Projet d'identité numériques de propriété immobilière privée

L’industrie immobilière est en pleine transformation et l’introduction d’une identité numérique pour les propriétés vise à simplifier les interactions, à rationaliser les processus et offrir de nouvelles perspectives d’efficacité dans le secteur immobilier. Cependant, la création d’une identité numérique pour une propriété privée tout en respectant la législation québécoise sur l’utilisation des données personnelles présente des défis.

L’identité numérique, qui existe depuis près de 20 ans, a révolutionné la façon dont nous identifions les personnes et les objets connectés.

Cependant, le principal défi de ce projet est de séparer les données personnelles des données de l’objet. La loi 25 au Québec, qui modifie plusieurs lois concernant les données personnelles, rend ce défi encore plus complexe. Malgré ces défis, ce projet en collaboration avec EspaceProprio, vise à créer une identité numérique pour une propriété qui exploite pleinement le potentiel de l’identité numérique tout en préservant les droits fondamentaux des individus.

En fait, les pays développés, comme le Canada, doivent constamment maintenir leur capacité de production compétitive malgré des coûts de main-d’oeuvre plus élevés que des pays en fort développement, tels le Brésil, la Chine et l’Inde. De plus, il appert que les cybercrimes se développent à un rythme effréné, à l’instar des états-nations (Tagarev, 2020) qui testent les capacités défensives des compagnies canadiennes.

La gouvernance de la cybersécurité apparaît comme fondamentale dans la pérennité des entreprises canadiennes de plus en plus utilisatrices des technologies numériques (Culot et al., 2019). Cette recherche se veut un regard sur les pratiques actuelles et suggérées dans les littératures scientifiques (Savaş & Karataş, 2022) et professionnelles (ISO 27014 :2020 ; NIST CSF), dans une optique d’identifier les pratiques clés et d’en élaborer un modèle de maturité (Maleh, Sahid & Belaissaoui, 2021) tenant compte des principaux cyber risques auxquels sont exposés les entreprises canadiennes. À l’opposé de Maleh, Sahid & Belaissaoui (2021), notre approche sera holistique et basée sur un cadre développé à même la gouvernance des entreprises.

Les données augmentent de manière exponentielle en raison des progrès des solutions basées sur l’internet des objets (IoT). Les améliorations récentes en matière de détection, de technologie sans fil et d’informatique vestimentaire ont stimulé la recherche sur les soins de santé mobiles et la surveillance à distance de la santé et des activités des personnes. Les solutions de soins de santé génèrent une énorme quantité de données multimodales (c’est-à-dire des images, des vidéos, du texte et de l’audio). Bien que l’IHoT ait révolutionné le secteur des soins de santé en incorporant les derniers outils et technologies, notamment la ML/AI, les capteurs, le Cloud et l’Edge, les problèmes de sécurité et de protection de la vie privée ont eu une incidence sur les soins de santé mobiles. Cependant, les problèmes de sécurité et de confidentialité ont affecté l’adoption généralisée de l’IHoT. Dans ce projet, nous tenterons d’atténuer ces problèmes de sécurité et de confidentialité en incorporant la ML/AI. Ainsi, l’approbation de l’HIoT augmentera et pourra fournir des solutions durables.

Pour identifier les courriels indésirables, une gamme de méthodes d’apprentissage automatique (ML) et d’apprentissage profond (DL) est couramment employée. Ces méthodes reconnaissent les messages de spam et les relèguent dans un dossier indésirable. Cependant, elles rencontrent des limites, en particulier lorsqu’il s’agit de fournir des explications claires sur la classification d’un courriel en tant que spam. La présente étude introduit l’approche XSPAM, qui combine la technique d’apprentissage automatique Random Forest avec la technique d’apprentissage profond Long Short-Term Memory (LSTM) pour la détection des spams. En outre, elle intègre la technique d’intelligence artificielle explicable (LIME) pour améliorer la fiabilité de la détection des spams en élucidant le raisonnement qui sous-tend la classification. La recherche introduit une représentation visuelle pour résoudre le problème d’opacité inhérent aux classificateurs ML et DL, renforçant ainsi la fiabilité de l’approche.
En outre, l’approche XSPAM ne se contente pas d’identifier les spams, mais évalue également le risque associé aux spams, en présentant diverses stratégies pour atténuer leur impact et améliorer l’efficacité globale.

La désinformation est définie comme une fausse nouvelle et pourrait induire les lecteurs en erreur. Depuis l’élection présidentielle de 2016, il est clair que nous avons un énorme problème avec les fausses nouvelles sur Internet : elles se propagent plus rapidement, plus largement et plus profondément. Cela signifie que plus d’utilisateurs partagent, aiment, commentent les fausses nouvelles que les vraies nouvelles. Selon le rapport 2022 de l’Agence de l’Union européenne pour la cybersécurité, la désinformation est citée comme la 7e des dix principales cybermenaces mondiales.

Notre objectif de recherche est d’une part, utiliser les dernières percées en intelligence artificielle (IA) pour détecter automatiquement et rapidement la désinformation; et d’autre part, développer une façon d’expliquer adéquatement la désinformation au public (XAI- explicabilité de l’IA).

Les algorithmes les plus récents comme BERT peuvent détecter la désinformation avec de meilleures performances et avec rapidité. BERT a été utilisé pour coder le texte, mais pas pour analyser le contexte et les données de séries temporelles. Et selon les études, l’utilisation de ces différentes approches sont nécessaires pour la détection rapide de la désinformation.

Pour ce qui est du XAI et de la désinformation, les études sont limitées et sous-développées. On ne réussit pas à expliquer clairement la désinformation.