les progrès technologiques et le maintien de solides protections de la confidentialité des données. Les réglementations actuelles en matière de protection de la vie privée reconnaissent l’importance de laisser la place à une innovation continue tout en préservant les garanties relatives à la confidentialité et à la sécurité des données.

Les lois générales sur la protection des données, telles que le RGPD et le CCPA, fournissent un cadre fondamental pour gérer la confidentialité des données, même si de nouvelles règles propres à l’IA voient le jour. Les organisations doivent évaluer en permanence les implications de leurs systèmes d’IA en matière de confidentialité, notamment à mesure que leurs capacités évoluent ou que de nouveaux cas d’usage apparaissent.

Veillez à évaluer en permanence les enjeux de confidentialité liés à l’IA au sein de votre organisation et à mettre régulièrement à jour les politiques de gouvernance des données afin qu’elles restent en phase avec l’évolution des technologies, des exigences réglementaires et des attentes culturelles.

Luttez contre les nouveaux risques liés à la confidentialité des données de l’IA avec F5

La F5 AI Security Platform offre une sécurité de l’IA adaptable qui aide les équipes à protéger les systèmes d’IA à mesure que les menaces évoluent. Grâce à des garde-fous personnalisés, à des tests adversariaux automatisés et à la correction des vulnérabilités, F5 ADSP contribue à sécuriser l’IA partout, notamment dans les environnements sur site, isolés, de cloud privé ou hybrides. Elle permet également aux organisations de répondre à des exigences strictes en matière de confidentialité des données, de souveraineté et de conformité.

IA et confidentialité des données : questions fréquentes

Quels sont les principaux risques de l’intelligence artificielle pour la vie privée ?

La confidentialité des données est une préoccupation majeure pour les organisations qui entraînent et déploient des fonctionnalités basées sur l’IA. Des données sensibles, telles que des informations personnelles identifiables ou des informations financières, peuvent être intégrées aux jeux de données d’entraînement des modèles. Ces informations peuvent ensuite être divulguées par des systèmes d’IA générative, ou des attaquants peuvent manipuler les systèmes d’IA afin de les révéler. Les requêtes et les données saisies par les utilisateurs peuvent également présenter un risque pour la confidentialité.

Qu’est-ce que l’apprentissage fédéré et comment protège-t-il la confidentialité des données ?

L’apprentissage fédéré est une approche décentralisée de l’apprentissage automatique dans laquelle plusieurs serveurs ou clients collaborent pour entraîner un modèle d’IA. Point essentiel : aucune donnée n’est échangée entre les clients. C’est le modèle lui-même qui est envoyé aux serveurs. Les mises à jour du modèle provenant de chaque client sont transmises au serveur central, où elles sont regroupées.

Quelle est la différence entre l’apprentissage fédéré et la confidentialité différentielle ?

La confidentialité différentielle introduit un bruit mathématique aléatoire et calibré dans les jeux de données afin de contribuer à préserver la confidentialité des données individuelles. L’apprentissage fédéré est une approche qui répartit l’apprentissage automatique entre des appareils ou des serveurs décentralisés, évitant ainsi d’avoir à centraliser les données. La confidentialité différentielle peut être utilisée dans le cadre de l’apprentissage fédéré afin de renforcer davantage la protection de la vie privée.

Comment les entreprises peuvent-elles empêcher les modèles d’IA générative de divulguer des données propriétaires ?

La protection des données propriétaires commence par une sécurisation rigoureuse de l’ingestion des données et de l’entraînement des modèles. Les organisations doivent veiller à ce que les modèles ne soient pas entraînés à partir d’informations propriétaires ou sensibles. En production, les solutions de sécurité de l’IA à l’exécution peuvent surveiller les interactions avec l’IA afin de détecter les cas où des utilisateurs saisissent des informations propriétaires et prendre les mesures nécessaires pour empêcher cette saisie. Elles peuvent également contrôler les résultats générés par les modèles et empêcher la divulgation d’informations propriétaires.

En savoir plus sur les solutions de sécurité de l’IA de F5.

À propos de l’auteur

F5 Newsroom Staff

Autres articles de F5 Newsroom Staff