ماستر العلوم الجنائية واألمن السيبراني
Présentations :
Présentation 1 (groupe 5)
Titre :
Le juge et l'intelligence artificielle : assistance, indépendance et responsabilité judiciaire
1. Étudiant 1 – Contexte actuel : pourquoi les tribunaux s'intéressent à l'IA
o Arriérés judiciaires massifs (2-3 ans de délai en France, comparable au Maroc).
o Volume de jurisprudence impossible à maîtriser (millions de décisions).
o Demande d'accélération de la justice (e-justice, dématérialisation).
2. Étudiant 2 – Outils d'IA actuellement utilisés par les juges
o Recherche de jurisprudence assistée par IA (trouver cas similaires en secondes).
o Analyse de décisions pour détecter incohérences jurisprudentielles.
o Aide à la rédaction (l'IA suggère des formulations ou structure).
3. Étudiant 3 – Systèmes de prédiction : limites et utilité réelle
o Prédiction de l'issue d'un cas (basée sur données historiques).
o Suggestion de peines (analyser ce qui a été prononcé dans cas similaires).
o Limitation : ce que l'IA prédit n'est pas ce qui doit être (la loi évolue, la justice a besoin de
créativité).
4. Étudiant 4 – Bénéfices pour le tribunal et la justice
o Gain de temps pour tâches administratives (tri des dossiers, génération de résumés).
o Meilleure cohérence : algorithme applique la même logique à tous (moins d'arbitraire).
o Accès égal à la jurisprudence (petites villes, pays moins dotés).
5. Étudiant 5 – Risques pour l'indépendance et l'équité
o Conformisme : juge suit l'IA parce qu'elle donne une réponse, sans vraiment réfléchir.
o Perte d'autonomie : habitude de consulter l'IA crée dépendance.
o Biais de l'algorithme devient biais du jugement (si IA discrimine, décision discrimine).
6. Étudiant 6 – Compétences du juge de demain et gouvernance de l'IA
o Comprendre les limites de l'IA (l'IA n'a pas de jugement, pas d'équité).
o Savoir quand refuser la suggestion d'une IA (si cas unique, nouveau, nuancé).
o Traçabilité : pouvoir expliquer pourquoi on a suivi ou ignoré l'IA.
o Formation continue obligatoire en littératie numérique.
Présentation 2 (groupe 8)
Titre :
Vers le tribunal augmenté : automatisation, justiciabilité et modèles souhaitables d'IA pour la justice
1. Étudiant 1 – De la justice traditionnelle à la justice en ligne
o Justice en papier : lenteur, accessibilité limitée, coûts.
o Justice numérique : dossiers électroniques, accès en ligne, traitement accéléré.
o Transition actuellement en cours : Maroc, France, pays du monde.
2. Étudiant 2 – Tâches jugées « automatisables » dans un tribunal
o Petits litiges de masse (réclamations < 7 000 €, litiges consommateurs simples).
o Contentieux administratif routinier (refus de permis, formulaires mal remplis).
o Contentieux civil mineur (loyers impayés avec facteurs clairement définis).
o Toujours : vérification par humain avant décision finale.
3. Étudiant 3 – Exemples concrets : e-tribunaux et justice prédictive
o Estonie : plateforme e-justice entièrement numérique (signature électronique, contrats
intelligents).
o Chine : 100+ tribunaux utilisant IA pour générer projets de jugement.
o France : Cour de Cassation développe outil IA pour recherche jurisprudentielle.
4. Étudiant 4 – Concept du « juge intelligent » : jusqu'où aller ?
o Juge 100% algorithme ? Impossible et dangereux (enlève le jugement humain).
o Juge assisté par l'IA ? Acceptable si bien encadré.
o Frontière : qu'est-ce qui doit rester humain (questions d'équité, droits fondamentaux).
5. Étudiant 5 – Enjeux pour les droits des justiciables
o Accès à la justice : e-justice rend justice accessible 24/24 (bien).
o Égalité : riche ou pauvre, même algorithme pour tous (théoriquement équitable).
o Recours : possible de contester une décision d'IA ? Droit à un vrai juge ?
o Transparence : justiciable doit comprendre pourquoi il perd son procès.
6. Étudiant 6 – Modèle souhaitable pour le Maroc et perspective
o Priorités du Maroc : réduire arriérés (1M+ dossiers), améliorer accès justice.
o IA peut aider : gestion d'arriérés, accélération des petits litiges.
o Mais : maintenir juge comme décideur final pour dossiers complexes/droits fondamentaux.
o Formation : magistrats doivent comprendre l'IA, pas s'en remettre aveuglément.
o Infrastructure : besoin d'investir en numérique, sécurité, données.
Présentation 3 (groupe 1)
Titre :
Menaces, risques et principes de base de la cybersécurité
1. Étudiant 1 – Définitions essentielles et objectifs
o Sécurité de l'information : confidentialité, intégrité, disponibilité, traçabilité.
o Différence entre sécurité offensive et défensive.
2. Étudiant 2 – Paysage des menaces actuelles
o Acteurs (États, groupes criminels, hacktivistes, insiders).
o Motivations (financier, politique, sabotage, espionnage).
3. Étudiant 3 – Principales catégories d'attaques
o Malwares, ransomwares, DDoS, attaques par injection, fuites de données.
o Chaîne d'une attaque typique (reconnaissance, exploitation, persistance, exfiltration).
4. Étudiant 4 – Facteurs de risque spécifiques
o Facteur humain (erreurs, négligences, malveillance interne).
o Vulnérabilités techniques (systèmes obsolètes, configurations faibles, dépendances).
5. Étudiant 5 – Architectures de défense globales
o Approches par couches (réseau, serveurs, applications, utilisateurs).
o Concepts clés : défense en profondeur, segmentation, authentification multi-facteur.
Présentation 4 (groupe 2)
Titre :
Intelligence artificielle appliquée à la défense : détection, analyse et automatisation
1. Étudiant 1 – Limites des approches manuelles et nécessité de l'IA
o Volume de données impossible à traiter humainement (milliards d'événements/jour).
o Temps de réaction critique en cas d'incident.
2. Étudiant 2 – Machine learning pour la détection d'anomalies
o Apprentissage sur des comportements normaux vs. suspects.
o Modèles de détection : classification, clustering, régression.
o Exemples : détection de trafic anormal, utilisation inhabituelle de ressources.
3. Étudiant 3 – IA pour l'analyse et la corrélation d'événements
o Chaînage automatique d'événements isolés pour identifier une attaque complète.
o Reconnaissance de patterns d'attaque connus.
o Génération d'alertes contextualisées et priorisées.
4. Étudiant 4 – Automatisation de la réponse (SOAR, orchestration)
o Exécution automatique de playbooks de sécurité.
o Isolation de systèmes compromis, blocage de menaces, notification des équipes.
o Réduction du MTTI (Mean Time To Investigate) et du MTTR (Mean Time To Respond).
5. Étudiant 5 – Limites, risques et contrôle humain nécessaire
o Faux positifs/négatifs, évolution des attaques que l'IA ne reconnaît pas.
o Dépendance envers les données d'entraînement et risques de biais.
o Nécessité d'analystes humains pour valider et contextualiser les alertes.
Présentation 5 (groupe 3)
Titre :
Cybercriminalité et droit pénal : cadre légal et responsabilité
1. Étudiant 1 – Infractions spécifiquement numériques
o Accès non autorisé à un système informatique.
o Atteinte aux données (modification, suppression, introduction frauduleuse).
o Entraves au fonctionnement d'un système.
2. Étudiant 2 – Fraudes et escroqueries numériques
o Usurpation d'identité en ligne, phishing professionnel, fraude bancaire.
o Éléments constitutifs : tromperie, préjudice, intention.
3. Étudiant 3 – Éléments constitutifs d'une infraction cybercriminelle
o Élément légal (existence de la loi applicable).
o Élément matériel (acte commis : clic, envoi, téléchargement).
o Élément moral (intention délictuelle vs. inadvertance).
4. Étudiant 4 – Responsabilité des personnes morales et complicité
o Entreprise exploitée pour cybercriminalité (responsabilité civile et pénale).
o Complices, instigateurs, auteurs indirect.
o Chaîne de responsabilité dans une attaque organisée.
5. Étudiant 5 – Articulation technique-juridique dans les dossiers
o Comment un problème technique se traduit en qualification pénale.
o Rôle de l'expert technique dans l'établissement des faits.
o Exemples concrets : ransomware = extorsion ou atteinte à l'intégrité ? Botnet = quel auteur ?
Présentation 6 (groupe 4)
Titre :
Collecte, préservation et exploitation de la preuve numérique en procédure pénale
1. Étudiant 1 – Spécificités de la preuve numérique
o Volatilité (données en RAM, logs qui s'écrasent).
o Intégrité (traçabilité, authentification, chaînage).
o Volume (milliers de fichiers, des téraoctets de données).
2. Étudiant 2 – Cadre procédural : droits de la défense et proportionnalité
o Nécessité d'un mandat pour perquisition informatique.
o Respect du secret professionnel, médical, de la confession.
o Limite : accès à des données excessives peut être déboutée.
3. Étudiant 3 – Techniques de collecte et de préservation
o Acquisition image disque, mémoire vive, logs serveurs.
o Chaîne de conservation (Chain of Custody) : qui a touché à quoi, quand, comment.
o Hachage cryptographique pour garantir l'intégrité.
4. Étudiant 4 – Forensique numérique approfondie
o Analyse de disques (fichiers supprimés, données résiduelles).
o Analyse de mémoire (processus malveillants, clés de chiffrement en RAM).
o Analyse réseau (logs, captures de trafic, métadonnées).
5. Étudiant 5 – Problèmes pratiques majeurs
o Chiffrement et impossibilité d'accès (refus du suspect de fournir le mot de passe).
o Anonymat (Tor, VPN, proxys, spoofing d'adresses).
o Données en cloud (juridiction, coopération avec fournisseurs, données fragmentées).
Présentation 7 (groupe 6)
Titre :
Intelligence artificielle et analyse de preuves : fouille de données, corrélation et reconstruction
1. Étudiant 1 – Problème de volume : impossibilité du traitement manuel
o Enquête peut produire 100 To de données, des millions de fichiers.
o Impossibilité pour les enquêteurs d'examiner chaque fichier.
o Urgence de traitement : arrêter une attaque en cours, identifier complices.
2. Étudiant 2 – IA pour l'indexation et la classification de documents
o OCR sur images scannées (traiter 10 000 pages de documents saisis).
o Classification automatique (pertinent vs. non pertinent au dossier).
o Recherche par concept vs. par mot-clé (trouver tout ce qui parle de fraude, même avec
synonymes).
3. Étudiant 3 – Analyse de communications et reconstruction de scénarios
o NLP pour analyser emails, SMS, messages (sentiment, intention, acteurs impliqués).
o Timeline automatique (qui communiqué avec qui, quand, sur quel sujet).
o Identification de rôles (chef, exécutant, intermédiaire).
4. Étudiant 4 – Corrélation d'événements et graphes relationnels
o Construire automatiquement un réseau de relations (qui connaît qui).
o Lier des événements distants dans le temps pour montrer un plan cohérent.
o Détecter des patterns d'activité synchronisée (plusieurs attaquants en parallèle).
5. Étudiant 5 – Validité juridique et contrôle humain obligatoire
o Résultats de l'IA = indices, pas preuve automatique.
o Expert humain doit valider et pouvoir expliquer les conclusions.
o Débat contradictoire : la défense peut contester la logique de l'IA.
o Transparence : expliquer comment l'IA est arrivée à ses conclusions.
Présentation 8 (groupe 7)
Titre :
Encadrement juridique de l'IA en sécurité et en justice : éthique, biais et responsabilité
1. Étudiant 1 – Principes généraux d'encadrement de l'IA (AI Act, directives éthiques)
o Transparence (savoir qu'une IA intervient).
o Explicabilité (comprendre comment l'IA décide).
o Responsabilité (qui est responsable en cas d'erreur).
o Non-discrimination (l'IA ne doit pas favoriser/pénaliser un groupe).
2. Étudiant 2 – Données personnelles et IA
o RGPD et traitement de données pour entraîner l'IA de sécurité.
o Métadonnées sensibles (qui parle à qui, quand, depuis où).
o Anonymisation et ré-identification : IA peut démasquer des données anonymisées.
3. Étudiant 3 – Biais algorithmiques en cybersécurité et justice
o IA apprend des données historiques biaisées (si anciennes décisions discriminaient, l'IA
reproduit).
o Faux positifs inégalement répartis (un groupe accuse plus souvent à tort).
o Exemple : IA basée sur anciennes affaires peut discriminer certaines catégories.
4. Étudiant 4 – Risques spécifiques pour les droits fondamentaux
o Liberté d'expression : analyse d'emails peut surveiller les communications.
o Droit à un procès équitable : si algorithme biaisé, verdict peut être injuste.
o Droit à la défense : comment contester une décision prise par une boîte noire ?
5. Étudiant 5 – Responsabilité en cas d'erreur ou de dommage
o Qui paie si IA se trompe ? Développeur ? Tribunal ? Utilisateur ?
o Droit à compensation des victimes d'erreurs algorithmiques.
o Assurance et couverture des risques IA.
o Évolution du cadre légal (AI Act européen, normes en cours de définition).