Architecturer des agents de confiance : transformer les graphes de connaissances en moteurs de politique sécurisés

Vous avez donné à vos agents IA accès au graphe de connaissances. Maintenant, ils peuvent répondre à n'importe quoi, ancré dans des données réelles, sans hallucinations. Problème résolu, non ? Pas tout à fait. Que se passe-t-il quand quelqu'un demande à l'agent de résumer des fichiers RH confidentiels ? Ou de tirer le salaire du PDG ? Que se passe-t-il si un agent supprime un actif critique et que vous n'en avez aucune idée ? Et comment tout cela est-il conforme au RGPD ou au CCPA ? La sécurité est la partie que la plupart des équipes négligent lors de la création d'IA basée sur la connaissance. Et lorsqu'elles y pensent, elles se tournent vers le contrôle d'accès basé sur les rôles, qui se transforme discrètement en un fouillis d'explosion de rôles et de sur-autorisation. C'est une mauvaise combinaison avec l'IA, où le comportement est dynamique et difficile à prédire. Dans cette session, vous apprendrez comment transformer votre propre graphe en un moteur de politique auquel vos agents peuvent réellement faire confiance. Nous couvrirons : Pourquoi les données connectées augmentent les enjeux de sécurité pour l'IA agentique Pourquoi le RBAC échoue et quoi utiliser à la place Comment appliquer votre graphe comme contexte de sécurité De vraies normes que vous pouvez utiliser aujourd'hui : MCP, A2A, OAuth2 et la nouvelle norme d'autorisation AuthZEN Invité : Alex Babeanu ( https://www.linkedin.com/in/ababeanu/ ) #neo4j #graphdatabase #agenticai #knowledgelayer #knowledgegraph #graphrag #AIAgents