Résultats publiés

Des chiffres que vous pouvez vérifier.

Chaque résultat a été publié avec Google ou présenté publiquement. Chaque entrée nomme les personnes de DataPhant impliquées et renvoie à la source.

Google Research arXiv:2608.26088 · August 2026

Planetary Prediction Engine

Un système autonome qui transforme une question en langage courant en un modèle géospatial complet : il trouve les données, les filtre, les fusionne avec des embeddings satellitaires et démographiques, puis entraîne et valide. Face aux pipelines d'experts, il a fait passer le R² moyen sur 21 indicateurs de santé CDC de 60,0 % à 76,8 %, doublé la précision du downscaling de la sécurité alimentaire au Nigeria et prévu l'épidémie d'Ebola 2026 en RDC 10,3 points au-dessus de l'état de l'art. Des semaines d'ingénierie des données sont devenues des minutes.

Auteurs DataPhant · Jeremy Amez-Droz, Lambert Rosique Lire l'article →
76.8% vs 60,0 %
Black Hat USA Briefing · 2025

Autonomous timeline analysis and threat hunting for Timesketch

Un agent de forensique numérique bâti sur Sec-Gemini pour Timesketch, l'outil open source de chronologie. Au lieu de charger des millions de lignes de logs dans un modèle, il décide quoi vérifier ensuite, ne récupère que le nécessaire et reconstruit la chaîne d'attaque de l'accès initial au mouvement latéral. Sur 100 systèmes réellement compromis, il a réduit le temps de triage des analystes de plus de 80 %.

Auteurs DataPhant · Lambert Rosique Voir le briefing →
>80% triage plus rapide
Google Security Blog April 2024

Accelerating incident response using generative AI

Les intervenants de Google passaient jusqu'à une heure par synthèse d'incident. Ce travail a ajouté un bouton « Générer la synthèse » à leur outillage, avec une personne qui relit chaque brouillon. En test à l'aveugle, les équipes de sécurité ont noté les synthèses LLM 10 % mieux que les humaines, et sur 300 incidents le temps de rédaction a chuté de 51 %. Rien n'a été journalisé ni conservé.

Auteurs DataPhant · Lambert Rosique, Jeremy Amez-Droz Lire le billet →
51% plus rapide
Google Security Blog January 2024

Scaling security with AI: from detection to solution

Des LLM ont écrit des cibles de fuzzing pour plus de 300 projets C/C++ d'OSS-Fuzz, augmentant la couverture jusqu'à 29 % et révélant deux nouvelles vulnérabilités dans cJSON et libplist, des bibliothèques fuzzées depuis des années. Un pipeline automatisé a ensuite rédigé et testé des correctifs pour les bugs trouvés, transmettant les meilleurs à un relecteur humain. Le framework a été publié en open source.

Auteurs DataPhant · Jan Nowakowski Lire le billet →
+29% couverture
BuzzRobot Virtual talk · April 2024

AI to automatically fix security bugs

Le pipeline de correction de vulnérabilités derrière l'article de Google. Un modèle basé sur Gemini rédige des correctifs pour les erreurs de sanitizer en C/C++, Java et Go ; les correctifs sont compilés et testés automatiquement, seuls ceux qui passent atteignent un relecteur. 15 % des bugs ciblés ont été corrigés et fusionnés ainsi, transformant deux heures d'ingénieur par correctif en secondes.

Auteurs DataPhant · Jan Nowakowski Voir la présentation →
15% corrigés automatiquement
Google DeepMind Gemini 1.5 technical report · 2024

Gemini 1.5: unlocking multimodal understanding across millions of tokens

Le rapport technique de Gemini 1.5, conçu pour le contexte long. Il retrouve une « aiguille » cachée avec plus de 99 % de précision jusqu'à 1 M de tokens en texte, vidéo et audio, et maintient ce rappel jusqu'à 10 M de tokens de texte, soit environ 7 M de mots. Jan et Lambert figurent parmi les contributeurs.

Auteurs DataPhant · Jan Nowakowski, Lambert Rosique Lire le rapport →
>99% de rappel

La même équipe, sur vos documents.

Demander une démo