[{"data":1,"prerenderedAt":72},["ShallowReactive",2],{"project:\u002Fprojects\u002Fai-security-lab":3},{"id":4,"title":5,"body":6,"description":55,"extension":56,"meta":57,"navigation":58,"order":59,"path":60,"repo":61,"seo":62,"slug":63,"status":64,"stem":65,"tags":66,"topic":70,"__hash__":71},"projects\u002Fprojects\u002Fai-security-lab.md","AI Security Lab",{"type":7,"value":8,"toc":46},"minimark",[9,14,18,22,25,29,32,36,39,43],[10,11,13],"h2",{"id":12},"contexte","Contexte",[15,16,17],"p",{},"Les applications LLM ajoutent des frontières de confiance inhabituelles : le langage devient à la fois donnée, instruction et interface vers des outils.",[10,19,21],{"id":20},"problème","Problème",[15,23,24],{},"Les contrôles doivent être évalués face à des attaques reproductibles, pas uniquement décrits dans une architecture.",[10,26,28],{"id":27},"architecture","Architecture",[15,30,31],{},"Le laboratoire sépare le modèle, l’orchestrateur, la base de connaissances, les outils et la journalisation pour observer chaque décision.",[10,33,35],{"id":34},"sécurité","Sécurité",[15,37,38],{},"Les scénarios incluent prompt injection directe et indirecte, exfiltration, abus d’outils et contournement des règles d’autorisation.",[10,40,42],{"id":41},"résultats","Résultats",[15,44,45],{},"Chaque expérimentation conserve son hypothèse, ses données, son résultat et les limites observées afin de comparer les contrôles dans le temps.",{"title":47,"searchDepth":48,"depth":48,"links":49},"",2,[50,51,52,53,54],{"id":12,"depth":48,"text":13},{"id":20,"depth":48,"text":21},{"id":27,"depth":48,"text":28},{"id":34,"depth":48,"text":35},{"id":41,"depth":48,"text":42},"Un environnement reproductible pour tester les attaques et les contrôles des applications LLM et des systèmes RAG.","md",{},true,1,"\u002Fprojects\u002Fai-security-lab",null,{"title":5,"description":55},"ai-security-lab","published","projects\u002Fai-security-lab",[67,68,69],"OWASP LLM","MITRE ATLAS","RAG","ai-security","xrJATnU9Z3DoYRc1eQwDYcnJ2TnKpNTeilaV6OAIR_I",1789036874561]