Identification des vulnérabilités web, réseau et applicatives avant qu'elles ne soient exploitées.
Évaluation de la robustesse des modèles LLM contre les attaques par injection de prompt et jailbreak.
Durcissement des infrastructures et configurations sécurisées (Docker, Kubernetes, AWS).
Intégration de la sécurité dès la conception dans les pipelines CI/CD et le cycle de développement.
Système intelligent de détection et neutralisation de ransomwares basé sur l'analyse du kill chain et des comportements malveillants. Analyse statique/dynamique d'exécutables (ELF, EXE/DLL, macOS), détection de signatures suspectes, identification et neutralisation de processus malveillants avec quarantaine automatique. Intégration de modèles Hugging Face et ML traditionnel pour réduire les faux positifs.
Plateforme numérique de santé communautaire : prise de rendez-vous médicaux, rappels automatiques de médicaments (notifications), dossier médical numérique sécurisé (allergies, groupe sanguin, historique), géolocalisation des centres de santé. Contribution à la conception fonctionnelle et technique avec attention portée à la sécurité des données médicales.
Modèle de vision par ordinateur pour la classification d'images agricoles (+50 classes). Utilisation de ResNet-50 et MobileNetV2 avec approches de ML et Deep Learning. Prétraitement des données, entraînement du modèle et analyse des performances. Précision finale : 97%.
Évaluation passive de vulnérabilités avec Nmap, WhatWeb, Nikto et OWASP ZAP. Restitution orientée risque métier avec plan de remédiation priorisé.
Analyse de 3 scénarios (credential phishing, BEC, spear phishing) avec classification des risques et guide de sensibilisation pour collaborateurs.
Tests manuels des risques OWASP API (BOLA, BFLA, excessive data exposure) avec preuve d’impact et stratégie de durcissement orientée Zero Trust.
Organisation claire pour publier des articles techniques, analyses de risques, et writeups CTF de manière professionnelle.