Contexte et fonctionnement
Sur certains appareils Samsung, un processus nommé alex.tflite charge un modèle TensorFlow Lite toutes les deux à trois secondes. Le modèle analyse des captures d’écran de résolution 960 × 540 pixels afin d’estimer le jeu vidéo en cours d’exécution. Les résultats sont immédiatement jetés, car la demande de consentement de l’utilisateur n’apparaît qu’après le traitement. Cette séquence montre que le dispositif consomme du CPU sans que l’utilisateur en soit informé.
Architecture du modèle et quantification
Le fichier alex.tflite correspond à une version quantifiée en INT8 d’AlexNet, un réseau de classification d’images à cinq couches convolutives suivi de trois couches entièrement connectées. La quantification INT8 réduit la taille du modèle et la charge de calcul, mais introduit une perte de précision qui se traduit ici par une efficacité de reconnaissance très faible. Le modèle utilise ensuite une comparaison de vecteurs de caractéristiques avec une base de données locale via une recherche du plus proche voisin.
Impact sur les performances et la vie privée
Le traitement d’une image 960 × 540 en INT8 sur le CPU d’un smartphone mobilise plusieurs dizaines de millisecondes, mais il se répète toutes les deux secondes, entraînant une consommation énergétique continue. Cette activité se produit avant que l’utilisateur ne puisse accepter ou refuser la collecte, ce qui constitue une violation potentielle du principe de consentement éclairé. De plus, la comparaison de caractéristiques contre une base de données interne expose indirectement les habitudes de jeu de l’utilisateur.
Limites et perspectives
Les auteurs du tweet indiquent que le système échoue dans 99 % des cas, ce qui suggère que la combinaison d’une architecture AlexNet, d’une quantification INT8 et d’une base de données de référence inadaptée n’est pas suffisante pour identifier correctement le jeu. L’absence de journalisation des résultats rend difficile l’audit du processus. Pour réduire l’impact CPU et améliorer la conformité, il serait nécessaire d’intégrer le consentement avant le lancement du modèle, d’optimiser le pipeline de comparaison (par exemple en utilisant des index de vecteurs) et de reconsidérer l’usage d’AlexNet au profit de modèles plus légers et plus précis.
