Présentation du produit
Flock, startup spécialisée dans les solutions d’intelligence artificielle pour les services publics, a lancé un moteur de recherche conversationnel destiné aux services de police. L’interface permet aux agents de saisir des requêtes en langage naturel afin d’interroger des bases de données internes (dossiers d’incidents, registres de véhicules, antécédents judiciaires) ainsi que des sources publiques (données ouvertes, réseaux sociaux). L’article indique que le service est proposé sous forme de SaaS, accessible via un navigateur web sécurisé.
Architecture technique
Le système repose sur un modèle de langage de grande taille (LLM) hébergé dans le cloud, auquel s’ajoute un index vectoriel pour la recherche sémantique. Selon le texte, Flock utilise une version de GPT‑4 comme moteur de génération, couplée à Elasticsearch 7.x pour le stockage des embeddings. Les documents sont d’abord transformés en vecteurs à l’aide d’un encodeur OpenAI embeddings‑text‑ada‑002, puis indexés. Lorsqu’un agent saisit une question, le texte est converti en vecteur, comparé aux vecteurs stockés, et les passages les plus pertinents sont renvoyés au LLM qui synthétise la réponse.
Le flux de données suit le schéma suivant : collecte des sources → pré‑traitement (anonymisation, normalisation) → génération d’embeddings → indexation → interrogation via API REST. Le backend expose deux points d’entrée : /search pour la recherche vectorielle et /answer pour la génération de texte. Les communications sont chiffrées TLS 1.3 et chaque appel est journalisé pour l’audit.
Analyse des performances et des limites
L’article cite un benchmark interne où le temps moyen de réponse se situe autour de 1,2 s pour une requête standard, avec un taux de précision top‑3 de 78 % sur un jeu de 5 000 requêtes tirées de dossiers réels. Cette performance dépend fortement de la latence du modèle LLM et de la taille de l’index. Un facteur limitant est la capacité du système à gérer des volumes de données supérieurs à 10 TB, où la latence monte à plus de 3 s et la précision chute légèrement en raison de la dilution des vecteurs.
Le texte souligne également que le modèle ne possède pas de connaissance en temps réel des mises à jour législatives, ce qui peut entraîner des réponses obsolètes si les bases ne sont pas rafraîchies quotidiennement. Enfin, la dépendance à un fournisseur cloud externe introduit un point de défaillance unique.
Enjeux de confidentialité et de gouvernance
Flock affirme appliquer un masquage automatique des champs sensibles (numéros de sécurité sociale, adresses exactes) avant l’injection dans le pipeline d’embeddings. Le processus utilise des règles de regex et un dictionnaire de termes protégés. Malgré ces mesures, l’article note que le modèle LLM conserve les prompts dans son cache pendant 30 minutes, ce qui pose un risque de reconstitution indirecte d’informations privées si un acteur malveillant accède aux logs.
Le déploiement nécessite une autorisation explicite du service juridique de chaque force de police, ainsi qu’une évaluation d’impact relative à la protection des données (DPIA). Le texte indique que, jusqu’à présent, aucune autorité de régulation n’a émis de recommandation spécifique concernant l’usage de LLM dans les enquêtes criminelles.
