Agent IA d'Authentification Continue et Adaptive

Projet de TER — Master 1 Informatique, parcours Données et Systèmes Connectés Université Jean Monnet — Saint-Étienne

Étudiante : Hoblos Alinne

---

Description

Ce projet propose un agent IA capable de surveiller en continu le comportement d'un utilisateur lors de transactions bancaires, et d'adapter automatiquement le niveau de sécurité (VERT / ORANGE / ROUGE) selon le risque détecté, en s'appuyant sur le principe de sécurité Zero Trust.

L'agent combine deux approches complémentaires :

• Un modèle de machine learning (Random Forest) entraîné sur le dataset IEEE CIS Fraud Detection
• Un moteur de scoring comportemental qui compare chaque transaction au profil habituel de l'utilisateur (8 410 profils construits à partir du dataset)

Structure du dépôt

agent-ia-ter/
├── agent_ia/          → Backend : scoring, agent, API FastAPI, dashboard Streamlit
├── banque-app/         → Frontend : interface bancaire de démonstration (React)
├── notebook/           → Notebook Jupyter d'entraînement du modèle ML
├── rapport/            → Rapport final du TER (PDF)
└── README.md

Démarrage rapide

1. Backend (agent_ia/)

cd agent_ia
pip install -r requirements.txt
uvicorn api:app --reload --port 8000

L'API est accessible sur http://localhost:8000, documentation interactive sur http://localhost:8000/docs.

Prérequis : PostgreSQL démarré localement (base agent_ia, voir agent_ia/README.md pour le schéma).

2. Dashboard technique (Streamlit)

cd agent_ia
streamlit run dashboard.py

Accessible sur http://localhost:8501.

3. Interface bancaire de démonstration (React)

cd banque-app
npm install
npm run dev

Accessible sur http://localhost:5173. Voir banque-app/README.md pour les identifiants de connexion et les scénarios de démo.

Important : l'API (étape 1) doit toujours être lancée avant le dashboard et l'interface React.

Architecture

Interfaces clientes (Dashboard Streamlit / Interface React)
            │  HTTP REST + JWT
            ▼
       API FastAPI (9 endpoints)
            │
    ┌───────┴────────┐
    ▼                ▼
scoring.py        actions.py
(score ML +    (OTP email, blocage)
 comportemental)
    │
    ▼
agent.py (boucle continue, 30s)
    │
    ▼
PostgreSQL (transactions, cartes_bloquees)

Résultats principaux

Métrique	Tests contrôlés	Tests sur vraies données
FAR	0%	10%
FRR	0%	0%
EER	0%	5%
Précision	100%	65%

Détails complets, justification des choix techniques et discussion critique des résultats : voir le rapport dans rapport/.

Stack technique

• Machine Learning : scikit-learn (Random Forest), pandas
• Backend : FastAPI, PostgreSQL, PyJWT, APScheduler, smtplib
• Frontend technique : Streamlit
• Frontend démonstration : React, Tailwind CSS, lucide-react

Licence

Projet académique réalisé dans le cadre d'un TER de Master 1 — Université Jean Monnet, 2025-2026.