<?xml version="1.0" encoding="UTF-8"?><rss version="2.0"
	xmlns:content="http://purl.org/rss/1.0/modules/content/"
	xmlns:wfw="http://wellformedweb.org/CommentAPI/"
	xmlns:dc="http://purl.org/dc/elements/1.1/"
	xmlns:atom="http://www.w3.org/2005/Atom"
	xmlns:sy="http://purl.org/rss/1.0/modules/syndication/"
	xmlns:slash="http://purl.org/rss/1.0/modules/slash/"
	>

<channel>
	<title>Smals Research</title>
	<atom:link href="https://www.smalsresearch.be/feed/" rel="self" type="application/rss+xml" />
	<link>https://www.smalsresearch.be</link>
	<description></description>
	<lastBuildDate>Mon, 16 Nov 2026 13:12:30 +0000</lastBuildDate>
	<language>en-GB</language>
	<sy:updatePeriod>
	hourly	</sy:updatePeriod>
	<sy:updateFrequency>
	1	</sy:updateFrequency>
	<generator>https://wordpress.org/?v=7.1.4</generator>

<image>
	<url>https://www.smalsresearch.be/wp-content/uploads/2026/01/cropped-cropped-Smals_Research-150x150.png</url>
	<title>Smals Research</title>
	<link>https://www.smalsresearch.be</link>
	<width>32</width>
	<height>32</height>
</image> 
	<item>
		<title>Beltug: Modernizing legacy code with AI</title>
		<link>https://www.smalsresearch.be/beltug-ai-and-legacy-code/</link>
		
		<dc:creator><![CDATA[Koen Vanderkimpen]]></dc:creator>
		<pubDate>Mon, 16 Nov 2026 13:12:30 +0000</pubDate>
				<category><![CDATA[[EN]]]></category>
		<category><![CDATA[Presentations]]></category>
		<category><![CDATA[Artificial intelligence]]></category>
		<category><![CDATA[legacy]]></category>
		<category><![CDATA[software engineering]]></category>
		<guid isPermaLink="false">https://www.smalsresearch.be/?p=30973</guid>

					<description><![CDATA[On November 10, Koen Vanderkimpen of Smals Research gave a talk for Beltug, the Belgian association of CIOs and digital technology leaders, to an audience of around 70 interested attendees. The talk was titled &#8220;Modernising&#160;legacy code with AI: lessons learned&#8221;. AI may help developers write new software&#160;faster, but can it also help&#160;modernise legacy applications? Discover [&#8230;]]]></description>
										<content:encoded><![CDATA[
<p class="justify-text wp-block-paragraph">On November 10, Koen Vanderkimpen of Smals Research gave a talk for Beltug, the Belgian association of CIOs and digital technology leaders, to an audience of around 70 interested attendees. The talk was titled &#8220;Modernising&nbsp;legacy code with AI: lessons learned&#8221;.</p>



<p class="justify-text wp-block-paragraph">AI may help developers write new software&nbsp;faster, but can it also help&nbsp;modernise legacy applications? Discover the similarities and differences between general AI-assisted development and its use on legacy code, based on hands-on research with COBOL and older Java codebases.&nbsp;You’ll hear what helps, where the pitfalls are, and how to document and gradually rewrite existing systems. And you’ll learn where AI genuinely accelerates migration and documentation work, and where it still falls short.</p>



<hr class="wp-block-separator has-alpha-channel-opacity"/>



<h1 class="wp-block-heading">Presentation</h1>



<div data-wp-interactive="core/file" class="wp-block-file"><object data-wp-bind--hidden="!state.hasPdfPreview" hidden class="wp-block-file__embed" data="https://www.smalsresearch.be/wp-content/uploads/2026/11/legacy-slides-beltug-pdf.pdf" type="application/pdf" style="width:100%;height:600px" aria-label="Embed of legacy-slides-beltug-pdf."></object><a id="wp-block-file--media-73a3f66f-7d1c-4c52-bab2-b876e8e4eecc" href="https://www.smalsresearch.be/wp-content/uploads/2026/11/legacy-slides-beltug-pdf.pdf">legacy-slides-beltug-pdf</a><a href="https://www.smalsresearch.be/wp-content/uploads/2026/11/legacy-slides-beltug-pdf.pdf" class="wp-block-file__button wp-element-button" download aria-describedby="wp-block-file--media-73a3f66f-7d1c-4c52-bab2-b876e8e4eecc">Download</a></div>



<p class="wp-block-paragraph"></p>
]]></content:encoded>
					
		
		
			</item>
		<item>
		<title>Calculs sur des données chiffrées &#8211; du rêve à la réalité</title>
		<link>https://www.smalsresearch.be/calculs-sur-des-donnees-chiffrees-du-reve-a-la-realite/</link>
		
		<dc:creator><![CDATA[Kristof Verslype]]></dc:creator>
		<pubDate>Mon, 16 Nov 2026 12:20:43 +0000</pubDate>
				<category><![CDATA[[FR]]]></category>
		<category><![CDATA[Blog post]]></category>
		<category><![CDATA[confidentiality]]></category>
		<category><![CDATA[cryptography]]></category>
		<category><![CDATA[fully homomorphic encryption]]></category>
		<category><![CDATA[Quantum]]></category>
		<category><![CDATA[Security]]></category>
		<guid isPermaLink="false">https://www.smalsresearch.be/?p=30934</guid>

					<description><![CDATA[Peut-on confier le traitement de données sensibles à un tiers sans lui donner accès à ces données et sans dépendre d’un matériel certifié ? C'est possible grâce au chiffrement dit entièrement homomorphe (Fully Homomorphic Encryption (FHE)). Ce chiffrement permet d'effectuer des calculs arbitraires sur des données chiffrées, le résultat étant lui-même à nouveau chiffré. ]]></description>
										<content:encoded><![CDATA[
<p class="wp-block-paragraph"><em>Dit artikel is ook beschikbaar&nbsp;in het&nbsp;<a href="https://www.smalsresearch.be/berekeningen-op-vercijferde-data-van-droom-naar-realiteit/">Nederlands</a>.</em></p>



<p class="wp-block-paragraph">Peut-on confier le traitement de données sensibles à un tiers sans lui donner accès à ces données et sans dépendre d’un matériel certifié ? C&#8217;est possible grâce au chiffrement dit entièrement homomorphe (<em>Fully Homomorphic Encryption</em> (FHE)). Ce chiffrement permet d&#8217;effectuer des calculs <em>arbitraires</em> sur des données chiffrées, le résultat étant lui-même à nouveau chiffré. Il protège ainsi mathématiquement la confidentialité des données en cours d&#8217;utilisation. À l&#8217;heure actuelle, le FHE est en général encore trop lent pour des applications pratiques, mais les raisons d’être optimiste ne manquent pas.</p>



<h1 class="wp-block-heading">Évolution</h1>



<p class="wp-block-paragraph">L&#8217;idée du FHE a été émise pour la première fois en 1978. Ce n&#8217;est pas un hasard&nbsp;: elle a émergé peu après la publication de l&#8217;algorithme <em>RSA</em> en 1977, encore utilisé aujourd&#8217;hui notamment pour l&#8217;authentification et les signatures numériques. En effet, le chiffrement RSA est partiellement homomorphe, comme l&#8217;illustre la figure 1&nbsp;; la multiplication de deux textes chiffrés RSA donne comme résultat le chiffrement RSA du produit des deux valeurs d&#8217;origine.</p>



<figure class="wp-block-image aligncenter size-full is-resized"><a href="https://www.smalsresearch.be/wp-content/uploads/2026/11/RSA_Homomorf.png"><img decoding="async" width="418" height="118" src="https://www.smalsresearch.be/wp-content/uploads/2026/11/RSA_Homomorf.png" alt="" class="wp-image-30864" style="aspect-ratio:3.543044804128548;width:258px;height:auto" srcset="https://www.smalsresearch.be/wp-content/uploads/2026/11/RSA_Homomorf.png 418w, https://www.smalsresearch.be/wp-content/uploads/2026/11/RSA_Homomorf-300x85.png 300w" sizes="(max-width: 418px) 100vw, 418px" /></a><figcaption class="wp-element-caption">Figure 1. RSA est partiellement homomorphe.</figcaption></figure>



<p class="wp-block-paragraph">Pendant plus de 30 ans, la faisabilité du FHE est restée incertaine. Mais en 2009, une avancée majeure a enfin été réalisée. Craig Gentry (Université de Stanford) <a href="https://crypto.stanford.edu/craig/craig-thesis.pdf">a été le premier</a> à concevoir un schéma de chiffrement entièrement homomorphe, permettant d&#8217;effectuer aussi bien des additions que des multiplications directement sur des données chiffrées. Sa proposition était toutefois extrêmement lente,&nbsp; bien trop lente pour être exploitable en pratique.</p>



<p class="wp-block-paragraph">Depuis, le monde académique et plusieurs entreprises innovantes travaillent d’arrache-pied pour augmenter l&#8217;efficacité du FHE. Les algorithmes et leurs implémentations ont considérablement évolué, et des accélérateurs matériels spécialement conçus pour le FHE sont également en cours de développement, bien qu&#8217;ils ne soient pas encore commercialisés.</p>



<h1 class="wp-block-heading">Applications actuelles</h1>



<p class="wp-block-paragraph">Aujourd&#8217;hui, le FHE connaît une adoption très limitée. L&#8217;auteur de cet article a pu recenser quatre applications concrètes utilisant le FHE.</p>



<p class="wp-block-paragraph">Microsoft y recourt pour la recherche d&#8217;informations privées&nbsp;(<em>private information retrieval</em>)&nbsp;: le navigateur Microsoft Edge <a href="https://www.microsoft.com/en-us/research/blog/password-monitor-safeguarding-passwords-in-microsoft-edge/">chiffre</a> une valeur de hachage de votre mot de passe et l’envoie à un serveur, lequel vérifie de manière homomorphe si ce mot de passe figure dans une liste de mots de passe compromis. Le résultat chiffré (<em>true</em> ou <em>false</em>) est renvoyé au navigateur Edge, qui le déchiffre. Vous savez ainsi si votre mot de passe a été compromis, sans avoir à le divulguer au serveur.</p>



<p class="wp-block-paragraph">Apple applique le FHE dans un <a href="https://www.swift.org/blog/announcing-swift-homomorphic-encryption/">scénario similaire</a> illustré à la figure 2&nbsp;: vous recevez un appel provenant d&#8217;un numéro inconnu. Votre iPhone chiffre le numéro et l&#8217;envoie à un serveur. Ce serveur effectue une recherche dans une base de données à partir des données chiffrées et renvoie les informations chiffrées relatives au numéro, telles que le nom et éventuellement une photo. À aucun moment le serveur ne connaît le numéro recherché.</p>



<figure class="wp-block-image aligncenter size-large is-resized"><a href="https://www.smalsresearch.be/wp-content/uploads/2026/10/overview@2x.png"><img fetchpriority="high" decoding="async" width="1024" height="520" src="https://www.smalsresearch.be/wp-content/uploads/2026/10/overview@2x-1024x520.png" alt="" class="wp-image-30657" style="aspect-ratio:1.969284202528898;width:591px;height:auto" srcset="https://www.smalsresearch.be/wp-content/uploads/2026/10/overview@2x-1024x520.png 1024w, https://www.smalsresearch.be/wp-content/uploads/2026/10/overview@2x-300x152.png 300w, https://www.smalsresearch.be/wp-content/uploads/2026/10/overview@2x-768x390.png 768w, https://www.smalsresearch.be/wp-content/uploads/2026/10/overview@2x.png 1232w" sizes="(max-width: 1024px) 100vw, 1024px" /></a><figcaption class="wp-element-caption">Figure 2. FHE par Apple&nbsp;: demande d&#8217;informations relatives à un numéro inconnu.</figcaption></figure>



<p class="wp-block-paragraph">Un <a href="https://machinelearning.apple.com/research/homomorphic-encryption">troisième cas d’usage</a>, illustré à la figure 3, vient également d&#8217;Apple. Avec son iPhone, une citoyenne prend une photo d&#8217;un <a href="https://fr.wikipedia.org/wiki/Point_d%27int%C3%A9r%C3%AAt_(topographie)">point d’intérêt</a>(PoI), comme l&#8217;Atomium ou la Tour Eiffel. Sur cette base, l&#8217;iPhone calcule un vecteur (une série de nombres) qui décrit le PoI, puis l&#8217;envoie sous forme chiffrée à un serveur qui, à l&#8217;aide du FHE, recherche les informations correspondantes et les renvoie. Le serveur ne sait donc jamais où vous vous trouvez. La différence par rapport aux cas d’usages précédents réside dans le fait qu&#8217;il s&#8217;agit ici d&#8217;une approximation&nbsp;: le vecteur calculé sur l&#8217;iPhone n&#8217;est pas toujours identique pour un même PoI.</p>



<figure class="wp-block-image aligncenter size-large is-resized"><a href="https://www.smalsresearch.be/wp-content/uploads/2026/10/FHE_apple_poi-scaled.png"><img decoding="async" width="1024" height="497" src="https://www.smalsresearch.be/wp-content/uploads/2026/10/FHE_apple_poi-1024x497.png" alt="" class="wp-image-30659" style="aspect-ratio:2.0604189636163177;width:554px;height:auto" srcset="https://www.smalsresearch.be/wp-content/uploads/2026/10/FHE_apple_poi-1024x497.png 1024w, https://www.smalsresearch.be/wp-content/uploads/2026/10/FHE_apple_poi-300x145.png 300w, https://www.smalsresearch.be/wp-content/uploads/2026/10/FHE_apple_poi-768x372.png 768w, https://www.smalsresearch.be/wp-content/uploads/2026/10/FHE_apple_poi-1536x745.png 1536w, https://www.smalsresearch.be/wp-content/uploads/2026/10/FHE_apple_poi-2048x993.png 2048w" sizes="(max-width: 1024px) 100vw, 1024px" /></a><figcaption class="wp-element-caption">Figure 3. FHE par Apple&nbsp;: demande d&#8217;informations sur un point d’intérêt.</figcaption></figure>



<p class="wp-block-paragraph">Le dernier cas d&#8217;utilisation se situe dans le monde de la blockchain. Les transactions sur les blockchains publiques sont visibles par tous. Cette transparence constitue un obstacle aux transactions financières sur la blockchain. La mission de Zama, société parisienne, est de préserver la confidentialité des montants et des soldes, tout en garantissant une vérifiabilité complète et la conformité réglementaire. La solution de Zama, basée sur FHE, a été appliquée en 2026 à la distribution des tokens Zama et KAIO. Dans ce contexte, les tokens sont des actifs échangeables sur une blockchain publique.</p>



<h1 class="wp-block-heading">Prototypes</h1>



<p class="wp-block-paragraph">À l&#8217;avenir, un large éventail d&#8217;applications pourrait voir le jour. Les prototypes déjà construits montrent notamment que cet avenir n&#8217;est plus très lointain.</p>



<ul class="wp-block-list">
<li>En 2021 déjà, l&#8217;EPFL (École Polytechnique Fédérale de Lausanne) a mis au point un <a href="https://actu.epfl.ch/news/a-cryptography-game-changer-for-biomedical-researc/">prototype</a> permettant à différents dispensateurs de soins de réaliser conjointement des analyses statistiques et de développer des modèles de <em>machine learning</em>, sans échanger les jeux de données sous-jacents.</li>



<li>En collaboration avec SWIFT, Belfort Labs, une <em>spin-off</em> de la KU Leuven, a développé un <a href="https://belfortlabs.com/blog/swift">PoC</a> qui vérifie en temps réel si une transaction bancaire chiffrée est autorisée sur la base d&#8217;une liste de sanctions.</li>



<li>En collaboration avec LG Electronics et l&#8217;université de New York, Belfort a mis au point un <a href="https://belfortlabs.com/blog/belfort-partners-with-lg-on-encrypted-advertising-recommendations">PoC</a> d&#8217;un système de recommandation capable d&#8217;afficher des publicités personnalisées en une demi-seconde environ, sans que l&#8217;on ait à divulguer des données personnelles.</li>



<li>L&#8217;un des principaux cas d’usage concerne l&#8217;IA appliquée aux données chiffrées.<br>En juillet, Belfort Labs a lancé une <a href="https://sofar.belfortlabs.cloud/">démo</a> d&#8217;un <a href="https://belfortlabs.com/blog/sofar">classificateur d&#8217;images chiffrées</a>, dont vous retrouvez une capture d&#8217;écran à la figure 4. Un serveur reçoit une image chiffrée et calcule en environ 0,2 seconde la catégorie chiffrée (<em>bateau, voiture, chat</em>&#8230;). Ce processus s&#8217;appuie sur un GPU.</li>
</ul>



<figure class="wp-block-image aligncenter size-large"><a href="https://www.smalsresearch.be/wp-content/uploads/2026/10/belfort-sofar.png"><img loading="lazy" decoding="async" width="1024" height="473" src="https://www.smalsresearch.be/wp-content/uploads/2026/10/belfort-sofar-1024x473.png" alt="" class="wp-image-30660" srcset="https://www.smalsresearch.be/wp-content/uploads/2026/10/belfort-sofar-1024x473.png 1024w, https://www.smalsresearch.be/wp-content/uploads/2026/10/belfort-sofar-300x139.png 300w, https://www.smalsresearch.be/wp-content/uploads/2026/10/belfort-sofar-768x355.png 768w, https://www.smalsresearch.be/wp-content/uploads/2026/10/belfort-sofar.png 1301w" sizes="auto, (max-width: 1024px) 100vw, 1024px" /></a><figcaption class="wp-element-caption">Figure 4. Résultat du classificateur d&#8217;images de Belfort Labs.</figcaption></figure>



<ul class="wp-block-list">
<li>Aux États-Unis, la société Duality est parvenue à mettre au point un <a href="https://spectrum.ieee.org/homomorphic-encryption-llm">prototype</a> de LLM chiffré. Un client chiffre d&#8217;abord la requête (<em>prompt</em>) de l&#8217;utilisateur à l&#8217;aide du FHE, puis envoie la requête chiffrée à un LLM. Le LLM traite la requête sans la déchiffrer, génère une réponse chiffrée et la renvoie au client. Pour l’instant, seuls des LLM de petite taille sont utilisés.</li>
</ul>



<h1 class="wp-block-heading">Flux de base du FHE</h1>



<p class="wp-block-paragraph">Le flux de base du FHE est illustré à la figure 5. Les données sont chiffrées à l’aide d’une clé publique. Effectuer des calculs sur des données chiffrées, comme l&#8217;addition dans notre exemple, nécessite une clé d&#8217;évaluation. Il s’agit donc &#8211; et c’est le terme techniquement correct &#8211; d’une <em>évaluation homomorphe</em> de l’addition. Le déchiffrement du résultat nécessite une clé privée (secrète).</p>



<p class="wp-block-paragraph">Chacun des quatre rectangles gris peut en principe représenter une entité distincte, bien que ce ne soit pas obligatoire. Différents clients peuvent donc fournir des données chiffrées. Le chiffrement et le déchiffrement peuvent également être effectués par des clients distincts. Le client chargé du déchiffrement génère au préalable les trois clés, transmet la clé d&#8217;évaluation au serveur, la clé publique à tous les clients fournisseurs et protège la clé privée.</p>



<figure class="wp-block-image aligncenter size-large"><a href="https://www.smalsresearch.be/wp-content/uploads/2026/10/fhe_basisflow.png"><img loading="lazy" decoding="async" width="1024" height="367" src="https://www.smalsresearch.be/wp-content/uploads/2026/10/fhe_basisflow-1024x367.png" alt="" class="wp-image-30860" srcset="https://www.smalsresearch.be/wp-content/uploads/2026/10/fhe_basisflow-1024x367.png 1024w, https://www.smalsresearch.be/wp-content/uploads/2026/10/fhe_basisflow-300x107.png 300w, https://www.smalsresearch.be/wp-content/uploads/2026/10/fhe_basisflow-768x275.png 768w, https://www.smalsresearch.be/wp-content/uploads/2026/10/fhe_basisflow.png 1522w" sizes="auto, (max-width: 1024px) 100vw, 1024px" /></a><figcaption class="wp-element-caption">Figure 5. Flux de base du FHE.</figcaption></figure>



<p class="wp-block-paragraph">Le chiffrement est possible non seulement avec la clé publique, mais aussi avec la clé privée. Cette méthode est plus efficace et utile lorsque le chiffrement et le déchiffrement sont effectués par le même client. La clé privée et la clé d&#8217;évaluation sont également appelées clé client et clé serveur.</p>



<h1 class="wp-block-heading">Schémas et implémentations</h1>



<p class="wp-block-paragraph">Tout comme les signatures numériques et le chiffrement symétrique, le FHE est un <em>concept</em> qui peut être mis en œuvre de différentes manières. En cryptographie, on appelle une telle mise en œuvre un <em>schéma</em>, qui est un ensemble d’algorithmes. Chaque schéma FHE contient des algorithmes destinés notamment à la génération de clés, au chiffrement, à l’évaluation homomorphe et au déchiffrement.</p>



<p class="wp-block-paragraph">Les principaux schémas aujourd&#8217;hui sont <a href="https://www.tfhe.com/">TFHE</a>, <a href="https://ckks.org/">CKKS</a> et BFV. Ils présentent des caractéristiques variées. En fonction de l’utilisation, on optera pour l&#8217;un ou l&#8217;autre schéma. Globalement, TFHE est plus adapté à la logique booléenne et à la logique utilisant des entiers (petits), tandis que CKKS et BFV fonctionnent avec des nombres réels et se prêtent donc mieux à la science des données et au <em>machine learning</em>.</p>



<p class="wp-block-paragraph">Tous ces schémas reposent en outre sur des treillis, à savoir des espaces mathématiques dans lesquels sont définis des problèmes considérés comme difficiles tant pour les ordinateurs classiques que pour les ordinateurs quantiques. En d’autres termes&nbsp;: le <strong>FHE est résistant aux attaques quantiques.</strong></p>



<p class="wp-block-paragraph">Un schéma est une description formelle et mathématique des étapes à suivre dans les différents algorithmes. Pour obtenir un code exécutable, il faut une <em>implémentation</em> du schéma.</p>



<p class="wp-block-paragraph">TFHE est aujourd’hui le schéma qui bénéficie des implémentations les plus abouties, comme <a href="https://docs.zama.org/tfhe-rs">TFHE-rs</a>, écrit en <a href="https://rust-lang.org/">RUST</a>. <a href="http://openfhe.org/">OpenFHE</a> est une bibliothèque C++ qui propose des implémentations pour différents schémas FHE, dont les trois mentionnés précédemment. Enfin, <a href="https://github.com/tuneinsight/lattigo">Lattigo</a> propose notamment des implémentations des schémas CKKS et BFV en Go. Google, Microsoft et Apple disposent chacun de leur propre implémentation open source du FHE&nbsp;: <a href="https://github.com/google/fully-homomorphic-encryption">HEIR</a>, <a href="https://www.microsoft.com/en-us/research/project/microsoft-seal/">SEAL</a> et <a href="https://github.com/apple/swift-homomorphic-encryption">Swift</a>. Toutes les implémentations mentionnées bénéficient d&#8217;une communauté de développement très active.</p>



<p class="wp-block-paragraph">Des schémas prometteurs tels que <a href="https://www.esat.kuleuven.be/cosic/blog/eurocrypt-2025-a-new-fhe-scheme-for-high-precision-arithmetic/">GBFV</a> et <a href="https://github.com/KULeuven-COSIC/FINAL">FINAL</a> ne disposent aujourd&#8217;hui que d&#8217;implémentations expérimentales.</p>



<h1 class="wp-block-heading">Bootstrapping </h1>



<p class="wp-block-paragraph">Par construction les opération introduisent malheureusement du bruit dans le texte chiffré. À la longue, un excès de bruit rend le texte chiffré inutilisable&nbsp;: la valeur obtenue après déchiffrement perd alors toute précision et devient donc sans valeur.</p>



<p class="wp-block-paragraph">Le <em><a href="https://dualitytech.com/blog/bootstrapping-in-fully-homomorphic-encryption-fhe/">bootstrapping</a></em> est une procédure qui permet, à partir d’un ancien texte chiffré contenant beaucoup de bruit, de générer un nouveau texte chiffré contenant moins de bruit. Le <em>bootstrapping</em> doit être répété régulièrement. Dans TFHE, cette opération s&#8217;effectue automatiquement après chaque évaluation homomorphe. Dans des schémas tels que CKKS, le <em>bootstrapping</em> est quant à lui effectué de manière explicite et uniquement lorsque cela est nécessaire.</p>



<p class="wp-block-paragraph">Le <em>bootstrapping</em> est le composant le plus gourmand en ressources de calcul dans le FHE. Rien d&#8217;étonnant donc que des efforts considérables soient consacrés à son amélioration. Et avec succès&nbsp;! Année après année, le <em>bootstrapping</em> gagne en efficacité, à un rythme nettement supérieur à la <a href="https://fr.wikipedia.org/wiki/Loi_de_Moore">loi de Moore</a>.</p>



<h1 class="wp-block-heading">Performance</h1>



<p class="wp-block-paragraph">L&#8217;équipe Smals Research a réalisé plusieurs tests de performances basés sur TFHE sur une machine virtuelle dotée de 16 vCPU (CPU virtuels, dans notre cas des threads sur un Intel Xeon 6) et de 32 GB de RAM. Les paramètres par défaut de TFHE ont été utilisés. Les résultats, exprimés en secondes, sont présentés dans le tableau 1. Dans ces tests, une ou les deux valeurs entières en entrée peuvent être chiffrées à l&#8217;aide du FHE.</p>



<figure class="wp-block-table"><table><thead><tr><th><strong>Opération</strong></th><th class="has-text-align-center" data-align="center"><strong>Texte chiffré &#8211; texte chiffré</strong></th><th class="has-text-align-center" data-align="center"><strong>Texte chiffré &#8211; texte clair</strong></th></tr></thead><tbody><tr><td><em><em>Multiplication</em></em></td><td class="has-text-align-center" data-align="center">115</td><td class="has-text-align-center" data-align="center">14</td></tr><tr><td><em><em>Addition</em></em></td><td class="has-text-align-center" data-align="center">14</td><td class="has-text-align-center" data-align="center">13</td></tr><tr><td><em>Xor</em></td><td class="has-text-align-center" data-align="center">4</td><td class="has-text-align-center" data-align="center">2</td></tr><tr><td><em>Bit shift</em></td><td class="has-text-align-center" data-align="center">29</td><td class="has-text-align-center" data-align="center">4</td></tr><tr><td><em>Minimum</em></td><td class="has-text-align-center" data-align="center">22</td><td class="has-text-align-center" data-align="center">11</td></tr></tbody></table><figcaption class="wp-element-caption">Tableau 1 – Temps d&#8217;exécution (en secondes) des calculs sur des entiers chiffrés. Dans la première colonne, les deux entrées sont chiffrées&nbsp;; dans la deuxième, une seule l&#8217;est.</figcaption></figure>



<p class="wp-block-paragraph">La génération de clés, le chiffrement d&#8217;entiers et le déchiffrement d&#8217;entiers ont pris respectivement 4 400 ms, 6 ms et moins de 1 milliseconde. Le chiffrement a été effectué à l&#8217;aide de la clé privée. Le principal goulot d&#8217;étranglement réside donc dans l&#8217;exécution des calculs sur les données chiffrées. Bien que des optimisations adaptées à certaines applications soient possibles, par exemple pour le chiffrement AES, celles-ci se généralisent difficilement.</p>



<p class="wp-block-paragraph">Fort heureusement, des progrès sont réalisés année après année tant au niveau des algorithmes qu&#8217;au niveau de leur implémentation. Comme déjà mentionné, une grande attention est accordée à l’accélération du <em>bootstrapping</em>. Il existe toutefois des limites.</p>



<p class="wp-block-paragraph">C’est pourquoi des entreprises telles que <em>Duality</em>, <em>Niobium</em>, <em>Belfort Labs, Zama,</em> <em>Hovera</em> et <em>Xiphera</em> développent des accélérateurs matériels. L’objectif de ces entreprises est de rendre le FHE suffisamment rapide (et pratique) pour des applications en temps réel. Les accélérateurs matériels actuels permettent d&#8217;effectuer des calculs sur des données chiffrées plus de dix fois plus vite. Selon l&#8217;application, ce gain de vitesse peut déjà être bien plus important aujourd&#8217;hui. Ces accélérateurs matériels reposent sur des FPGA (matériel programmable) ou des GPU.</p>



<p class="wp-block-paragraph">Parallèlement, des accélérateurs matériels basés sur des ASIC (circuit intégré spécialisé) sont en cours de conception. Il s&#8217;agit donc de matériel spécialement développé pour le FHE. On s&#8217;attend à des gains de vitesse de plusieurs ordres de grandeur. Un prototype de la <a href="https://spectrum.ieee.org/fhe-intel">puce Heracles</a> d&#8217;Intel a récemment permis d&#8217;obtenir un gain de performance d&#8217;un facteur 5 000 par rapport à une exécution sur un processeur Intel Xeon à 24 cœurs (= 48 threads). De tels ASIC seront disponibles sur le marché d&#8217;ici quelques années, voire quelques mois. Niobium, par exemple, est déjà très <a href="https://drj.com/industry_news/niobium-advances-fully-homomorphic-encryption-accelerator-asic-toward-production/">avancé</a> dans ce domaine et vise l&#8217;année 2027.</p>



<p class="wp-block-paragraph"><strong>On peut raisonnablement s&#8217;attendre à une adoption plus large du FHE lorsque des accélérateurs matériels performants seront commercialisés à des prix compétitifs.</strong></p>



<h1 class="wp-block-heading">Défis</h1>



<p class="wp-block-paragraph">Outre la vitesse d&#8217;exécution, il existe plusieurs autres défis&nbsp;:</p>



<ul class="wp-block-list">
<li><strong>Taille.</strong> Les textes chiffrés en FHE voient leur taille exploser et peuvent être des milliers de fois plus volumineux que le texte clair d&#8217;origine. De même, les clés d&#8217;évaluation peuvent rapidement atteindre une centaine de Mo, voire plusieurs Go, selon le schéma. Ce défi sera abordé dans un prochain article.</li>



<li><strong>Complexité.</strong> Le développement d&#8217;applications utilisant le FHE est aujourd&#8217;hui complexe. Il n&#8217;est toutefois pas envisageable que leur mise en œuvre exige un doctorat en cryptographie. Heureusement, des couches d&#8217;abstraction sont en cours de développement. <a href="https://github.com/zama-ai/concrete"><em>TFHE-concrete</em></a> permet d&#8217;exécuter des fonctions Python existantes sur des données chiffrées via FHE. De plus, <a href="https://github.com/zama-ai/concrete-ml">Concrete-ML</a> a été développé pour un apprentissage automatique (machine learning) respectueux de la vie privée.</li>



<li> Belfort Labs a récemment <a href="https://github.com/zama-ai/concrete">lancé</a> <a href="https://eml.belfortlabs.com/"><em>eML</em></a> (<em>encrypted machine learning</em>), qui permet de convertir un modèle <a href="https://pytorch.org/"><em>PyTorch</em></a> &#8211; une bibliothèque <em>de deep learning</em> &#8211; afin de l&#8217;exécuter dans le domaine chiffré du FHE.</li>



<li><strong>Intégrité.</strong> Dans le FHE classique, on part du principe que le serveur est honnête mais curieux (<em>honest but curious</em>)&nbsp;; il fait ce qu’on attend de lui. Malheureusement, rien ne garantit que le serveur applique la bonne logique aux données chiffrées en FHE. Rien ne garantit non plus que les bonnes données d’entrée sont utilisées.<br>C’est ce à quoi tente de remédier le <a href="https://eprint.iacr.org/2024/032"><em>Verifiable Fully Homomorphic Encryption (vFHE)</em></a>. Le client reçoit non seulement le résultat chiffré en FHE provenant du serveur, mais également une preuve d&#8217;exactitude. Le vFHE demeure toutefois à ce jour au stade expérimental. La génération, le transfert et la vérification de la preuve entraînent une surcharge significative en termes de calcul et de communication.</li>



<li><strong>Collaboration.</strong> Le FHE se prête parfaitement à une collaboration dans laquelle plusieurs parties fournissent des données chiffrées en FHE et où une seule partie doit déchiffrer le résultat des calculs. Toutes les parties fournissant des données chiffrent celles-ci à l&#8217;aide de la clé publique de la partie chargée du déchiffrement, tandis que le serveur utilise la clé d&#8217;évaluation de cette même partie.<br>La situation se complique lorsque différentes parties utilisent leurs propres clés. Imaginons que plusieurs banques souhaitent collaborer pour entraîner un modèle d’IA. Comme il s’agit de données sensibles, tout se déroule dans le domaine chiffré, c’est-à-dire à l’aide du FHE. Chaque banque dispose de ses propres clé publique et privée et transmet sa clé de vérification au serveur. Dans ce scénario, il existe plusieurs clés publiques, plusieurs clés privées et plusieurs clés d&#8217;évaluation.<br>Ce scénario est plus complexe que le précédent et constitue un exemple de <em>muli-party FHE</em>. Il est plus gourmand en ressources de calcul que le FHE classique. Des recherches approfondies sont menées dans ce domaine, mais une prise en charge est d&#8217;ores et déjà disponible dans des bibliothèques telles que <a href="https://github.com/tuneinsight/lattigo"><em>Lattigo</em></a>.</li>
</ul>



<h1 class="wp-block-heading">Confidential computing</h1>



<p class="wp-block-paragraph">Pour protéger la confidentialité des données au repos et des données en transit, on dispose depuis des années de solutions standardisées. La protection de la confidentialité des données en cours d&#8217;utilisation s&#8217;est avérée plus difficile, même si des progrès considérables ont été réalisés ces dernières années. Il existe actuellement trois approches&nbsp;:</p>



<ul class="wp-block-list">
<li><strong>Fully homomorphic Encryption (FHE).</strong> Une partie centrale effectue des calculs sur les données chiffrées qui lui sont fournies.</li>



<li><strong>Multi-party computation (MPC).</strong> Plusieurs parties effectuent ensemble des calculs, sans qu’aucune information sur les données d’entrée individuelles ne soit divulguée aux autres parties. Les données restent à la source. Seul le résultat des calculs est visible par une ou plusieurs parties. Un <a href="https://en.wikipedia.org/wiki/Yao%27s_Millionaires%27_problem">exemple</a> datant de 1982 – le MPC remonte en effet à cette époque – illustre bien cela. Un groupe de millionnaires dîne au restaurant et convient que le plus riche paiera l&#8217;addition. Cependant, personne ne veut révéler le montant exact de sa fortune. Les millionnaires font donc appel au MPC.</li>



<li><strong>Trusted execution environments (TEE).</strong> Les données chiffrées sont transmises à une partie centrale et ne sont déchiffrées que dans un module matériel sécurisé, auquel même l&#8217;administrateur de la machine n&#8217;a en principe pas accès.</li>
</ul>



<p class="wp-block-paragraph">Le <a href="https://www.smalsresearch.be/tag/confidential-computing/">TEE</a> est l&#8217;approche la plus pratique des trois. Les TEE bénéficient d’une large prise en charge et le <a href="https://www.smalsresearch.be/een-betrouwbare-runtime-omgeving-on-premise-gebruiken/">code existant</a> peut y être exécuté. Il est toutefois considéré comme l’approche la moins sécurisée, car les données se trouvent bel et bien en clair dans le TEE et les chercheurs découvrent régulièrement des failles permettant des fuites d’informations.<br>Il n’en demeure pas moins une couche de protection <em><u>supplémentaire</u></em> extrêmement précieuse dans les infrastructures <em>cloud</em>.</p>



<p class="wp-block-paragraph">Le MPC est distribué, ne nécessite pas de matériel spécifique, mais s’accompagne d’une surcharge de communication considérable. La mise en place et l&#8217;exécution de protocoles MPC peuvent en outre s&#8217;avérer assez complexes.</p>



<p class="wp-block-paragraph">Grâce à son approche centralisée, le FHE est plus simple à mettre en place que le MPC, mais présente l&#8217;inconvénient d&#8217;être très gourmand en ressources de calcul, comme nous l&#8217;avons déjà évoqué plus haut dans cet article. Le TEE et le FHE font tous deux appel à du matériel, mais contrairement au TEE, il n&#8217;est pas nécessaire d&#8217;avoir confiance dans celui du FHE. Le FHE est actuellement plus proche d&#8217;une standardisation (par le <a href="https://csrc.nist.gov/projects/pec/fhe">NIST</a> et l&#8217;<a href="https://www.iso.org/standard/87638.html">ISO</a>) que le MPC, ce qui favorise son adoption.</p>



<h1 class="wp-block-heading">Conclusions</h1>



<p class="wp-block-paragraph">Le FHE est l&#8217;une des trois approches du <em>confidential computing</em>. Cette technologie est en plein essor et suscite un intérêt croissant auprès des scientifiques, des <a href="https://csrc.nist.gov/projects/pec/fhe">organismes de normalisation</a>, des investisseurs et des acteurs industriels. De plus, le FHE est considéré comme résistant aux attaques quantiques. On s&#8217;attend donc à une adoption rapide de cette technologie, soutenue par des accélérateurs matériels.</p>



<p class="wp-block-paragraph">Smals Research investit dans cette technologie par le biais d’expériences, de preuves de concept et d’un suivi permanent des évolutions. Plus généralement, Smals Research développe son expertise dans chacune des trois approches du <em>confidential computing</em> (FHE, TEE et MPC). Cela lui permet de fournir des conseils éclairés à ses membres et d&#8217;opérer les bons choix.</p>



<p class="wp-block-paragraph"><strong>Smals Research offre à ses membres un soutien en matière d’innovation. N&#8217;hésitez pas à nous contacter pour en savoir plus.</strong></p>



<hr class="wp-block-separator has-alpha-channel-opacity"/>



<p class="wp-block-paragraph"><em><em>Cette contribution a été soumise par Kristof Verslype, cryptographe chez Smals Research. Elle a été rédigée en son nom propre et ne prend pas position au nom de Smals.</em></em></p>



<p class="wp-block-paragraph">Featured image by Tom Magliery, published under Creative Commons</p>
]]></content:encoded>
					
		
		
			</item>
		<item>
		<title>Berekeningen op vercijferde Data: van droom naar realiteit</title>
		<link>https://www.smalsresearch.be/berekeningen-op-vercijferde-data-van-droom-naar-realiteit/</link>
		
		<dc:creator><![CDATA[Kristof Verslype]]></dc:creator>
		<pubDate>Mon, 16 Nov 2026 12:20:40 +0000</pubDate>
				<category><![CDATA[[NL]]]></category>
		<category><![CDATA[Blog post]]></category>
		<category><![CDATA[confidentiality]]></category>
		<category><![CDATA[cryptography]]></category>
		<category><![CDATA[fully homomorphic encryption]]></category>
		<category><![CDATA[Quantum]]></category>
		<category><![CDATA[Security]]></category>
		<guid isPermaLink="false">https://www.smalsresearch.be/?p=30656</guid>

					<description><![CDATA[Fully Homomorphic Encryption (FHE) laat toe om willekeurige berekeningen uit te voeren op vercijferde data, waarbij ook het resultaat opnieuw vercijferd is. Het beschermt zo wiskundig de confidentialiteit van data in use. Vandaag is FHE nog te traag voor praktische toepassingen, maar er zijn redenen tot optimisme.]]></description>
										<content:encoded><![CDATA[
<p class="wp-block-paragraph"><em>Cet article est aussi disponible&nbsp;en&nbsp;<a href="https://www.smalsresearch.be/calculs-sur-des-donnees-chiffrees-du-reve-a-la-realite/">français</a>.</em></p>



<p class="wp-block-paragraph">Kunnen we de verwerking van gevoelige gegevens uitbesteden aan een externe partij, zonder dat deze toegang krijgt tot deze gegevens en zonder vertrouwen te moeten leggen in gecertificeerde hardware? Dit is mogelijk dankzij <em>Fully Homomorphic Encryption</em> (FHE). Het laat toe om <em>willekeurige</em> berekeningen uit te voeren op vercijferde data, waarbij ook het resultaat opnieuw vercijferd is. Het beschermt zo wiskundig de confidentialiteit van <em>data in use</em>. Vandaag is FHE meestal nog te traag voor praktische toepassingen, maar er zijn redenen tot optimisme.</p>



<h1 class="wp-block-heading">Evolutie</h1>



<p class="wp-block-paragraph">Het idee van FHE werd voor het eerst in 1978 geformuleerd. Dit is niet toevallig kort na de publicatie van <em>RSA</em> in 1977, wat tot op vandaag gebruikt wordt voor onder meer authenticatie en digitale handtekeningen. Encryptie met RSA is namelijk partieel homomorf, zoals geïllustreerd in figuur 1; de vermenigvuldiging van twee RSA-cijferteksten resulteert in de RSA-vercijfering van het product van de twee oorspronkelijke waarden.</p>



<figure class="wp-block-image aligncenter size-full is-resized"><a href="https://www.smalsresearch.be/wp-content/uploads/2026/11/RSA_Homomorf.png"><img loading="lazy" decoding="async" width="418" height="118" src="https://www.smalsresearch.be/wp-content/uploads/2026/11/RSA_Homomorf.png" alt="" class="wp-image-30864" style="aspect-ratio:3.543044804128548;width:258px;height:auto" srcset="https://www.smalsresearch.be/wp-content/uploads/2026/11/RSA_Homomorf.png 418w, https://www.smalsresearch.be/wp-content/uploads/2026/11/RSA_Homomorf-300x85.png 300w" sizes="auto, (max-width: 418px) 100vw, 418px" /></a><figcaption class="wp-element-caption">Figuur 1. RSA is partieel homomorf</figcaption></figure>



<p class="wp-block-paragraph">Gedurende ruim 30 jaar was het onduidelijk of FHE mogelijk was. Maar in 2009 kwam dan eindelijk de grote doorbraak. Craig Gentry (Stanfort University) <a href="https://crypto.stanford.edu/craig/craig-thesis.pdf">slaagde</a> er als eerste in een schema voor vercijfering te bedenken dat volledig homomorf was; het was mogelijk om zowel optellingen als vermenigvuldigingen op vercijferde data uit te voeren. Het voorstel was echter afschuwelijk traag. Veel te traag om in de praktijk bruikbaar te zijn.</p>



<p class="wp-block-paragraph">Sindsdien wordt binnen de academische wereld en door een aantal innovatieve bedrijven hard aan de weg getimmerd om FHE efficiënter te maken. Daarbij worden algoritmes en de implementaties van die algoritmes verbeterd. Ook wordt gewerkt aan FHE hardware accelerators, al zijn die nog niet commercieel beschikbaar. </p>



<h1 class="wp-block-heading">Toepassingen vandaag</h1>



<p class="wp-block-paragraph">Vandaag kent FHE nog een erg beperkt adoptie. Vier concrete toepassingen die van FHE gebruikmaken werden door uw auteur gedetecteerd.</p>



<p class="wp-block-paragraph">Microsoft gebruikt het voor private information retrieval (PIR): De Microsoft Edge-browser <a href="https://www.microsoft.com/en-us/research/blog/password-monitor-safeguarding-passwords-in-microsoft-edge/">vercijfert</a> een hash van je wachtwoord en stuurt het naar een server die op een homomorfe wijze nagaat of het wachtwoord zich in een lijst van gecompromitteerde wachtwoorden bevindt. Het vercijferde resultaat (<em>true</em> of <em>false</em>) wordt teruggestuurd naar de Edge-browser die het resultaat ontcijfert. Je weet of je wachtwoord gecompromitteerd is, zonder dat wachtwoord aan de server prijs te geven.</p>



<p class="wp-block-paragraph">Apple past FHE toe in een <a href="https://www.swift.org/blog/announcing-swift-homomorphic-encryption/">gelijkaardig scenario</a>, zoals geïllustreerd in figuur 2: je wordt gebeld door een onbekend nummer. Je iPhone vercijfert het nummer en stuurt het naar een server. Die server doet een database lookup op vercijferde data en retourneert de vercijferde informatie over het nummer, zoals naam en eventueel een foto. De server komt nooit te weten wie je probeert te bellen.</p>



<figure class="wp-block-image aligncenter size-large is-resized"><a href="https://www.smalsresearch.be/wp-content/uploads/2026/10/overview@2x.png"><img loading="lazy" decoding="async" width="1024" height="520" src="https://www.smalsresearch.be/wp-content/uploads/2026/10/overview@2x-1024x520.png" alt="" class="wp-image-30657" style="aspect-ratio:1.969284202528898;width:545px;height:auto" srcset="https://www.smalsresearch.be/wp-content/uploads/2026/10/overview@2x-1024x520.png 1024w, https://www.smalsresearch.be/wp-content/uploads/2026/10/overview@2x-300x152.png 300w, https://www.smalsresearch.be/wp-content/uploads/2026/10/overview@2x-768x390.png 768w, https://www.smalsresearch.be/wp-content/uploads/2026/10/overview@2x.png 1232w" sizes="auto, (max-width: 1024px) 100vw, 1024px" /></a><figcaption class="wp-element-caption">Figuur 2. FHE door Apple: opvragen van informatie over onbekend nummer.</figcaption></figure>



<p class="wp-block-paragraph">Een <a href="https://machinelearning.apple.com/research/homomorphic-encryption">derde use case</a>, geïllustreerd in figuur 3, komt eveneens van Apple. Een burger neemt met haar iPhone een foto van een <em><a href="https://en.wikipedia.org/wiki/Point_of_interest">Point of Interest </a></em>(PoI), zoals het Atomium of de Eifeltoren. De iPhone berekent op basis hiervan een vector (een reeks getallen) die het PoI beschrijft, stuurt het vercijferd naar een server die met behulp van FHE de bijbehorende informatie over het PoI opzoekt en terugstuurt. De server komt dus nooit te weten waar je bent. Het verschil met de vorige use cases is dat hier approximatief gewerkt wordt: de op de iPhone berekende vector is niet steeds dezelfde voor eenzelfde PoI.</p>



<figure class="wp-block-image aligncenter size-large is-resized"><a href="https://www.smalsresearch.be/wp-content/uploads/2026/10/FHE_apple_poi-scaled.png"><img loading="lazy" decoding="async" width="1024" height="497" src="https://www.smalsresearch.be/wp-content/uploads/2026/10/FHE_apple_poi-1024x497.png" alt="" class="wp-image-30659" style="aspect-ratio:2.0604189636163177;width:512px;height:auto" srcset="https://www.smalsresearch.be/wp-content/uploads/2026/10/FHE_apple_poi-1024x497.png 1024w, https://www.smalsresearch.be/wp-content/uploads/2026/10/FHE_apple_poi-300x145.png 300w, https://www.smalsresearch.be/wp-content/uploads/2026/10/FHE_apple_poi-768x372.png 768w, https://www.smalsresearch.be/wp-content/uploads/2026/10/FHE_apple_poi-1536x745.png 1536w, https://www.smalsresearch.be/wp-content/uploads/2026/10/FHE_apple_poi-2048x993.png 2048w" sizes="auto, (max-width: 1024px) 100vw, 1024px" /></a><figcaption class="wp-element-caption">Figuur 3. FHE door Apple: opvragen informatie Point of Interest</figcaption></figure>



<p class="wp-block-paragraph">De laatste use case situeert zich in de blockchain-wereld. Transacties op publieke blockchains zijn voor iedereen zichtbaar. Deze transparantie is een obstakel bij on-chain financiële transacties. De missie van het in Parijs gevestigde <a href="https://www.zama.org/">Zama</a> is om bedragen en saldi vertrouwelijk te houden, terwijl volledige verifieerbaarheid en naleving van regelgeving gewaarborgd blijven. De op FHE gebaseerde oplossing van Zama werd in 2026 toegepast bij de distributie van zowel <em><a href="https://coinmarketcap.com/currencies/zama/">Zama</a></em> als <em><a href="https://coinmarketcap.com/currencies/kaio/">KAIO</a></em> tokens. Tokens zijn hier activa die op een publieke blockchain verhandelbaar zijn.</p>



<h1 class="wp-block-heading">Prototypes</h1>



<p class="wp-block-paragraph">In de toekomst kan een brede waaier aan toepassingen mogelijk worden. Dat die toekomst niet zo heel veraf meer is blijkt onder meer uit prototypes die reeds gebouwd werden.</p>



<ul class="wp-block-list">
<li>Reeds in 2021 bouwde EPFL (École Polytechnique Fédérale de Lausanne) een <a href="https://actu.epfl.ch/news/a-cryptography-game-changer-for-biomedical-researc/">prototype</a> dat verschillende zorgverleners in staat stelt om gezamenlijk statistische analyses uit te voeren en modellen voor machine learning te ontwikkelen, zonder de onderliggende datasets uit te wisselen.</li>



<li>In een samenwerking met SWIFT bouwde Belfort Labs, een spin-off van de KU Leuven, een <a href="https://belfortlabs.com/blog/swift">PoC</a> die in real-time nagaat of een vercijferde banktransactie toegelaten is op basis van een sanctielijst.</li>



<li>Samen met LG Electronics en de New York University bouwde Belfort een <a href="https://belfortlabs.com/blog/belfort-partners-with-lg-on-encrypted-advertising-recommendations">PoC</a> voor een <em>recommendation engine</em> die in ongeveer een halve seconde gepersonaliseerde reclame toont, zonder je persoonsgegevens te moeten prijsgeven.</li>



<li>Een van de grote use case is AI op vercijferde data. Belfort Labs lanceerde in juli een <a href="https://sofar.belfortlabs.cloud/">demo</a> voor een <a href="https://belfortlabs.com/blog/sofar">encrypted image classifier</a>, waarvan een screenshot in figuur 4. Een server ontvangt een vercijferde afbeelding en berekent in ongeveer 0,2 seconden de vercijferde categorie (<em>boot</em>, <em>auto</em>, <em>kat</em>, …). Daarbij wordt onderliggend gebruik gemaakt van een GPU.</li>
</ul>



<figure class="wp-block-image aligncenter size-large"><a href="https://www.smalsresearch.be/wp-content/uploads/2026/10/belfort-sofar.png"><img loading="lazy" decoding="async" width="1024" height="473" src="https://www.smalsresearch.be/wp-content/uploads/2026/10/belfort-sofar-1024x473.png" alt="" class="wp-image-30660" srcset="https://www.smalsresearch.be/wp-content/uploads/2026/10/belfort-sofar-1024x473.png 1024w, https://www.smalsresearch.be/wp-content/uploads/2026/10/belfort-sofar-300x139.png 300w, https://www.smalsresearch.be/wp-content/uploads/2026/10/belfort-sofar-768x355.png 768w, https://www.smalsresearch.be/wp-content/uploads/2026/10/belfort-sofar.png 1301w" sizes="auto, (max-width: 1024px) 100vw, 1024px" /></a><figcaption class="wp-element-caption">Figuur 4. Resultaat van de image classifier demo van Belfort Labs</figcaption></figure>



<ul class="wp-block-list">
<li>Het Amerikaanse bedrijf Duality slaagde er in een <a href="https://spectrum.ieee.org/homomorphic-encryption-llm">prototype</a> voor een encrypted LLM te bouwen. Een client vercijfert eerst de user prompt of -query met behulp van FHE en stuurt de vercijferde query vervolgens naar een LLM. De LLM verwerkt de query zonder deze te ontcijferen, genereert een vercijferd antwoord en stuurt dit terug naar de client. Voorlopig wordt er enkel met kleinere LLM-modellen gewerkt.</li>
</ul>



<h1 class="wp-block-heading">FHE basisflow</h1>



<p class="wp-block-paragraph">De basisflow voor FHE wordt geïllustreerd in figuur 5. Gegevens worden vercijferd met een publieke sleutel. Het uitvoeren van berekeningen op vercijferde data &#8211; in ons voorbeeld de optelling &#8211; vereist een evaluatiesleutel. Er vindt dus &#8211; en dat is de technisch correcte term &#8211; een <em>homomorfe evaluatie</em> plaats van de optelling. Decryptie van het resultaat vereist een (geheime) private sleutel.</p>



<p class="wp-block-paragraph">Elk van de vier grijze rechthoeken kan in principe een aparte entiteit voorstellen, al hoeft dit niet. Verschillende clients kunnen dus geëncrypteerde data aanleveren. Ook encryptie en decryptie kunnen door afzonderlijke clients gebeuren. De decrypterende client genereert voorafgaandelijk de drie sleutels, bezorgt de evaluatiesleutel aan de server, de publieke sleutel aan alle aanleverende clients en beschermt de private sleutel.</p>



<figure class="wp-block-image aligncenter size-large"><a href="https://www.smalsresearch.be/wp-content/uploads/2026/10/fhe_basisflow.png"><img loading="lazy" decoding="async" width="1024" height="367" src="https://www.smalsresearch.be/wp-content/uploads/2026/10/fhe_basisflow-1024x367.png" alt="" class="wp-image-30860" srcset="https://www.smalsresearch.be/wp-content/uploads/2026/10/fhe_basisflow-1024x367.png 1024w, https://www.smalsresearch.be/wp-content/uploads/2026/10/fhe_basisflow-300x107.png 300w, https://www.smalsresearch.be/wp-content/uploads/2026/10/fhe_basisflow-768x275.png 768w, https://www.smalsresearch.be/wp-content/uploads/2026/10/fhe_basisflow.png 1522w" sizes="auto, (max-width: 1024px) 100vw, 1024px" /></a><figcaption class="wp-element-caption">Figuur 5. Basisflow voor FHE</figcaption></figure>



<p class="wp-block-paragraph">Encryptie is niet enkel mogelijk met de publieke sleutel, maar ook met de private sleutel. Dat is efficiënter en nuttig wanneer encryptie en decryptie door dezelfde client gebeuren. De private sleutel en de evaluatiesleutel worden ook wel de <em>client sleutel</em> en de <em>server sleutel </em>genoemd.</p>



<h1 class="wp-block-heading">Schema&#8217;s en implementaties</h1>



<p class="wp-block-paragraph">Net zoals digitale handtekeningen en symmetrische encryptie is FHE een <em>concept</em> dat op verschillende manieren gerealiseerd kan worden. In cryptografie noemt men een dergelijke realisatie een <em>schema</em>, wat een verzameling van algoritmes is. Elk FHE-schema bevat algoritmes voor onder meer sleutelgeneratie, encryptie, homomorfe evaluatie en decryptie.</p>



<p class="wp-block-paragraph">De voornaamste schema’s vandaag zijn <a href="https://www.tfhe.com/" data-type="link" data-id="https://www.tfhe.com/">TFHE</a>, <a href="https://ckks.org/">CKKS</a> en BFV. Ze hebben uiteenlopende eigenschappen. Afhankelijk van de use case kies je voor het het ene of het andere schema. Over het algemeen is TFHE meer geschikt voor booleaanse logica en logica waarbij met (kleine) integers wordt gewerkt, terwijl CKKS en BFV werken met reële getallen en zich daardoor beter lenen tot data science en machine learning.</p>



<p class="wp-block-paragraph">Al deze schema&#8217;s zijn bovendien gebaseerd op <em>lattices</em>. Dat zijn wiskundige ruimtes waarin problemen gedefinieerd worden die zowel voor klassieke als kwantumcomputers als moeilijk beschouwd worden. Anders gezegd: <strong>FHE is kwantumveilig</strong>.</p>



<p class="wp-block-paragraph">Een schema is een formele, wiskundige beschrijving van de stappen die de verschillende algoritmes dienen te doorlopen. Voor uitvoerbare code is een <em>implementatie</em> van het schema nodig.</p>



<p class="wp-block-paragraph">TFHE is vandaag het schema met de meest volwassen implementaties, zoals <a href="https://docs.zama.org/tfhe-rs" data-type="link" data-id="https://docs.zama.org/tfhe-rs">TFHE-rs</a>, wat in <a href="https://rust-lang.org/">RUST</a> geschreven is. <a href="http://openfhe.org/" data-type="link" data-id="http://openfhe.org/">OpenFHE</a> is een C++ library die implementaties aanbiedt voor verschillende FHE-schema&#8217;s, waaronder de drie eerder genoemde. <a href="https://github.com/tuneinsight/lattigo">Lattigo</a> biedt dan weer implementaties aan van onder meer CKKS en BFV in Go. Google, Microsoft en Apple hebben met <a href="https://github.com/google/fully-homomorphic-encryption" data-type="link" data-id="https://github.com/google/fully-homomorphic-encryption">HEIR</a>, <a href="https://www.microsoft.com/en-us/research/project/microsoft-seal/">SEAL</a> en <a href="https://github.com/apple/swift-homomorphic-encryption">Swift</a> elk hun eigen open-source FHE-implementatie. Alle vermelde implementaties hebben een erg actieve ontwikkelcommunity.</p>



<p class="wp-block-paragraph">Beloftevolle schema&#8217;s zoals <a href="https://www.esat.kuleuven.be/cosic/blog/eurocrypt-2025-a-new-fhe-scheme-for-high-precision-arithmetic/">GBFV</a> en <a href="https://github.com/KULeuven-COSIC/FINAL">FINAL</a> hebben vandaag enkel experimentele implementaties.</p>



<h1 class="wp-block-heading">Bootstrapping </h1>



<p class="wp-block-paragraph">Bij elke operatie op vercijferde data wordt onbedoeld maar onvermijdelijk extra ruis aan de cijfertekst toegevoegd. Te veel ruis maakt de cijfertekst op den duur onbruikbaar: de waarde die we bekomen na decryptie verliest dan alle nauwkeurigheid en wordt dus waardeloos.</p>



<p class="wp-block-paragraph"><a href="https://dualitytech.com/blog/bootstrapping-in-fully-homomorphic-encryption-fhe/">Bootstrapping</a> is een procedure waarbij op basis van de oude cijfertekst met veel ruis een nieuwe cijfertekst met minder ruis gegenereerd wordt. Bootstrapping dient geregeld herhaald te worden. In TFHE wordt dit automatisch na elke homomorfe evaluatie uitgevoerd. In schema&#8217;s zoals CKKS wordt bootstrapping dan weer expliciet en enkel wanneer nodig uitgevoerd.</p>



<p class="wp-block-paragraph">Bootstrapping is de meest computationeel intensieve component in FHE. Het hoeft dan ook niet te verbazen dat heel wat effort gestoken wordt om dit te verbeteren. En met succes! Jaar na jaar wordt bootstrapping efficiënter, en dat aan een tempo dat beduidend hoger ligt dan volgens de <a href="https://nl.wikipedia.org/wiki/Wet_van_Moore">wet van Moore</a>.</p>



<h1 class="wp-block-heading">Performantie</h1>



<p class="wp-block-paragraph">Smals Research deed enkele performantietesten op basis van TFHE op een virtuele machine met 16 vCPU&#8217;s (virtuele CPU’s, in ons geval threads op een Intel Xeon 6) en 32GB RAM. De default TFHE-parameters werden gebruikt. De resultaten in seconden zijn te zien in tabel 1. Daarbij kunnen één of beide integer inputwaardes FHE-vercijferd zijn.</p>



<figure class="wp-block-table"><table><thead><tr><th>Operatie</th><th class="has-text-align-center" data-align="center">Cijfertekst-cijfertekst</th><th class="has-text-align-center" data-align="center">Cijfertekst-klaartekst</th></tr></thead><tbody><tr><td><em>Vermenigvuldiging</em></td><td class="has-text-align-center" data-align="center">115</td><td class="has-text-align-center" data-align="center">14</td></tr><tr><td><em>Optelling</em></td><td class="has-text-align-center" data-align="center">14</td><td class="has-text-align-center" data-align="center">13</td></tr><tr><td><em>Xor</em></td><td class="has-text-align-center" data-align="center">4</td><td class="has-text-align-center" data-align="center">2</td></tr><tr><td><em>Bit shift</em></td><td class="has-text-align-center" data-align="center">29</td><td class="has-text-align-center" data-align="center">4</td></tr><tr><td><em>Minimum</em></td><td class="has-text-align-center" data-align="center">22</td><td class="has-text-align-center" data-align="center">11</td></tr></tbody></table><figcaption class="wp-element-caption">Tabel 1. Uitvoeringstijden (sec.) van berekeningen op vercijferde integers. In de eerste kolom zijn beide inputs vercijferd, in de tweede kolom slechts één.</figcaption></figure>



<p class="wp-block-paragraph">De sleutelgeneratie, integer-encryptie en integer-decryptie duurden 4400ms, 6ms en minder dan 1 ms. Encryptie gebeurde met de private sleutel. De voornaamste flessenhals is dus het uitvoeren van de berekeningen op de vercijferde data. Er zijn weliswaar toepassingsspecifieke optimalisaties mogelijk, bijvoorbeeld voor AES-encryptie, maar dat schaalt niet bijzonder goed.</p>



<p class="wp-block-paragraph">Gelukkig wordt jaar na jaar vooruitgang geboekt op zowel het niveau van het algoritme, als de implementatie van die algoritmes. Daarbij gaat, zoals reeds vermeld, veel aandacht naar snellere bootstrapping. Toch zijn er limieten.</p>



<p class="wp-block-paragraph">Vandaar dat bedrijven zoals <em>Duality</em>, <em>Niobium</em>, <em>Belfort Labs, Zama,</em> <em>Hovera</em> en <em>Xiphera</em> bouwen aan hardware accelerators. Het doel van deze bedrijven is om FHE voldoende snel (en praktisch) te maken voor real-time toepassingen. De huidige hardware accelerators maken het uitvoeren van berekeningen op vercijferde data meer dan 10 keer sneller. Afhankelijk van de toepassing kan dit vandaag al een pak meer zijn. Deze hardware accelerators zijn gebaseerd op FPGA&#8217;s (programmeerbare hardware) of GPU’s.</p>



<p class="wp-block-paragraph">Ondertussen worden hardware accelerators ontworpen gebaseerd op ASIC&#8217;s. Dat is dus hardware specifiek ontwikkeld voor FHE. Men verwacht versnellingen van meerdere grootteordes. Een prototype van <a href="https://spectrum.ieee.org/fhe-intel">Heracles-chip</a> van Intel leverde recent een versnelling met een factor 5000 op ten opzichte van een uitvoering op een Intel Xeon-processor met 24 cores (=48 threads). Dergelijke ASIC&#8217;s zullen binnen enkele jaren, misschien zelfs maanden, commercieel beschikbaar zijn. Niobium staat hier bijvoorbeeld al erg <a href="https://drj.com/industry_news/niobium-advances-fully-homomorphic-encryption-accelerator-asic-toward-production/">ver</a> mee en mikt op 2027.</p>



<p class="wp-block-paragraph"><strong>Het is redelijk om aan te nemen dat wanneer snelle hardware accelerators commercieel beschikbaar worden aan competitieve prijzen, FHE een bredere adoptie zal kennen.</strong></p>



<h1 class="wp-block-heading">Uitdagingen</h1>



<p class="wp-block-paragraph">Naast uitvoeringssnelheid zijn er nog een aantal andere uitdagingen:</p>



<ul class="wp-block-list">
<li><strong>Grootte.</strong> FHE-cijferteksten exploderen in grootte en kunnen duizenden malen groter zijn dat de originele klaartekst. Ook evaluatiesleutels zijn &#8211; afhankelijk van het schema &#8211; al snel honderd MB of zelfs meerdere GB groot. Deze uitdaging wordt besproken in een volgend artikel.</li>



<li><strong>Complexiteit.</strong> Het ontwikkelen van een toepassing die gebruik maakt van FHE is vandaag complex. Het kan niet de bedoeling zijn dat daarvoor een doctoraat in de cryptografie vereist is. Men werkt gelukkig aan abstractielagen. <a href="https://github.com/zama-ai/concrete"><em>TFHE-concrete</em></a> laat toe om bestaande Python-functies uit te voeren op met FHE vercijferde data. Daarbovenop werd <a href="https://github.com/zama-ai/concrete-ml">Concrete-ML</a> ontwikkeld, voor privay-vriendelijke machine learning. Belfort Labs <a href="https://github.com/zama-ai/concrete">lanceerde</a> recent <em><a href="https://eml.belfortlabs.com" data-type="link" data-id="eml.belfortlabs.com">eML</a></em> (encrypted machine learning), waarmee een model in <a href="https://pytorch.org/"><em>PyTorch</em></a> &#8211; een deep learning library &#8211; omgezet kan worden naar het met FHE vercijferde domein.5</li>



<li><strong>Integriteit.</strong> In klassieke FHE gaan we ervan uit dat de server eerlijk maar nieuwsgierig is (<em>honest but curious</em>): de server doet wat van hem wordt verwacht. We hebben helaas geen garantie dat de server de correcte logica op de met FHE vercijferde data toepast. We hebben evenmin garanties dat daarbij de juiste input gebruikt wordt. Dit tracht men op te lossen met <a href="https://eprint.iacr.org/2024/032"><em>Verifiable Fully Homomorphic Encryption (vFHE)</em></a>. De client krijgt niet enkel het met FHE vercijferde resultaat van de server, maar ook een correctheidsbewijs. vFHE bevindt zich vandaag nog in de onderzoeksfase. Generatie, transfer en verificatie van het bewijs hebben een significante computationele en communicatie-overhead.</li>



<li><strong>Samenwerking.</strong> FHE leent zich uitstekend tot samenwerking waarbij meerdere partijen met FHE vercijferde data aanleveren en slechts één partij het resultaat van de berekeningen hoeft te decrypteren. Alle aanleverende partijen encrypteren daarbij hun data met de publieke sleutel van de decrypterende partij, de server werkt met de evaluatiesleutel van de decrypterende partij.<br>Het wordt uitdagender wanneer verschillende partijen werken met hun eigen sleutels. Stel dat verschillende banken willen samenwerken bij het trainen van een AI-model. Aangezien het om gevoelige gegevens gaat, gebeurt alles in het vercijferde domain, dus met behulp van FHE. Elke bank heeft zijn eigen publieke en private sleutel en bezorgt zijn evaluatiesleutel aan de server. In dit scenario worden meerdere publieke sleutels, private sleutels en evaluatiesleutels gebruikt.<br>Dit is een uitdagender scenario dan daarnet en is een voorbeeld van <em>multi-party FHE</em>. Dit is computationeel intensiever dan klassieke FHE. Er wordt volop onderzoek naar verricht, maar ondersteuning is alvast aanwezig in libraries zoals <a href="https://github.com/tuneinsight/lattigo"><em>Lattigo</em></a>.</li>
</ul>



<h1 class="wp-block-heading">Confidential computing</h1>



<p class="wp-block-paragraph">Voor de bescherming van de confidentialiteit van <em>data at rest</em> en <em>data in transit</em> hebben we al jaren gestandaardiseerde oplossingen. Het beschermen van de confidentialiteit van <em>data in use</em> bleek lastiger, al is er de laatste jaren stevig aan de weg getimmerd. Momenteel zijn er drie benaderingen:</p>



<ul class="wp-block-list">
<li><strong>Fully homomorphic Encryption (FHE).</strong> Een centrale partij voert berekeningen uit op de aangeleverde vercijferde data.</li>



<li><strong>Multi-party computation (MPC).</strong> Meerdere partijen voeren samen berekeningen uit, waarbij geen informatie over individuele inputs lekt naar andere partijen. De data blijven bij de bron. Enkel het resultaat van de berekeningen wordt zichtbaar voor één of meerdere partijen. Een <a href="https://en.wikipedia.org/wiki/Yao%27s_Millionaires%27_problem">voorbeeld</a> uit 1982 &#8211; MPC is inderdaad al zo oud &#8211; illustreert dit. Een groep miljonairs gaan op restaurant en spreken af dat de rijkste de rekening betaalt. Niemand wil echter zijn exacte rijkdom prijsgeven. De miljonairs doen daarom beroep op MPC.</li>



<li><strong>Trusted execution environments (TEE</strong>&#8216;<strong>s</strong>&#8216;<strong>).</strong> Vercijferde data wordt bezorgd aan een centrale partij en wordt er enkel gedecrypteerd in een veilige hardware-module, waartoe in principe zelfs de beheerder van de machine geen toegang heeft.</li>
</ul>



<p class="wp-block-paragraph"><a href="https://www.smalsresearch.be/tag/confidential-computing/">TEE</a> is de meest praktische van de drie. TEE&#8217;s worden breed ondersteund en <a href="https://www.smalsresearch.be/een-betrouwbare-runtime-omgeving-on-premise-gebruiken/">bestaande code</a> kan in TEE&#8217;s uitgevoerd worden. Weliswaar wordt het als de minder veilige benadering beschouwd, aangezien de data zich wel degelijk onvercijferd in de TEE bevinden en onderzoekers geregeld aanvallen vinden waardoor alsnog informatie kan lekken. Niettemin blijft het absoluut een zeer waardevolle <em><span style="text-decoration: underline;">extra</span></em> beschermingslaag in cloudinfrastructuren.</p>



<p class="wp-block-paragraph">MPC is gedistribueerd, vereist geen speciale hardware, maar gaat gepaard met significante communicatie overhead. Het opzetten en uitvoeren van MPC-protocollen kan bovendien vrij complex worden.</p>



<p class="wp-block-paragraph">FHE is door de gecentraliseerde aanpak eenvoudiger op te zetten dan MPC, maar heeft als nadeel dat het computationeel erg zwaar is, zoals eerder in dit artikel reeds besproken. Zowel TEE als FHE doen een beroep op hardware, maar anders dan bij TEE is er geen vertrouwen nodig in die hardware. FHE staat momenteel dichter bij standaardisatie (door <a href="https://csrc.nist.gov/projects/pec/fhe">NIST</a> en <a href="https://www.iso.org/standard/87638.html">ISO</a>) dan MPC, wat adoptie stimuleert.</p>



<h1 class="wp-block-heading">Conclusies</h1>



<p class="wp-block-paragraph">FHE is een van de drie benaderingen voor confidential computing. De technologie is in volle ontwikkeling, en kent toenemende belangstelling bij wetenschappers, <a href="https://csrc.nist.gov/projects/pec/fhe">standaardisatie-instanties</a>, investeerders en de commerciële sector. Bovendien wordt FHE als kwantumveilig beschouwd. Binnenkort verwachten we dan ook een uptake van de technologie, ondersteund door hardware accelerators.</p>



<p class="wp-block-paragraph">Smals Research investeert in deze technologie, door middel van experimenten, proof-of concepts en een permanente opvolging van de evoluties. Meer algemeen bouwt Smals Research expertise uit in elk van de drie benaderingen voor confidential computing (FHE, TEE en MPC). Dit stelt ons in staat onderbouwd advies te geven aan onze leden en om de juiste keuzes te maken.</p>



<p class="wp-block-paragraph"><strong>Smals Research biedt de leden van Smals ondersteuning bij innovatie. Aarzel niet contact met ons op te nemen bij interesse.</strong></p>



<hr class="wp-block-separator has-alpha-channel-opacity"/>



<p class="wp-block-paragraph"><em>Dit is een ingezonden bijdrage van Kristof Verslype, cryptograaf bij Smals Research. Het werd geschreven in eigen naam en neemt geen standpunt in namens Smals.</em></p>



<p class="wp-block-paragraph">Featured image by Tom Magliery, published under Creative Commons</p>
]]></content:encoded>
					
		
		
			</item>
		<item>
		<title>Exploiter et valoriser les connexions entre entités grâce aux réseaux de neurones sur graphe</title>
		<link>https://www.smalsresearch.be/exploiter-connexions-avec-reseaux-neurones-graphe/</link>
		
		<dc:creator><![CDATA[Pierre Leleux]]></dc:creator>
		<pubDate>Thu, 29 Oct 2026 16:00:00 +0000</pubDate>
				<category><![CDATA[[FR]]]></category>
		<category><![CDATA[Blog post]]></category>
		<category><![CDATA[Data Mining]]></category>
		<category><![CDATA[Graph Databases]]></category>
		<category><![CDATA[Machine Learning]]></category>
		<category><![CDATA[methodology]]></category>
		<guid isPermaLink="false">https://www.smalsresearch.be/?p=30813</guid>

					<description><![CDATA[Cet article s'intéresse à la problématique du machine learning sur les données en réseau, et plus précisément aux réseaux de neurones sur graphe et leurs applications.]]></description>
										<content:encoded><![CDATA[
<h1 class="wp-block-heading">Introduction</h1>



<p class="wp-block-paragraph">L’apprentissage automatique (mieux connu sous son nom anglais <em>machine learning</em>, souvent abrégé en ML), est un sous-domaine de l’intelligence artificielle visant à entrainer des modèles prédictifs à partir de données. Ces données d’entrainement comportent généralement un ensemble de variables (<strong>X</strong>) (aussi appelées attributs, <em>features</em>, ou encore <em>data matrix</em>) utilisées en entrée du modèle et une variable cible (<strong>y</strong>) que le modèle va essayer de prédire à partir des (<strong>X</strong>). La variable cible (<strong>y</strong>) peut être aussi bien continue (tâche de régression) que catégorielle (tâche de classification).</p>



<p class="wp-block-paragraph">Prenons un exemple illustratif, où une banque voudrait estimer le risque de crédit d’un client à partir de ses caractéristiques. Pour ce faire, elle possède un ensemble de données historiques de clients pour lesquels le risque de crédit est déjà connu. Elle peut donc se servir de ces données pour entrainer un modèle de <em>machine learning</em> qui prédit le risque (<strong>y</strong>) sur base des caractéristiques (<strong>X</strong>) des clients&nbsp;:</p>



<figure class="wp-block-image aligncenter size-full"><img decoding="async" src="https://www.smalsresearch.be/wp-content/uploads/2026/10/Classification_Illustration_Training.svg" alt="" class="wp-image-30845"/></figure>



<p class="is-style-text-annotation is-style-text-annotation--1 wp-block-paragraph">Figure 1&nbsp;:  Illustration de l’entrainement d’un modèle de machine learning (classification)</p>



<p class="wp-block-paragraph">Une fois le modèle entrainé, celui-ci peut être utilisé pour estimer le risque de crédit d’autres clients (pour lesquels ce risque n’est pas encore connu) à partir de leurs caractéristiques&nbsp;:</p>



<figure class="wp-block-image aligncenter size-full"><img decoding="async" src="https://www.smalsresearch.be/wp-content/uploads/2026/10/Classification_Illustration_Predicting.svg" alt="" class="wp-image-30844"/></figure>



<p class="is-style-text-annotation is-style-text-annotation--2 wp-block-paragraph">Figure 2&nbsp;: Utilisation du modèle entrainé pour prédire le risque de nouveaux clients</p>



<p class="wp-block-paragraph">Le <em>machine learning</em> est un outil puissant qui permet d’entrainer un modèle prédictif de manière purement empirique, à partir des motifs (<em>patterns</em>) qui peuvent être identifiés dans les données. Cependant, puisque le <em>machine learning</em> traditionnel se base sur des données tabulaires, celui-ci ne permet pas de travailler directement sur des données interconnectées, structurées en réseau (voir ci-dessous).</p>



<p class="wp-block-paragraph">Dans cet article, nous allons donc nous intéresser à la problématique du <em>machine learning</em> sur ce type de données et, plus précisément, à ce que l’on appelle <strong>réseaux de neurones sur graphe</strong> et leurs applications.</p>



<h1 class="wp-block-heading">Le <em>machine learning</em> et les données structurées en réseau</h1>



<p class="wp-block-paragraph">Prenons un second exemple pour illustrer la problématique. Supposons un modèle ayant pour objectif d’analyser un réseau social (tel que Facebook), par exemple pour identifier si un utilisateur est légitime ou s’il s’agit d’un faux compte/d’un bot. Dans la Figure 3, chaque utilisateur est représenté par un cercle et dispose d’attributs (variables socio-démographiques, statistiques d’utilisations de la plateforme, etc.), représenté par un une rangée de cases bleues. Deux cercles sont connectés par un arc si les utilisateurs correspondants sont amis sur la plateforme.</p>



<figure class="wp-block-image aligncenter size-full is-resized"><img decoding="async" src="https://www.smalsresearch.be/wp-content/uploads/2026/10/Labeled_Graph_Illustration.svg" alt="" class="wp-image-30843" style="aspect-ratio:1.5898206219025481;width:575px;height:auto"/></figure>



<p class="is-style-text-annotation is-style-text-annotation--3 wp-block-paragraph">Figure 3&nbsp;: Représentation d’un petit réseau social, avec des attributs sur chaque utilisateur</p>



<p class="wp-block-paragraph">Puisque les modèles de <em>machine learning</em> travaillent sur des données tabulaires, une approche naïve pour entrainer un modèle prédictif serait simplement de prendre les attributs des utilisateurs et les arranger sous la forme d’une table (où chaque colonne représente un attribut et chaque ligne un utilisateur), et d’entrainer un modèle de ML sur cette table, comme nous l’avons vu précédemment dans la Figure 1.</p>



<p class="wp-block-paragraph">Cependant, avec cette approche, les liens/connexions entre utilisateurs sont simplement ignorés, et toute l’information que ces liens pourraient contenir ne sera pas prise en compte par le modèle. Or, ces connexions constituent souvent une source précieuse d’informations. Nous avons pu le voir dans deux articles de blogue dédiés à la détection de fraude [<a href="#ref_1">1</a> , <a href="#ref_2" data-type="internal" data-id="#ref_2">2</a>]&nbsp;: dans le domaine de la détection de fraude sociale, connecter les entreprises entre elles (notamment lorsqu’elles ont des chantiers en commun/employés en commun) permet souvent de révéler des <strong>réseaux de fraude</strong> qui n’auraient pas pu être identifiés en analysant simplement les caractéristiques des entreprises.</p>



<p class="wp-block-paragraph">Dès lors se pose une question&nbsp;: comment réussir à prendre en compte ces connexions dans le modèle prédictif&nbsp;? La solution se trouve dans <strong>l’analyse de graphes</strong>.</p>



<p class="wp-block-paragraph">Pour rappel, un graphe est une structure mathématique composée d’un ensemble de <strong>nœuds</strong>, interconnectés par des liens appelés des <strong>arcs</strong> (voir notre <a href="https://www.smalsresearch.be/graphes_applications_et_outils/">article sur le sujet</a>). En considérant que chaque nœud du graphe représente une entité (par exemple&nbsp;: une personne) et chaque arc représente une relation entre ces entités, le réseau peut être analysé avec des outils d’analyse de graphe. Dans cet article, nous utiliserons d’ailleurs les termes «&nbsp;réseau&nbsp;» et «&nbsp;graphe&nbsp;» de manière interchangeable.</p>



<p class="wp-block-paragraph">La première approche, assez simple et intuitive, pour capturer les connexions dans le modèle prédictif consiste simplement à appliquer <strong>des algorithmes de graphes</strong> sur le réseau (voir notre <a href="https://www.smalsresearch.be/graphes_applications_et_outils/">article sur les technologies de graphe</a>), afin de générer de <strong>nouveaux attributs</strong> à partir des interconnexions (approche «&nbsp;<em>featurization</em>&nbsp;»). Cela permet <strong>d’enrichir les données tabulaires</strong> avec de nouvelles variables issues d’une autre source d’information&nbsp;: les connexions entre entités (voir Figure 4 pour illustration). Il s’agit d’une technique que nous avons déjà mentionné dans <a href="https://www.smalsresearch.be/ameliorer-le-machine-learning-avec-des-donnees-graphes/">cet article de blog</a>.</p>



<figure class="wp-block-image aligncenter size-full is-resized"><img decoding="async" src="https://www.smalsresearch.be/wp-content/uploads/2026/10/Featurization.svg" alt="" class="wp-image-30846" style="width:567px;height:auto"/></figure>



<p class="is-style-text-annotation is-style-text-annotation--4 wp-block-paragraph">Figure 4&nbsp;: Enrichir les données tabulaires via une featurization des interconnexions</p>



<p class="wp-block-paragraph">Dans cet article nous allons plutôt investiguer une autre approche. Plutôt que d’enrichir les données tabulaires avec des nouvelles variables issues du graphe, nous allons nous intéresser à un modèle prédictif spécifiquement prévu pour l’analyse de données en réseau&nbsp;: le <strong>réseau de neurones sur graphe</strong> (plus connu sous son nom anglais <strong><em>graph neural network</em></strong>, ou simplement GNN).</p>



<h1 class="wp-block-heading">Les <em>graph neural networks</em></h1>



<h2 class="wp-block-heading">Concepts de base</h2>



<p class="wp-block-paragraph">L’objectif d’un GNN est assez simple&nbsp;: calculer, pour chaque nœud <math data-latex="i"><semantics><mi>i</mi><annotation encoding="application/x-tex">i</annotation></semantics></math>&nbsp;du réseau, une <strong>représentation vectorielle</strong> (<math data-latex="h_i"><semantics><msub><mi>h</mi><mi>i</mi></msub><annotation encoding="application/x-tex">h_i</annotation></semantics></math>) qui résume le nœud. La représentation du nœud <math data-latex="i"><semantics><mi>i</mi><annotation encoding="application/x-tex">i</annotation></semantics></math>&nbsp;va ensuite pouvoir être utilisée pour obtenir une prédiction (<math data-latex="\hat{y}_i"><semantics><msub><mover><mi>y</mi><mo stretchy="false" class="tml-xshift" style="math-style:normal;math-depth:0;">^</mo></mover><mi>i</mi></msub><annotation encoding="application/x-tex">\hat{y}_i</annotation></semantics></math>) pour <math data-latex="i"><semantics><mi>i</mi><annotation encoding="application/x-tex">i</annotation></semantics></math>, via une fonction prédictive <math data-latex="\widehat{y}_i=f(h_i)"><semantics><mrow><msub><mover><mi>y</mi><mo stretchy="true" style="math-style:normal;math-depth:0;">^</mo></mover><mi>i</mi></msub><mo>=</mo><mi>f</mi><mo form="prefix" stretchy="false">(</mo><msub><mi>h</mi><mi>i</mi></msub><mo form="postfix" stretchy="false">)</mo></mrow><annotation encoding="application/x-tex">\widehat{y}_i=f(h_i)</annotation></semantics></math>.</p>



<p class="wp-block-paragraph">Dans sa forme la plus simple la représentation (<math data-latex="h_i"><semantics><msub><mi>h</mi><mi>i</mi></msub><annotation encoding="application/x-tex">h_i</annotation></semantics></math>) du nœud <math data-latex="i"><semantics><mi>i</mi><annotation encoding="application/x-tex">i</annotation></semantics></math>&nbsp;est donc simplement les attributs de <math data-latex="i"><semantics><mi>i</mi><annotation encoding="application/x-tex">i</annotation></semantics></math>, à savoir <math data-latex="h_i:=x_i"><semantics><mrow><msub><mi>h</mi><mi>i</mi></msub><mo lspace="0.2222em" rspace="0em">:</mo><mo lspace="0em">=</mo><msub><mi>x</mi><mi>i</mi></msub></mrow><annotation encoding="application/x-tex">h_i:=x_i</annotation></semantics></math> (l’approche naïve vue précédemment). L’objectif du GNN sera donc de calculer une représentation plus riche, qui résumera à la fois les caractéristiques de l’observation, mais aussi des informations sur son environnement dans le réseau. Pour ce faire, le GNN va calculer ces représentations de <strong>manière itérative</strong> en utilisant les liens du réseau pour <strong>transférer de l’information</strong> entre les nœuds.</p>



<p class="wp-block-paragraph">Illustrons ce processus de manière visuelle&nbsp;:</p>



<p class="wp-block-paragraph"><strong>Etape 1&nbsp;: Initialisation des représentations</strong></p>



<p class="wp-block-paragraph">La première étape consiste simplement à <strong>initialiser les représentations</strong> en utilisant les attributs des observations <math data-latex="h^{(0)}_i:=x_i"><semantics><mrow><msubsup><mi>h</mi><mi>i</mi><mrow><mo form="prefix" stretchy="false" lspace="0em" rspace="0em">(</mo><mn>0</mn><mo form="postfix" stretchy="false" lspace="0em" rspace="0em">)</mo></mrow></msubsup><mo lspace="0.2222em" rspace="0em">:</mo><mo lspace="0em">=</mo><msub><mi>x</mi><mi>i</mi></msub></mrow><annotation encoding="application/x-tex">h^{(0)}_i:=x_i</annotation></semantics></math>.</p>



<figure class="wp-block-image aligncenter size-full is-resized"><img decoding="async" src="https://www.smalsresearch.be/wp-content/uploads/2026/10/GNN_Initialization.svg" alt="" class="wp-image-30842" style="aspect-ratio:1.637803280169882;width:543px;height:auto"/></figure>



<p class="is-style-text-annotation is-style-text-annotation--5 wp-block-paragraph">Figure 5&nbsp;: Initialisation d’un GNN</p>



<p class="wp-block-paragraph"><strong>Etape 2&nbsp;: Transfert de l’information (<em>message passing</em>)</strong></p>



<p class="wp-block-paragraph">La seconde étape est le calcul itératif des représentations. Pour ce faire, les représentations à l’itération <math data-latex="k"><semantics><mi>k</mi><annotation encoding="application/x-tex">k</annotation></semantics></math>&nbsp;(<math data-latex="h^{(k)}_i"><semantics><msubsup><mi>h</mi><mi>i</mi><mrow><mo form="prefix" stretchy="false" lspace="0em" rspace="0em">(</mo><mi>k</mi><mo form="postfix" stretchy="false" lspace="0em" rspace="0em">)</mo></mrow></msubsup><annotation encoding="application/x-tex">h^{(k)}_i</annotation></semantics></math>)&nbsp; sont utilisées pour calculer les représentations de l’itération suivante (<math data-latex="h^{(k+1)}_i"><semantics><msubsup><mi>h</mi><mi>i</mi><mrow><mo form="prefix" stretchy="false" lspace="0em" rspace="0em">(</mo><mi>k</mi><mo>+</mo><mn>1</mn><mo form="postfix" stretchy="false" lspace="0em" rspace="0em">)</mo></mrow></msubsup><annotation encoding="application/x-tex">h^{(k+1)}_i</annotation></semantics></math>).</p>



<p class="wp-block-paragraph">Cette mise à jour des représentations se fait en propageant l’information entre nœuds, via les liens du réseau.</p>



<p class="wp-block-paragraph">Illustrons cela avec le nœud 1&nbsp;: Afin de mettre à jour sa représentation (<math data-latex="h^{(k)}_1\rightarrow h^{(k+1)}_1"><semantics><mrow><msubsup><mi>h</mi><mn>1</mn><mrow><mo form="prefix" stretchy="false" lspace="0em" rspace="0em">(</mo><mi>k</mi><mo form="postfix" stretchy="false" lspace="0em" rspace="0em">)</mo></mrow></msubsup><mo stretchy="false">→</mo><msubsup><mi>h</mi><mn>1</mn><mrow><mo form="prefix" stretchy="false" lspace="0em" rspace="0em">(</mo><mi>k</mi><mo>+</mo><mn>1</mn><mo form="postfix" stretchy="false" lspace="0em" rspace="0em">)</mo></mrow></msubsup></mrow><annotation encoding="application/x-tex">h^{(k)}_1\rightarrow h^{(k+1)}_1</annotation></semantics></math>), le GNN utilise l’information des <strong>nœuds adjacents</strong> (connectés au nœud 1), ici en l’occurrence il s’agit des nœuds 2, 3 et 4 (voir Figure 5 ci-dessus). Le GNN récupère donc leurs représentations actuelles <math data-latex="h^{(k)}_2"><semantics><msubsup><mi>h</mi><mn>2</mn><mrow><mo form="prefix" stretchy="false" lspace="0em" rspace="0em">(</mo><mi>k</mi><mo form="postfix" stretchy="false" lspace="0em" rspace="0em">)</mo></mrow></msubsup><annotation encoding="application/x-tex">h^{(k)}_2</annotation></semantics></math>, <math data-latex="h^{(k)}_3"><semantics><msubsup><mi>h</mi><mn>3</mn><mrow><mo form="prefix" stretchy="false" lspace="0em" rspace="0em">(</mo><mi>k</mi><mo form="postfix" stretchy="false" lspace="0em" rspace="0em">)</mo></mrow></msubsup><annotation encoding="application/x-tex">h^{(k)}_3</annotation></semantics></math>&nbsp;et <math data-latex="h^{(k)}_4"><semantics><msubsup><mi>h</mi><mn>4</mn><mrow><mo form="prefix" stretchy="false" lspace="0em" rspace="0em">(</mo><mi>k</mi><mo form="postfix" stretchy="false" lspace="0em" rspace="0em">)</mo></mrow></msubsup><annotation encoding="application/x-tex">h^{(k)}_4</annotation></semantics></math>, et les agrège. L’agrégation peut être toute simple, comme par exemple prendre la moyenne des représentations, ou leur somme. Cette représentation agrégée est ensuite combinée à la représentation du nœud lui-même (<math data-latex="h^{(k)}_1"><semantics><msubsup><mi>h</mi><mn>1</mn><mrow><mo form="prefix" stretchy="false" lspace="0em" rspace="0em">(</mo><mi>k</mi><mo form="postfix" stretchy="false" lspace="0em" rspace="0em">)</mo></mrow></msubsup><annotation encoding="application/x-tex">h^{(k)}_1</annotation></semantics></math>), pour obtenir la nouvelle représentation (<math data-latex="h^{(k+1)}_1"><semantics><msubsup><mi>h</mi><mn>1</mn><mrow><mo form="prefix" stretchy="false" lspace="0em" rspace="0em">(</mo><mi>k</mi><mo>+</mo><mn>1</mn><mo form="postfix" stretchy="false" lspace="0em" rspace="0em">)</mo></mrow></msubsup><annotation encoding="application/x-tex">h^{(k+1)}_1</annotation></semantics></math>). En bref, cette nouvelle représentation du nœud 1 (<math data-latex="h^{(k+1)}_1"><semantics><msubsup><mi>h</mi><mn>1</mn><mrow><mo form="prefix" stretchy="false" lspace="0em" rspace="0em">(</mo><mi>k</mi><mo>+</mo><mn>1</mn><mo form="postfix" stretchy="false" lspace="0em" rspace="0em">)</mo></mrow></msubsup><annotation encoding="application/x-tex">h^{(k+1)}_1</annotation></semantics></math>) contient désormais un mélange entre les informations du nœud lui-même et les informations agrégées de ses voisins directs. Ce processus est illustré dans la Figure 6 ci-dessous&nbsp;:</p>



<figure class="wp-block-image aligncenter size-full"><img decoding="async" src="https://www.smalsresearch.be/wp-content/uploads/2026/10/GNN-Message-Passing-Iteration.svg" alt="" class="wp-image-30836"/></figure>



<p class="is-style-text-annotation is-style-text-annotation--6 wp-block-paragraph">Figure 6&nbsp;: Illustration d’un <em>message passing</em> pour mettre à jour le nœud 1</p>



<p class="wp-block-paragraph">Le processus que nous venons d’illustrer ici (avec le nœud 1) est réalisé simultanément sur tous les nœuds du graphe, afin de mettre à jour leur représentation respective, et s’appelle une étape de <strong><em>message passing</em></strong>.</p>



<p class="wp-block-paragraph">Un GNN est une suite d’étapes de <em>message passing</em>, ou chaque itération utilise la représentation de l’itération précédente. Le GNN va donc réaliser (<math data-latex="n"><semantics><mi>n</mi><annotation encoding="application/x-tex">n</annotation></semantics></math>) étapes de <em>message passing</em>, au terme desquelles la représentation <math data-latex="h^{(n)}_i"><semantics><msubsup><mi>h</mi><mi>i</mi><mrow><mo form="prefix" stretchy="false" lspace="0em" rspace="0em">(</mo><mi>n</mi><mo form="postfix" stretchy="false" lspace="0em" rspace="0em">)</mo></mrow></msubsup><annotation encoding="application/x-tex">h^{(n)}_i</annotation></semantics></math>&nbsp;contiendra un résumé de l’information du nœud <math data-latex="i"><semantics><mi>i</mi><annotation encoding="application/x-tex">i</annotation></semantics></math> et de son entourage (direct et indirect) dans le graphe.</p>



<figure class="wp-block-image aligncenter size-full"><img decoding="async" src="https://www.smalsresearch.be/wp-content/uploads/2026/10/GNN_Embedding.svg" alt="" class="wp-image-30841"/></figure>



<p class="is-style-text-annotation is-style-text-annotation--7 wp-block-paragraph">Figure 7&nbsp;: Représentation des nœuds d’un réseau via un GNN</p>



<p class="wp-block-paragraph"><strong>Etape 3&nbsp;: Finalisation</strong></p>



<p class="wp-block-paragraph">La représentation finale (<math data-latex="h_i"><semantics><msub><mi>h</mi><mi>i</mi></msub><annotation encoding="application/x-tex">h_i</annotation></semantics></math>) de chaque nœud correspond à la représentation obtenue à la dernière couche du GNN (itération <math data-latex="n"><semantics><mi>n</mi><annotation encoding="application/x-tex">n</annotation></semantics></math>), à savoir&nbsp;: pour tout nœud <math data-latex="i"><semantics><mi>i</mi><annotation encoding="application/x-tex">i</annotation></semantics></math>, la représentation <math data-latex="h_i"><semantics><msub><mi>h</mi><mi>i</mi></msub><annotation encoding="application/x-tex">h_i</annotation></semantics></math>&nbsp;est simplement <math data-latex="h_i:=h^{(n)}_i"><semantics><mrow><msub><mi>h</mi><mi>i</mi></msub><mo lspace="0.2222em" rspace="0em">:</mo><mo lspace="0em">=</mo><msubsup><mi>h</mi><mi>i</mi><mrow><mo form="prefix" stretchy="false" lspace="0em" rspace="0em">(</mo><mi>n</mi><mo form="postfix" stretchy="false" lspace="0em" rspace="0em">)</mo></mrow></msubsup></mrow><annotation encoding="application/x-tex">h_i:=h^{(n)}_i</annotation></semantics></math>.</p>



<h2 class="wp-block-heading">Qu’est ce qui rend un GNN puissant&nbsp;?</h2>



<p class="wp-block-paragraph">Bien évidemment, la vision du <em>message passing</em> que nous avons présentée ici est fortement simplifiée. Dans la pratique, ce qui donne toute sa force à un GNN, c’est la présence dans chaque étape de <em>message passing</em>, &nbsp;d’une <strong>matrice de coefficients</strong> qui va pondérer le transfert d’information. Les coefficients de cette matrice peuvent être ajustés afin de modifier (et donc, d’optimiser) ce transfert d’information. Il est intéressant de noter qu’il ne s’agit pas d’une matrice globale, réutilisée à chaque itération, mais bien d’<strong>une matrice de coefficients distincte par itération de <em>message passing</em></strong>.</p>



<p class="wp-block-paragraph">Puisque les prédictions finales du modèle (<math data-latex="\widehat{y}_i=f(h_i)"><semantics><mrow><msub><mover><mi>y</mi><mo stretchy="true" style="math-style:normal;math-depth:0;">^</mo></mover><mi>i</mi></msub><mo>=</mo><mi>f</mi><mo form="prefix" stretchy="false">(</mo><msub><mi>h</mi><mi>i</mi></msub><mo form="postfix" stretchy="false">)</mo></mrow><annotation encoding="application/x-tex">\widehat{y}_i=f(h_i)</annotation></semantics></math>) &nbsp;sont basées sur les représentations (<math data-latex="h_i"><semantics><msub><mi>h</mi><mi>i</mi></msub><annotation encoding="application/x-tex">h_i</annotation></semantics></math>) construites par le GNN, <strong>l’erreur de prédiction</strong> (entre la valeur prédite et la vraie valeur) peut être calculée et utilisée par le GNN pour optimiser les coefficients contenus dans ses matrices (<strong>rétropropagation</strong>). Cela permet au GNN d’améliorer la qualité de ses représentations.</p>



<p class="wp-block-paragraph">En d’autres termes, le GNN ne construit pas une représentation générique des nœuds, mais bien une représentation «&nbsp;sur-mesure&nbsp;», optimisée spécifiquement afin d’être la plus pertinente possible pour la tâche considérée, obtenue à partir des caractéristiques de chaque nœud et de son entourage dans le réseau.</p>



<p class="wp-block-paragraph">De plus, chaque <em>message passing</em> utilise aussi une <strong>fonction d’activation</strong>, qui applique une transformation non-linéaire à la sortie de chaque <em>message passing</em>. Grâce à cette fonction d&#8217;activation, le GNN peut apprendre des relations non linéaires complexes dans ses représentations.</p>



<h2 class="wp-block-heading">Les applications du GNN</h2>



<p class="wp-block-paragraph">Cette représentation sur-mesure fait du GNN un outil très polyvalent, pouvant être utilisé dans une très grande variété d’applications. Comme nous en avons discuté précédemment, un GNN peut être utilisé comme un outil pour faire des prédictions (aussi bien pour des tâches de classification que de régression) <strong>au niveau des nœuds</strong>, par exemple en détection de fraude [<a href="#ref_3">3</a>, <a href="#ref_4">4</a>], mais son utilisation n’est pas limitée aux prédictions sur les nœuds.</p>



<p class="wp-block-paragraph">Le GNN peut aussi être utilisé pour faire des prédictions <strong>au niveau des liens</strong>. Réaliser une prédiction sur un lien se fait à partir de la représentation des deux nœuds qui y sont associés. Il peut s’agir soit de faire une prédiction sur un lien déjà existant (prédire une caractéristique associée à un lien) soit de prédire des liens qui n’existent pas encore (par exemple&nbsp;: pour faire des suggestions d’amis sur un réseau social, recommander un produit/un contenu sur une plateforme d’e-commerce, etc.).</p>



<p class="wp-block-paragraph">Enfin, le GNN est aussi souvent utilisé pour faire des prédictions <strong>au niveau du graphe entier</strong>. Une application bien connue des GNN pour ce type de tâche est l’analyse de molécules [<a href="#ref_5">5</a>]. Pour ce faire, chaque molécule est représentée sous forme d’un graphe, où chaque nœud est un atome (avec des attributs tels que le numéro atomique, la chiralité, la charge formelle, etc.), et les liens entre les nœuds représentent les liaisons chimiques entre les atomes au sein de la molécule. Au lieu d’avoir un grand graphe unique, on a ici un ensemble de «&nbsp;petits&nbsp;» graphes, où <strong>chaque graphe représente une observation</strong> pour laquelle on veut une prédiction. Dans notre exemple, chaque graphe représente une molécule, composée d’atomes interconnectés, et on veut obtenir <strong>une prédiction par molécule</strong>, par exemple pour répondre à des questions du type&nbsp;: «&nbsp;est-ce que la molécule est toxique&nbsp;?&nbsp;» ou «&nbsp;est-elle soluble dans l’eau&nbsp;?&nbsp;».</p>



<p class="wp-block-paragraph">Pour réaliser ce type de prédiction (au niveau du graphe), il faut cependant ajouter une opération supplémentaire dans le GNN, située après les étapes de <em>message passing</em>, afin de passer d’une représentation au niveau de chaque nœud à une représentation globale au niveau du graphe entier (voir Figure 8). Cette opération est communément appelée «&nbsp;<em>readout</em>&nbsp;», ou encore parfois «&nbsp;<em>graph-level pooling</em>&nbsp;». Une étape de <em>readout</em> peut être vue comme une sorte d’agrégation de toutes les représentations des nœuds du graphe.</p>



<figure class="wp-block-image aligncenter size-full is-resized"><img decoding="async" src="https://www.smalsresearch.be/wp-content/uploads/2026/10/GNN-Readout.svg" alt="" class="wp-image-30840" style="aspect-ratio:2.641899278478245;width:897px;height:auto"/></figure>



<p class="is-style-text-annotation is-style-text-annotation--8 wp-block-paragraph">Figure 8&nbsp;: Etape de readout d’un GNN pour obtenir une représentation vectorielle du graphe entier</p>



<p class="wp-block-paragraph">Dans notre exemple d’analyse de molécule, le GNN va donc permettre de générer une représentation riche de chaque molécule, comprenant à la fois les informations sur les atomes qui la composent et sur les liaisons chimiques qui la structurent.</p>



<h1 class="wp-block-heading">Interprétabilité d’un GNN</h1>



<p class="wp-block-paragraph">Nous l’avons vu, la force d’un GNN est sa capacité à extraire une représentation complexe pour chaque nœud (ou pour le graphe entier), optimisée pour être la plus pertinente possible pour la tâche à résoudre.</p>



<p class="wp-block-paragraph">En contrepartie, cela limite fortement l’interprétabilité du modèle. En effet, les représentations élaborées par le GNN, qui sont utilisées pour les prédictions, sont une sorte de «&nbsp;condensé&nbsp;» d’informations relatives à une entité et son voisinage (direct et indirect) dans le réseau. Le résultat&nbsp;: un vecteur d’informations compressées, optimisé pour être très efficace une fois utilisé comme input dans un modèle prédictif, mais complètement incompréhensible pour un humain.</p>



<p class="wp-block-paragraph">Afin de pouvoir comprendre les décisions d’un GNN, il faut alors se baser sur des méthodes d’<em>explainable AI</em> (XAI), qui est un domaine de l’intelligence artificielle visant à rendre des modèles prédictifs (souvent «&nbsp;<em>black-box</em>&nbsp;») interprétables et compréhensibles pour des humains. L’une des méthodes les plus connues d’XAI pour les GNN est le GNNExplainer [<a href="#ref_6">6</a>] (voir Figure 9). Supposons qu’un modèle prenne une décision pour laquelle on souhaite une explication (par exemple, un nœud pour lequel le modèle a fourni une prédiction), le GNNExplainer a pour objectif de déterminer quelles parties du réseau (Figure 9 A) et quels attributs sur les nœuds (Figure 9 B) ont joué un rôle prédominant dans la construction de la prédiction.</p>



<figure class="wp-block-image aligncenter size-large"><img loading="lazy" decoding="async" width="1024" height="332" src="https://www.smalsresearch.be/wp-content/uploads/2026/10/GNNExplainer-1024x332.png" alt="" class="wp-image-30808" srcset="https://www.smalsresearch.be/wp-content/uploads/2026/10/GNNExplainer-1024x332.png 1024w, https://www.smalsresearch.be/wp-content/uploads/2026/10/GNNExplainer-300x97.png 300w, https://www.smalsresearch.be/wp-content/uploads/2026/10/GNNExplainer-768x249.png 768w, https://www.smalsresearch.be/wp-content/uploads/2026/10/GNNExplainer.png 1235w" sizes="auto, (max-width: 1024px) 100vw, 1024px" /></figure>



<p class="is-style-text-annotation is-style-text-annotation--9 wp-block-paragraph">Figure 9&nbsp;: Fonctionnement du GNNExplainer (image extraite de [<a href="#ref_6">6</a>])</p>



<h1 class="wp-block-heading">Conclusion</h1>



<p class="wp-block-paragraph">Les GNN sont des réseaux de neurones spécialement conçus pour l’analyse de données structurées sous forme de graphe En exploitant les relations entre les nœuds, ils permettent la propagation et l’agrégation d’informations à travers la structure du graphe. Ils ont pour objectif d’apprendre des représentations riches et pertinentes des nœuds, des arcs ou du graphe dans son ensemble, selon la tâche considérée.</p>



<p class="wp-block-paragraph">Comme nous l’avons vu, il s’agit de modèles très polyvalents, pouvant s’utiliser dans de nombreuses tâches (prédiction au niveau d’un nœud, d’une relation, ou du graphe entier). Dans cet article nous n’avons présenté qu’un seul exemple de GNN, il en existe de nombreux autres.</p>



<p class="wp-block-paragraph">Au final, les GNN partagent beaucoup d’avantages (et aussi d’inconvénients), avec les réseaux de neurones artificiels classiques. Ce sont des outils puissants, utilisables dans un grand nombre d’applications, mais ils sont complexes et doivent être conçus et entrainés précautionneusement.</p>



<hr class="wp-block-separator has-alpha-channel-opacity"/>



<p class="wp-block-paragraph" id="ref_1">[1] <a href="https://www.smalsresearch.be/un-fraudeur-ne-fraude-jamais-seul/">Blog Smals Research – Un fraudeur ne fraude jamais seul</a></p>



<p class="wp-block-paragraph" id="ref_2">[2] <a href="https://www.smalsresearch.be/un-fraudeur-ne-fraude-jamais-seul-partie-2/">Blog Smals Research – Un fraudeur ne fraude jamais seul, partie 2</a></p>



<p class="wp-block-paragraph" id="ref_3">[3] Motie, S., &amp; Raahemi, B. (2024). Financial fraud detection using graph neural networks: A systematic review.&nbsp;<em>Expert Systems with Applications</em>,&nbsp;<em>240</em>, 122156.</p>



<p class="wp-block-paragraph" id="ref_4">[4] Mardani, S., &amp; Moradi, H. (2024). Using graph attention networks in healthcare provider fraud detection.&nbsp;<em>IEEE Access</em>,&nbsp;<em>12</em>, 132786-132800.</p>



<p class="wp-block-paragraph" id="ref_5">[5] Wu, Z., Ramsundar, B., Feinberg, E. N., Gomes, J., Geniesse, C., Pappu, A. S., &#8230; &amp; Pande, V. (2018). MoleculeNet: a benchmark for molecular machine learning.&nbsp;<em>Chemical science</em>,&nbsp;<em>9</em>(2), 513-530.</p>



<p class="wp-block-paragraph" id="ref_6">[6] Ying, Z., Bourgeois, D., You, J., Zitnik, M., &amp; Leskovec, J. (2019). Gnnexplainer: Generating explanations for graph neural networks.&nbsp;<em>Advances in neural information processing systems</em>,&nbsp;<em>32</em>.</p>
]]></content:encoded>
					
		
		
			</item>
		<item>
		<title>Data Quality: utiliser le potentiel géographique</title>
		<link>https://www.smalsresearch.be/data-quality-utiliser-le-potentiel-geographique/</link>
		
		<dc:creator><![CDATA[Vandy Berten]]></dc:creator>
		<pubDate>Fri, 16 Oct 2026 11:22:42 +0000</pubDate>
				<category><![CDATA[Presentations]]></category>
		<category><![CDATA[data quality]]></category>
		<category><![CDATA[GIS]]></category>
		<guid isPermaLink="false">https://www.smalsresearch.be/?p=30716</guid>

					<description><![CDATA[Présentation données lors de la conférence FOSS4G 2026 (15/10/2026, Bruxelles, Tour-et-Taxi ; https://www.foss4g.be/) N&#8217;importe quelle source de données pose des problèmes de qualité. Il existe de nombreuses méthodes, généralement basées sur des comparaisons de chaînes de caractères, pour détecter et traiter les problèmes dans les bases de données relationnelles classiques. Mais exploiter les données géographiques [&#8230;]]]></description>
										<content:encoded><![CDATA[
<p class="wp-block-paragraph">Présentation données lors de la conférence FOSS4G 2026 (15/10/2026, Bruxelles, Tour-et-Taxi ; <a href="https://www.foss4g.be/">https://www.foss4g.be/</a>)</p>



<p class="wp-block-paragraph">N&#8217;importe quelle source de données pose des problèmes de qualité. Il existe de nombreuses méthodes, généralement basées sur des comparaisons de chaînes de caractères, pour détecter et traiter les problèmes dans les bases de données relationnelles classiques. Mais exploiter les données géographiques comme des points ou des polygones avec des techniques d&#8217;analytique spatiale permet d&#8217;identifier des erreurs impossible à détecter avec des méthodes classiques. Pour illustrer ces méthodes, nous partons des données de BeSt Address avec des librairies Python Open Source (geopandas, shapely…).</p>



<div data-wp-interactive="core/file" class="wp-block-file"><object data-wp-bind--hidden="!state.hasPdfPreview" hidden class="wp-block-file__embed" data="https://www.smalsresearch.be/wp-content/uploads/2026/10/2026-10-15-BeStAddressAnomalies_FOSS4G.pdf" type="application/pdf" style="width:100%;height:600px" aria-label="Embed of 2026-10-15 BeStAddressAnomalies_FOSS4G."></object><a id="wp-block-file--media-20bd4585-7f29-4afa-ab9b-d9b5ef9897d9" href="https://www.smalsresearch.be/wp-content/uploads/2026/10/2026-10-15-BeStAddressAnomalies_FOSS4G.pdf">2026-10-15 BeStAddressAnomalies_FOSS4G</a><a href="https://www.smalsresearch.be/wp-content/uploads/2026/10/2026-10-15-BeStAddressAnomalies_FOSS4G.pdf" class="wp-block-file__button wp-element-button" download aria-describedby="wp-block-file--media-20bd4585-7f29-4afa-ab9b-d9b5ef9897d9">Download</a></div>
]]></content:encoded>
					
		
		
			</item>
		<item>
		<title>Devoxx 2026: Modernizing legacy code with AI</title>
		<link>https://www.smalsresearch.be/devoxx-2026-ai-and-legacy-code/</link>
		
		<dc:creator><![CDATA[Koen Vanderkimpen]]></dc:creator>
		<pubDate>Thu, 15 Oct 2026 07:01:10 +0000</pubDate>
				<category><![CDATA[[EN]]]></category>
		<category><![CDATA[Presentations]]></category>
		<category><![CDATA[Artificial intelligence]]></category>
		<category><![CDATA[legacy]]></category>
		<category><![CDATA[software engineering]]></category>
		<guid isPermaLink="false">https://www.smalsresearch.be/?p=30694</guid>

					<description><![CDATA[On October 5, colleagues Koen Vanderkimpen of Smals Research and Wim Lambrecht of Smals gave a talk at Devoxx Belgium, the annual developer conference in Antwerp, to an audience of around 500 interested attendees. The talk was titled &#8220;Modernizing legacy code with AI: hands-on examples &#38; lessons learned.&#8221; The topic clearly caught the interest of [&#8230;]]]></description>
										<content:encoded><![CDATA[
<p class="justify-text wp-block-paragraph">On October 5, colleagues Koen Vanderkimpen of Smals Research and Wim Lambrecht of Smals gave a talk at Devoxx Belgium, the annual developer conference in Antwerp, to an audience of around 500 interested attendees. The talk was titled &#8220;Modernizing legacy code with AI: hands-on examples &amp; lessons learned.&#8221; The topic clearly caught the interest of many attendees, a sign that legacy code is still very much a live issue for many software developers.</p>



<p class="justify-text wp-block-paragraph">AI helps developers write new software faster. But can it also help modernize legacy applications? In this session, Smals Research shares practical experience from real e-government projects. Through the migration of ageing Java applications from Java EE to Jakarta EE, the speakers explore how AI supports software modernization. Topics include namespace changes, deprecated APIs, outdated dependencies and complex build configurations. The session highlights where AI genuinely accelerates migration work, where it falls short, and how teams can keep modernization efforts reliable and verifiable. Drawing on additional experience with other legacy environments, including COBOL, the speakers also share practical approaches for documenting, rewriting and maintaining legacy code with AI assistance. Whether you’re modernizing an existing application or exploring AI-assisted development, this session offers a realistic view of what AI can and cannot do today.</p>



<hr class="wp-block-separator has-alpha-channel-opacity"/>



<h1 class="wp-block-heading">Recording</h1>



<figure class="wp-block-embed is-type-video is-provider-youtube wp-block-embed-youtube wp-embed-aspect-16-9 wp-has-aspect-ratio"><div class="wp-block-embed__wrapper">
<iframe loading="lazy" title="Modernizing legacy code with AI: hands on examples &amp; lessons learned  by Koen Vanderkimpen, Wim Lamb" width="500" height="281" src="https://www.youtube.com/embed/FvVe9J0Abjg?feature=oembed" frameborder="0" allow="accelerometer; autoplay; clipboard-write; encrypted-media; gyroscope; picture-in-picture; web-share" referrerpolicy="strict-origin-when-cross-origin" allowfullscreen></iframe>
</div></figure>



<h1 class="wp-block-heading">Presentation</h1>



<div data-wp-interactive="core/file" class="wp-block-file"><object data-wp-bind--hidden="!state.hasPdfPreview" hidden class="wp-block-file__embed" data="https://www.smalsresearch.be/wp-content/uploads/2026/10/devoxx2026-legacy-and-AI-slides.pdf" type="application/pdf" style="width:100%;height:600px" aria-label="Embed of devoxx2026-legacy-and-AI-slides."></object><a id="wp-block-file--media-5934a352-e196-4325-a097-6f8b8db8aa2b" href="https://www.smalsresearch.be/wp-content/uploads/2026/10/devoxx2026-legacy-and-AI-slides.pdf">devoxx2026-legacy-and-AI-slides</a><a href="https://www.smalsresearch.be/wp-content/uploads/2026/10/devoxx2026-legacy-and-AI-slides.pdf" class="wp-block-file__button wp-element-button" download aria-describedby="wp-block-file--media-5934a352-e196-4325-a097-6f8b8db8aa2b">Download</a></div>
]]></content:encoded>
					
		
		
			</item>
		<item>
		<title>Privacy-Enhancing Cryptography in the Post-Quantum Era</title>
		<link>https://www.smalsresearch.be/privacy-enhancing-cryptography-in-the-post-quantum-era-2/</link>
		
		<dc:creator><![CDATA[Kristof Verslype]]></dc:creator>
		<pubDate>Tue, 13 Oct 2026 04:03:00 +0000</pubDate>
				<category><![CDATA[[EN]]]></category>
		<category><![CDATA[Blog post]]></category>
		<category><![CDATA[cryptography]]></category>
		<category><![CDATA[Privacy]]></category>
		<category><![CDATA[privacy-enhancing technologies]]></category>
		<category><![CDATA[quantum computing]]></category>
		<guid isPermaLink="false">https://www.smalsresearch.be/?p=30638</guid>

					<description><![CDATA[Privacy-enhancing cryptography (PEC) is a collection of cryptographic schemes with powerful capabilities. The most prevalent threat today for multiple PEC categories is the lack of mature, practical quantum-safe schemes. This makes it extra challenging to meet the PQC migration targets. ]]></description>
										<content:encoded><![CDATA[
<p class="wp-block-paragraph">Standardization bodies such as NIST and ISO are in the process of publishing new PQC standards, to complement and eventually replace the older, quantum vulnerable standards for key exchange and digital signatures. Together with the existing standards for symmetric cryptography and hash functions, they are the workhorses that protect confidentiality, integrity and authenticity in our digital infrastructure. </p>



<p class="wp-block-paragraph">There is also a wide range of – usually non-standardized – privacy-enhancing cryptographic schemes which are incredibly powerful, yet less widely adopted. Multiple of these cryptographic schemes are quantum vulnerable and need replacement. However, practical post-quantum alternatives are not always readily available as they come with significant research challenges. This considerably complicates PQC migration of privacy-enhancing cryptography (PEC).</p>



<p class="wp-block-paragraph">This section discusses four types of privacy-preserving cryptography: Zero-knowledge proofs, anonymous credentials, oblivious pseudorandom functions and fully homomorphic encryption.</p>



<h1 class="wp-block-heading">Zero-knowledge proofs</h1>



<p class="wp-block-paragraph">A zero-knowledge proof (ZKP) enables one party to prove a claim to another party without disclosing further details about that claim. <a>In 2026, Google Quantum AI, along with other researchers, published a</a> <a href="https://quantumai.google/static/site-assets/downloads/cryptocurrency-whitepaper.pdf">scientific paper</a> on how a sufficiently powerful quantum computer could break ECC. Instead of disclosing details about the quantum circuit, the correctness of the benchmarks was proven using a – quantum vulnerable – ZKP. </p>



<p class="wp-block-paragraph">ZKPs are increasingly adopted in blockchain context to protect confidentiality and privacy, as well as for scalability. Prevalent ZKP technologies, such as <em><a href="https://docs.gnark.consensys.io/Concepts/zkp">zk-SNARKs</a></em> and <em><a href="https://github.com/zkcrypto/bulletproofs">Bulletproofs</a></em>, are not quantum-resistant. Partly due to this, <em><a href="https://www.researchgate.net/publication/385622048_ZK-STARKs_explained">zk-STARKs</a></em> were introduced in 2018. This technology significantly increases proof size from 0.2–0.6 KB to 45–200 KB, making proofs roughly 300 times larger. Moreover, it has a smaller developer community and is currently less mature. Their uptake by the blockchain community remains limited for the time being.</p>



<p class="wp-block-paragraph"><em><a href="https://longfellow-zk.github.io/longfellow-zk/">Google Longfellow</a></em> is an open-source system built by Google and released in 2025. It integrates with the European Digital Identity (EUDI) Wallet and enables citizens to selectively disclose personal data. Longfellow allows citizens to derive quantum-safe ZKPs about personal attributes contained in traditional identity documents. Although computationally efficient, the proof size, which lies around 325 KB for a single attribute, is large. Moreover, it is currently unable to derive proofs from identity documents signed with PQC digital signature algorithms.</p>



<p class="wp-block-paragraph">More recently, IBM Research developed <em><a href="https://research.ibm.com/publications/the-lazer-library-lattice-based-zero-knowledge-and-succinct-proofs-for-quantum-safe-privacy">LaZeR</a></em>, a library that enables quantum-safe concise and computationally efficient proofs. This is still in a research phase and not suited for production environments.</p>



<h1 class="wp-block-heading">Anonymous Credentials</h1>



<p class="wp-block-paragraph">Anonymous credentials, which have been proposed in the early 2000s, rely heavily on ZKPs. They enable a <a>citizen</a>&nbsp; to selectively disclose personal information, instead of revealing all information on an official document such as an identity card or driving license. A typical example is proving that you are older than 18 and a Belgian resident while hiding other information contained in the anonymous credential, such as exact date of birth and social security number. In contrast to solutions such as <em>Google Longfellow</em>, anonymous credentials work with their own algebraic structures and cannot deal with legacy identity documents. The technology comes with a set of powerful properties, such as <em>conditional anonymity</em> and <em>unlinkability</em>. The former enables a dedicated party to identify the user in case of abuse, while the latter guarantees that verifiers cannot link multiple presentations of the same anonymous credential.</p>



<p class="wp-block-paragraph">Anonymous credentials are a fairly widely adopted technology.</p>



<ul class="wp-block-list">
<li>It has been <a href="https://www2.gov.bc.ca/gov/content/governments/government-id">adopted</a> by the government of the Canadian province British Columbia.</li>



<li>In the Netherlands, <em><a href="https://yivi.app/">Yivi</a>,</em> formerly known as <em>IRMA,</em> is an identity solution for citizens based on anonymous credentials. It is used by the municipality of Nijmegen, to perform KYC (know your customer) in the banking sector and it is being tested in the healthcare sector.</li>



<li>Signal, the popular secure messaging app with approximately 70 million users, uses keyed-verification anonymous credentials (<a href="https://eprint.iacr.org/2019/1416">KVACs</a>) to manage private groups.</li>



<li>A TPM (Trusted Platform Module) is a security chip in a computer. It can prove the integrity of the system to an external entity in a privacy-friendly manner, which is done using a type of anonymous credential linked to the TPM chip. Intel&#8217;s technology applied in its secure <em>SGX</em> chips is called <em><a href="https://www.intel.com/content/dam/www/public/us/en/documents/white-papers/intel-epid-white-paper.pdf">Enhanced Privacy ID (EPID</a>)</em>. To date, more than 2.5 billion EPID credentials have been issued. It is arguably the most successful application of anonymous credential technology today.</li>
</ul>



<p class="wp-block-paragraph">The technology used in all the above use cases is quantum vulnerable. Currently, only a few quantum-safe systems for anonymous credentials have been proposed. These systems are still new and much less performant, both in terms of computation and communication. More research is therefore ongoing.</p>



<h1 class="wp-block-heading">Oblivious pseudo-random function</h1>



<p class="wp-block-paragraph">A <em>pseudo-random function (PRF)</em> is a deterministic function whose output cannot be distinguished from randomly generated numbers, without knowledge of the key, which is given as input together with a chosen input value. O<em>blivious pseudo-random functions (OPRFs)</em> enable two parties to compute jointly a pseudo-random function, whereby only the party that provides the input value learns the result, while the other party, who has the key, learns nothing. OPRFs are used, among others, for password-based authenticated key exchange (PAKE) and for checking passwords against breach lists while keeping the password confidential.</p>



<p class="wp-block-paragraph">No battle-tested efficient quantum-safe OPRFs are available today. Recently, however, there have been scientific breakthroughs, such as <a href="https://eprint.iacr.org/2025/333">Leap</a>, which is a lattice-based OPRF. These results are still experimental.</p>



<h1 class="wp-block-heading">Fully homomorphic encryption</h1>



<p class="wp-block-paragraph">Fully homomorphic encryption (FHE) enables arbitrary computations on encrypted data. The idea was launched in 1978 and the first scheme was presented in 2009. Its speed has historically been the main bottleneck, but thanks to consistent improvements in algorithms and implementations as well as the development of hardware accelerators, it is expected to become practical for an increasing number of use cases in the next years. Just as prominent PQC standards, it is typically based on mathematical problems defined in lattices, more in particular on the Learning with Errors (LWE) problem. Such problems are assumed hard for both classical and quantum computers. Steps are being taken in preparation of a potential future standardization of this technology.</p>



<p class="wp-block-paragraph">Today, its practical use is limited to some specific use cases in the context of private information retrieval, such as <a href="https://www.microsoft.com/en-us/research/blog/password-monitor-safeguarding-passwords-in-microsoft-edge/">Password Monitoring&nbsp;</a>in Microsoft Edge, <a href="https://github.com/apple/pir-service-example">Caller identity retrieval and spam blocking</a> by Apple, and Identifying points of interest (POI) on pictures, also by Apple.</p>



<p class="wp-block-paragraph">FHE is a <em>generic</em> technology; when used as a building block, it is fairly straightforward to build on top of this quantum-safe alternatives for multiple PEC categories, such as the previously discussed OPRF, but also private set intersection (PSI), and oblivious transfer (OT). FHE is in these cases a core component to realize new, relatively simple quantum-safe algorithms. Today, this approach can be extremely slow. However, thanks to the performance improvements, it may become a competitive option in the future, especially once standardized. It is for an organisation indeed safer and easier to maintain a single standardized scheme rather than several non-standardized ones.</p>



<h1 class="wp-block-heading">Conclusion</h1>



<p class="wp-block-paragraph">Privacy-enhancing cryptography (PEC) is a group of cryptographic schemes with powerful capabilities. Although less widely used than standard cryptographic workhorses, they are still fairly broadly adopted. Since these schemes are not standardized, applying them in real-world environments comes with additional risks. The most prevalent threat today for many of these PEC types is the lack of mature, practical quantum safe schemes. This makes it extra challenging to meet the PQC migration targets. A summary of the current state is given in the table below.</p>



<figure class="wp-block-table"><table class="has-fixed-layout"><tbody><tr><td><strong>Category</strong></td><td><strong>Description</strong></td><td><strong>Quantum readiness</strong></td></tr><tr><td><em>Zero-knowledge proofs</em></td><td>One party proves a claim to another party without disclosing further details about that claim.</td><td>Quantum-safe alternatives are available, but proofs are orders of magnitude larger or still in research phase.</td></tr><tr><td><em>Anonymous credentials</em></td><td>A citizen selectively discloses personal information (e.g., age &gt; 18), instead of revealing all information on a digital document.</td><td>Quantum-safe alternatives are still new and insufficiently performant.</td></tr><tr><td><em>Oblivious pseudo-random function</em></td><td>Client &amp; server jointly compute a pseudo-random function<a href="#_ftn1" id="_ftnref1">[1]</a>. The client only learns the result, while the server, who has the key, learns nothing.</td><td>No battle-tested efficient quantum-safe alternatives available today. Recent scientific breakthroughs are promising.</td></tr><tr><td><em>Fully homomorphic encryption</em></td><td>Arbitrary computations on encrypted data.</td><td>Quantum-safe. Hardware acceleration required to make it practical.</td></tr></tbody></table></figure>



<p class="wp-block-paragraph">In case no competitive quantum safe PEC alternatives are available yet, it is recommended to prepare for a future migration by making existing systems that use PEC crypto agile. The actual migration is performed once sufficiently performant quantum-safe alternatives reach maturity. This is indeed what is currently happening in, for instance, the <a href="https://docs.yivi.app/blog/2025-eudi-wallet-roadmap/">Yivi project</a>.</p>



<hr class="wp-block-separator has-alpha-channel-opacity"/>



<p class="wp-block-paragraph"><em>This is a contributed article by Kristof Verslype, a cryptographer at Smals Research. It was written in a personal capacity and does not represent the position of Smals.</em></p>



<p class="wp-block-paragraph"></p>
]]></content:encoded>
					
		
		
			</item>
		<item>
		<title>Legacy &#038; AI @ Devoxx 2026 &#8211; Talk Smals Research</title>
		<link>https://www.smalsresearch.be/full-house-devoxx-2026-talk-smals-research/</link>
		
		<dc:creator><![CDATA[Smals Research]]></dc:creator>
		<pubDate>Mon, 12 Oct 2026 13:44:56 +0000</pubDate>
				<category><![CDATA[[NL]]]></category>
		<category><![CDATA[News]]></category>
		<category><![CDATA[Artificial intelligence]]></category>
		<category><![CDATA[legacy]]></category>
		<category><![CDATA[methodology]]></category>
		<category><![CDATA[Productivity]]></category>
		<category><![CDATA[software engineering]]></category>
		<guid isPermaLink="false">https://www.smalsresearch.be/?p=30649</guid>

					<description><![CDATA[Op 5 oktober hielden collega&#8217;s Koen Vanderkimpen van Smals Research en Wim Lambrecht van Smals een talk op Devoxx Belgium, de jaarlijkse conferentie voor ontwikkelaars in Antwerpen, voor circa 350 geïnteresseerde toehoorders. Het onderwerp van de talk was Modernizing legacy code with AI: hands-on examples &#38; lessons learned. Het onderwerp wekte duidelijk de interesse van [&#8230;]]]></description>
										<content:encoded><![CDATA[
<p class="justify-text wp-block-paragraph">Op 5 oktober hielden collega&#8217;s Koen Vanderkimpen van Smals Research en Wim Lambrecht van Smals een talk op <strong>Devoxx Belgium</strong>, de jaarlijkse conferentie voor ontwikkelaars in Antwerpen, voor circa 350 geïnteresseerde toehoorders. Het onderwerp van de talk was <strong>Modernizing legacy code with AI: hands-on examples &amp; lessons learned</strong>. Het onderwerp wekte duidelijk de interesse van vele bezoekers, een teken dat Legacy code voor vele software ontwikkelaars nog steeds leeft.</p>



<p class="justify-text wp-block-paragraph">Het abstract dat het publiek op voorhand te lezen kreeg, las als volgt: <em>&#8220;</em>AI helps developers write new software faster. But can it also help modernize legacy applications? In this session, Smals Research shares practical experience from real e-government projects. Through the migration of ageing Java applications from Java EE to Jakarta EE, the speakers explore how AI supports software modernization. Topics include namespace changes, deprecated APIs, outdated dependencies and complex build configurations. The session highlights where AI genuinely accelerates migration work, where it falls short, and how teams can keep modernization efforts reliable and verifiable. Drawing on additional experience with other legacy environments, including COBOL, the speakers also share practical approaches for documenting, rewriting and maintaining legacy code with AI assistance. Whether you&#8217;re modernizing an existing application or exploring AI-assisted development, this session offers a realistic view of what AI can and cannot do today.<em>&#8220;</em></p>



<p class="wp-block-paragraph">De <strong><a href="https://www.youtube.com/watch?v=FvVe9J0Abjg">video opname</a></strong> werd gepubliceerd op youtube, de slides vind je <a href="https://www.smalsresearch.be/devoxx-2026-ai-and-legacy-code/" data-type="post" data-id="30694"><strong>hier</strong></a>.&nbsp;</p>



<figure class="wp-block-image size-large is-resized"><a href="https://www.smalsresearch.be/wp-content/uploads/2026/10/20261008_145903-scaled.jpg"><img loading="lazy" decoding="async" width="1024" height="473" src="https://www.smalsresearch.be/wp-content/uploads/2026/10/20261008_145903-1024x473.jpg" alt="" class="wp-image-30650" style="width:646px;height:auto" srcset="https://www.smalsresearch.be/wp-content/uploads/2026/10/20261008_145903-1024x473.jpg 1024w, https://www.smalsresearch.be/wp-content/uploads/2026/10/20261008_145903-766x354.jpg 766w, https://www.smalsresearch.be/wp-content/uploads/2026/10/20261008_145903-300x139.jpg 300w, https://www.smalsresearch.be/wp-content/uploads/2026/10/20261008_145903-1536x710.jpg 1536w, https://www.smalsresearch.be/wp-content/uploads/2026/10/20261008_145903-2048x946.jpg 2048w" sizes="auto, (max-width: 1024px) 100vw, 1024px" /></a></figure>



<figure class="wp-block-image size-large is-resized"><a href="https://www.smalsresearch.be/wp-content/uploads/2026/10/20261008_151031-scaled.jpg"><img loading="lazy" decoding="async" width="1024" height="473" src="https://www.smalsresearch.be/wp-content/uploads/2026/10/20261008_151031-1024x473.jpg" alt="" class="wp-image-30651" style="aspect-ratio:2.16495018002177;width:646px;height:auto" srcset="https://www.smalsresearch.be/wp-content/uploads/2026/10/20261008_151031-1024x473.jpg 1024w, https://www.smalsresearch.be/wp-content/uploads/2026/10/20261008_151031-300x139.jpg 300w, https://www.smalsresearch.be/wp-content/uploads/2026/10/20261008_151031-766x354.jpg 766w, https://www.smalsresearch.be/wp-content/uploads/2026/10/20261008_151031-1536x710.jpg 1536w, https://www.smalsresearch.be/wp-content/uploads/2026/10/20261008_151031-2048x946.jpg 2048w" sizes="auto, (max-width: 1024px) 100vw, 1024px" /></a></figure>



<figure class="wp-block-image size-large is-resized"><a href="https://www.smalsresearch.be/wp-content/uploads/2026/10/devoxx26_wil-2.png"><img loading="lazy" decoding="async" width="1024" height="656" src="https://www.smalsresearch.be/wp-content/uploads/2026/10/devoxx26_wil-2-1024x656.png" alt="" class="wp-image-30701" style="width:646px;height:auto" srcset="https://www.smalsresearch.be/wp-content/uploads/2026/10/devoxx26_wil-2-1024x656.png 1024w, https://www.smalsresearch.be/wp-content/uploads/2026/10/devoxx26_wil-2-300x192.png 300w, https://www.smalsresearch.be/wp-content/uploads/2026/10/devoxx26_wil-2-768x492.png 768w, https://www.smalsresearch.be/wp-content/uploads/2026/10/devoxx26_wil-2.png 1103w" sizes="auto, (max-width: 1024px) 100vw, 1024px" /></a></figure>



<hr class="wp-block-separator has-alpha-channel-opacity"/>



<p class="wp-block-paragraph">Foto&#8217;s genomen door Wim Lambrecht &amp; Devoxx.</p>



<p class="wp-block-paragraph"></p>
]]></content:encoded>
					
		
		
			</item>
		<item>
		<title>Technical debt: voordelen van automatisering en aanbevelingen</title>
		<link>https://www.smalsresearch.be/technical-debt-voordelen-van-automatisering-en-aanbevelingen/</link>
		
		<dc:creator><![CDATA[Fabien A. P. Petitcolas]]></dc:creator>
		<pubDate>Thu, 08 Oct 2026 07:00:00 +0000</pubDate>
				<category><![CDATA[[NL]]]></category>
		<category><![CDATA[Blog post]]></category>
		<category><![CDATA[Security]]></category>
		<category><![CDATA[software engineering]]></category>
		<category><![CDATA[technical debt]]></category>
		<guid isPermaLink="false">https://www.smalsresearch.be/?p=30239</guid>

					<description><![CDATA[Dit artikel presenteert de belangrijkste tools, methoden en best practices om een echte cultuur van voortdurende software-updates te implementeren.]]></description>
										<content:encoded><![CDATA[
<p class="wp-block-paragraph"><em><em>Cet article est aussi disponible&nbsp;en&nbsp;<a href="https://www.smalsresearch.be/dette-technique-avantages-de-lautomatisation-et-recommandations/">français</a>.</em></em></p>



<p class="wp-block-paragraph">In een <a href="https://www.smalsresearch.be/technical-debt-waarom-migraties-geen-uitzonderlijke-projecten-meer-mogen-zijn/">vorig artikel</a> zagen we hoe de opeenstapeling van technical debt en technical lag geleidelijk aan softwaremigraties verandert in risicovolle, kostbare en moeilijk te rechtvaardigen projecten. Toch kunnen organisaties het zich niet langer veroorloven om updates als uitzonderlijke gebeurtenissen te behandelen. Gezien de steeds kortere releasecycli van leveranciers is een meer continue en gestroomlijnde aanpak van modernisering noodzakelijk geworden.</p>



<p class="wp-block-paragraph">Gelukkig maken nieuwe automatiserings- en AI-tools het tegenwoordig mogelijk om de inspanningen die gepaard gaan met versie-updates, het beheer van afhankelijkheden en het herschrijven van code te verminderen. Maar deze technologieën brengen ook nieuwe risico’s met zich mee die onder controle moeten worden gehouden.</p>



<p class="wp-block-paragraph">Dit artikel presenteert de belangrijkste tools, methoden en best practices om een echte cultuur van voortdurende updates te implementeren.</p>



<h1 class="wp-block-heading"><a>Impact van AI</a></h1>



<p class="wp-block-paragraph">Het effect van AI op de technical debt is tweeledig: hoewel het ongekende mogelijkheden biedt om de code debt op te sporen en af te bouwen, fungeert het tevens als katalysator voor een enorme toename van de architectural debt [<a href="#_ref1">1</a>].</p>



<h2 class="wp-block-heading">Voordelen van AI</h2>



<p class="wp-block-paragraph">AI kan het beheer van de technical debt verbeteren door complexe en tijdrovende taken te automatiseren en tegelijkertijd repetitief handmatig werk te verminderen, maar alle door AI gegenereerde resultaten moeten grondig worden gevalideerd door handmatige tests door menselijke gebruikers, waarbij rekening moet worden gehouden met het feit dat de huidige tools de complexe onderlinge afhankelijkheden van systemen verkeerd kunnen interpreteren of fouten kunnen introduceren [<a href="#_ref2">2</a>].</p>



<p class="wp-block-paragraph">Zo tonen de eerste demonstraties van AI-ondersteunde moderniseringstools aan dat zij in staat zijn om verouderde code te migreren naar moderne programmeertalen en toepassingsplatforms, wat een mogelijk vooruitzicht biedt voor minder handmatig werk. Zij vereisen echter menselijk toezicht om de verschillende fasen van de moderniseringscyclus te controleren&nbsp;[<a href="#_ref3">3</a>]. Tools zoals <a href="https://aws.amazon.com/q/developer/transform/">Amazon Q Code Transform</a> maken gebruik van generatieve AI om legacyprojecten te analyseren en automatisch de nodige wijzigingen toe te passen voor een versie-upgrade [<a href="#_ref4">4</a>]. Volgens Amazon zou een intern team er op deze manier in geslaagd zijn om 1000 toepassingen in productie in slechts twee dagen te migreren van Java 8 naar Java 17 [<a href="#_ref5">5</a>]. De AI identificeert verouderde afhankelijkheden, vervangt verouderde code door de nieuwe standaarden en corrigeert op iteratieve wijze compilatiefouten totdat een functionele toepassing is verkregen.</p>



<p class="wp-block-paragraph">Een ander voorbeeld: er zijn modellen voor machine learning en natuurlijke taalverwerking gebruikt om zelf gerapporteerde (Self-Admitted) technical debt te detecteren in codecommentaren, commitberichten of Jiratickets. Bots kunnen nu automatisch problemen met technical debt labelen om de prioritering ervan te vergemakkelijken [<a href="#_ref6">6</a>&#8211;<a href="#_ref8">8</a>].</p>



<p class="wp-block-paragraph">AI-codeerassistenten en grote taalmodellen worden tegenwoordig als effectief beschouwd voor het opschonen van technical debt op broncodeniveau (bugs, ‘code smells’, duplicatie). Adviesbureau Gartner voorspelt overigens dat, dankzij deze effectiviteit, code debt tegen 2027 slechts een klein deel van de totale technical debt zal uitmaken [<a href="#_ref1">1</a>], [<a href="#_ref9">9</a>]. AI kan testcases genereren en failure modes identificeren. Tools zoals <a href="https://testsigma.com/">Testsigma</a> maken gebruik van AI om testscripts automatisch bij te werken wanneer de toepassing verandert, waardoor de “test debt” wordt verminderd [<a href="#_ref7">7</a>], [<a href="#_ref10">10</a>]. AI maakt het ook mogelijk om voorspellende analyses te versterken om configuratiefouten op te sporen voordat deze de stabiliteit van de software beïnvloeden [<a href="#_ref11">11</a>].</p>



<p class="wp-block-paragraph">Ten slotte verandert AI ook het beheer van kwetsbaarheden (CVE): tools zoals <a href="https://www.moderne.ai/solutions/scale-openrewrite">Moderne</a> maken gebruik van automatische herwerkingsomgevingen (bijv. <a href="https://github.com/openrewrite">OpenRewrite</a>) voor de toepassing van beveiligingspatches en library-updates op duizenden coderepositories tegelijk.</p>



<h2 class="wp-block-heading">Risico’s van AI</h2>



<p class="wp-block-paragraph">Ondanks de voordelen brengt AI nieuwe systeemrisico’s met zich mee. Gartner schat dat tegen 2027 80% van de technical debt van architecturale aard zal zijn (tegenover 30% in 2024) [<a href="#_ref9">9</a>] en dat AI tegen 2028 meer architectural debt zal veroorzaken dan dat zij zal oplossen [<a href="#_ref1">1</a>], [<a href="#_ref12">12</a>].</p>



<p class="wp-block-paragraph">De grootschalige invoering van AI-assistenten versnelt het schrijven van code en dreigt te leiden tot een wildgroei aan ongecontroleerde code (code sprawl) en tot een toename van verborgen afhankelijkheden, architecturale afwijkingen en systemische instabiliteit. Ten slotte kunnen AI-codeeragenten beveiligingslekken, hardgecodeerde geheimen of risicovolle afhankelijkheden introduceren [<a href="#_ref13">13</a>]. Het overhaast experimenteren met AI door onervaren teams voegt ten slotte nog meer complexiteit toe aan integratieplatforms die al zwaar belast zijn [<a href="#_ref12">12</a>].</p>



<p class="wp-block-paragraph">Om voordeel te kunnen halen uit AI is daarom een hoog niveau van expertise vereist om te beoordelen of de AI “zich vergist” en om deze technologieën in te zetten voor oplossingen die op de lange termijn houdbaar zijn. De aanpak moet mensgericht blijven om de controle over de uitvoering van de tools te behouden [<a href="#_ref6">6</a>], [<a href="#_ref14">14</a>]. AI stelt ook nieuwe eisen aan het beheer van door machines gegenereerde code.</p>



<p class="wp-block-paragraph">Uiteindelijk lijkt het erop dat AI het probleem slechts verplaatst: het lost de “zichtbare” code debt gedeeltelijk op, maar vergroot de structurele en onzichtbare schuld die onder de oppervlakte schuilgaat (architectuur, processen, kennis). De komende jaren zullen ons meer duidelijkheid verschaffen over de werkelijke impact ervan.</p>



<h1 class="wp-block-heading"><a>Tools</a></h1>



<h2 class="wp-block-heading"><a></a><a>PAID-model</a></h2>



<p class="wp-block-paragraph">Het <strong>PAID</strong>-model (Plan, Address, Ignore, Delay) van Gartner [<a href="#_ref15">15</a>], is een gestructureerde tool ontworpen om managers van software-engineering te helpen bij het beoordelen en prioriteren van het aflossen van technical debt. Het model is rechtstreeks geïnspireerd op een klassieke risicobeoordeling en biedt een beoordelingsmatrix op basis van drie dimensies: de impact op de onderneming, de waarschijnlijkheid van het risico en de kosten voor het verhelpen ervan. Bij de kosten moet niet alleen rekening worden gehouden met de directe kosten (licenties, onderhoudscontracten, technische ondersteuning), maar ook met de indirecte kosten (productiviteitsverlies, veiligheidsrisico’s, afwijkingen van de naleving, gemiste kansen).</p>



<p class="wp-block-paragraph">Door de schuldelementen in een van de vier categorieën in te delen (plannen, aanpakken, negeren of uitstellen), kunnen managers complexe technische problemen omzetten in verhalen over commerciële waarde, waardoor het gemakkelijker wordt om budgetten te verkrijgen en strategische afstemming te realiseren.</p>



<p class="wp-block-paragraph">De implementatie van dit model is gebaseerd op een samenwerkingsproces in vijf stappen waarbij multidisciplinaire teams betrokken zijn, variërend van architecten tot producteigenaren. De tool maakt het mogelijk om de inventaris van toepassingen in kaart te brengen en data-visualisaties te genereren om de ontwikkeling van de technical debt in de loop van de tijd te volgen. Het uiteindelijke doel is om <strong>over te stappen van ad-hoc en reactief beheer naar een holistische strategie</strong>, waardoor de opeenstapeling van kritieke risico’s wordt voorkomen die innovatie zouden kunnen lamleggen of tot ernstige dienstonderbrekingen zouden kunnen leiden.</p>



<h2 class="wp-block-heading"><a></a><a>OpenRewrite</a></h2>



<p class="wp-block-paragraph"><a href="https://github.com/openrewrite">OpenRewrite</a> is een opensource tool voor het geautomatiseerd herschrijven van broncode. Het belangrijkste doel is om teams te helpen de technical debt te verminderen door kant-en-klare transformaties toe te passen voor migraties van softwareframeworks, beveiligingspatches, upgrades van afhankelijkheden en stijlharmonisatie. Volgens de officiële documentatie kunnen deze transformaties een klus van meerdere uren of dagen terugbrengen tot slechts enkele minuten.</p>



<h2 class="wp-block-heading"><a>Dependabot</a></h2>



<p class="wp-block-paragraph"><a href="https://docs.github.com/en/code-security/tutorials/secure-your-dependencies/dependabot-quickstart-guide">Dependabot</a> is een in GitHub geïntegreerde tool die helpt bij het opsporen en vervolgens automatisch bijwerken van de afhankelijkheden van een coderepository. In de officiële documentatie wordt het beschreven als een reeks functies die bedoeld zijn om kwetsbare afhankelijkheden op te sporen, automatisch wijzigingsvoorstellen in te dienen om bekende kwetsbaarheden te verhelpen en afhankelijkheden up-to-date te houden, ook buiten de veiligheidscontext.</p>



<p class="wp-block-paragraph">GitHub onderscheidt drie hoofdfuncties in Dependabot:</p>



<ul class="wp-block-list">
<li>Dependabot alerts: waarschuwingen die kwetsbare afhankelijkheden signaleren;</li>



<li>Dependabot security updates: automatische beveiligingsupdates die wijzigingsvoorstellen openen om een bekende kwetsbaarheid te verhelpen;</li>



<li>Dependabot version updates: automatische versie-updates die de afhankelijkheden up-to-date houden, zelfs als er geen kwetsbaarheid is gemeld.</li>
</ul>



<p class="wp-block-paragraph">In de praktijk maakt Dependabot gebruik van de afhankelijkheidsgrafiek van de coderepository om kwetsbare of verouderde libraries te identificeren. Wanneer een bekende kwetsbaarheid wordt gedetecteerd, verschijnt er een waarschuwing in het tabblad ‘Beveiliging’ van de repository, met vermelding van de betreffende afhankelijkheid, de ernst, de getroffen versies en, indien beschikbaar, een gecorrigeerde versie.</p>



<p class="wp-block-paragraph">He et al. [<a href="#_ref16">16</a>] hebben Dependabot geëvalueerd op meer dan 1800 GitHub-projecten en bij 131 programmeurs om de doeltreffendheid ervan bij het automatiseren van het bijwerken van afhankelijkheden te meten. De resultaten van het onderzoek zijn gemengd. Dependabot draagt bij aan een aanzienlijke vermindering van de technical lag van projecten en de door het systeem voorgestelde updates (pull requests) worden in meer dan 70% van de gevallen geaccepteerd, met name wat betreft beveiligingspatches. De tool wordt gewaardeerd als een mechanisme voor het monitoren van en waarschuwen voor nieuwe beschikbare versies. Er blijven echter belangrijke beperkingen bestaan. Een van de belangrijkste functies, de &#8220;compatibiliteitsscore“, volstaat niet om gebruikers gerust te stellen over de risico’s van updates. Bovendien leidt het grote aantal gegenereerde meldingen ertoe dat sommige teams het gebruik ervan beperken of Dependabot zelfs helemaal afschaffen ten gunste van alternatieven die fijnere configuratiemogelijkheden of automatische samenvoegfuncties (auto-merge) bieden.</p>



<h1 class="wp-block-heading"><a>Aanbevelingen</a></h1>



<p class="wp-block-paragraph">Het ideaal is om het beheer van technical debt te transformeren van een “eenvoudig&#8221; IT-probleem naar een hefboom voor strategische waarde, door een holistische benadering te hanteren bij het opsporen van verborgen risico’s (waaronder knowledge debt en architectural debt) en door de herstelmaatregelen systematisch af te stemmen op de kernactiviteiten van de onderneming.</p>



<p class="wp-block-paragraph">Hieronder volgen enkele van de belangrijkste aanbevelingen die in diverse studies en rapporten ([<a href="#_ref1">1</a>], [<a href="#_ref12">12</a>], [<a href="#_ref14">14</a>], [<a href="#_ref15">15</a>], [<a href="#_ref17">17</a>&#8211;<a href="#_ref24">24</a>]) zijn geformuleerd:</p>



<ul class="wp-block-list">
<li><strong>Zorg voor een duidelijke governance</strong>: Het beheer van software stopt niet op de dag van de lancering. Vanaf het begin van een project moet binnen de technische en businessteams worden vastgesteld welke personen verantwoordelijk zijn voor het analyseren van elke update. Naast deze afbakening van verantwoordelijkheden kan een “stuurgroep”, bestaande uit senior engineers, businessarchitecten, productmanagers en management, de systematische afstemming van de financiering van de technical debt op de werkelijke waarde vergemakkelijken. Deze groep dient een triagemodel te gebruiken om de activa in te delen in categorieën zoals ‘winstgevend’, ‘ondermaats presterend’, ‘verouderd’ of ‘slecht’.</li>



<li><strong>Continu herwerken</strong>: Het herwerken van de code moet worden geïntegreerd als een doorlopende stap in de ontwikkelingscyclus, en niet als een crisismaatregel. Tools zoals <a href="https://docs.openrewrite.org/concepts-and-explanations/lossless-semantic-trees">OpenRewrite</a> bieden een relatief eenvoudige manier om te beginnen met het automatiseren van herwerkings- en correctieprocessen.</li>



<li><strong>Updates niet ondergaan</strong>: Een best practice is het rechtstreeks integreren van de door leveranciers opgelegde updatecycli in de projectplannen. Hiervoor is het noodzakelijk om zo goed mogelijk op de hoogte te zijn van de komende wijzigingen vanuit deze externe toepassingen (bijvoorbeeld door hun roadmap te volgen), evenals van de meest recent gepubliceerde kwetsbaarheden en de software waarop deze van invloed zijn. Deze updates zijn onvermijdelijk en moeten worden onderworpen aan een impactanalyse om architecturale afwijkingen of kosten voor herontwikkeling in een laat stadium te voorkomen. Door specifieke tijd in te ruimen om nieuwigheden te testen en het ontwerp indien nodig aan te passen, dient er flexibiliteit te worden ingebouwd in de projectplanning; tevens moeten wijzigingen worden bevroren door kritieke momenten (zoals vlak voor de lancering) te identificeren waarop geen updates mogen worden geactiveerd om last-minute fouten te voorkomen.</li>



<li><strong>Omgaan met onvermijdelijke veroudering</strong>: Een proactieve beheerstrategie wordt als essentieel beschouwd om de cyclus van passiviteit bij externe afhankelijkheden te doorbreken: de automatisering van updates van afhankelijkheden en de integratie van processen voor continue controle worden aanbevolen [<a href="https://www.smalsresearch.be/technical-debt-voordelen-van-automatisering-en-aanbevelingen/#_ref25">25</a>], evenals het gebruik van monitoringtools die niet alleen de technical lag kunnen detecteren, maar ook de benodigde inspanning voor de migratie en de daarmee samenhangende veiligheidsrisico’s. Een regelmatige audit van de infrastructuur en de verbetering van de kwaliteit van de data in de afhankelijkheidsgraphs zijn eveneens onmisbare hefbomen om veroudering tegen te gaan [<a href="https://www.smalsresearch.be/technical-debt-voordelen-van-automatisering-en-aanbevelingen/#_ref25">25</a>]. Deze verandering is niet louter technisch; zij betekent een fundamentele heruitvinding van de softwarelevering, die wordt gezien als een voortdurende evolutie in plaats van als een reeks afzonderlijke en high-risk migratiegebeurtenissen [<a href="https://www.smalsresearch.be/technical-debt-voordelen-van-automatisering-en-aanbevelingen/#_ref26">26</a>].</li>



<li><strong>Handmatige en geautomatiseerde tests combineren</strong>: Automatisering is essentieel omdat deze bijdraagt aan het versterken van een cultuur van voortdurende updates. Automatisering vervangt echter niet alles en handmatige tests blijven noodzakelijk voor complexe of ergonomische scenario&#8217;s die door de tools niet worden gedetecteerd. Bovendien moeten tests echte business scenario’s weergeven en niet alleen tests van technische specificaties [<a href="https://www.smalsresearch.be/technical-debt-voordelen-van-automatisering-en-aanbevelingen/#_ref27">27</a>].</li>



<li><strong>Beveiliging vanaf het begin integreren (DevSecOps)</strong>: Beveiliging mag niet pas aan het einde van de cyclus worden behandeld. Een proactieve aanpak waarbij beveiligingsteams zo vroeg mogelijk in de ontwikkelingscyclus worden betrokken, maakt het mogelijk de &#8220;security debt“ te beperken.</li>
</ul>



<h1 class="wp-block-heading"><a>Conclusie</a></h1>



<p class="wp-block-paragraph">De strategie die momenteel wordt aanbevolen voor technical debt is gebaseerd op de invoering van een continue updatecyclus, ondersteund door robuuste integratie- en delivery pipelines (CI/CD) en veilige implementatiestrategieën. Standaardisering via referentiemodellen maakt het mogelijk om de inspanningen om nieuwe versies te kwalificeren te bundelen op platformniveau in plaats van op toepassingsniveau, en draagt daarmee eveneens bij aan het vergemakkelijken van migraties. Ten slotte ligt het grootste potentieel van dit decennium in de integratie van AI in migratieprocessen. Door een aanzienlijk deel van het herschrijven van code en het beheer van afhankelijkheden te automatiseren, stelt AI het mogelijk om de menselijke innovatiecapaciteit te heroriënteren naar de creatie van businesswaarde, terwijl de technologische basis voortdurend op het hoogste niveau blijft.</p>



<p class="wp-block-paragraph">Kortom, de beste methode bestaat tegenwoordig uit de overgang van een reactieve aanpak (herstellen als er &#8220;iets kapot gaat”) naar een preventieve en geïntegreerde aanpak (het up-to-date houden van software als een operationele routine). De vraag is dan niet langer of er gemigreerd moet worden, maar hoe deze migraties geautomatiseerd kunnen worden zodat ze onzichtbaar worden.</p>



<p class="wp-block-paragraph"></p>



<p class="wp-block-paragraph"><em>Dit artikel is gebaseerd op een literatuurstudie, analistenrapporten, academische publicaties en de documentatie van de vermelde tools. De genoemde producten werden niet getest in het kader van deze studie.</em></p>



<h1 class="wp-block-heading">Referenties</h1>



<p class="wp-block-paragraph" id="_ref1">[1]&nbsp;&nbsp;&nbsp;&nbsp;&nbsp;&nbsp;&nbsp; T. Egiazarov, A. Harrison, en H. Dodd, “Market guide for technical debt management tools”, Gartner, G00842044, apr. 2026.</p>



<p class="wp-block-paragraph" id="_ref2">[2]&nbsp;&nbsp;&nbsp;&nbsp;&nbsp;&nbsp;&nbsp; H. Cook, M. Miraz, A. Rosenbaum, R. Ramakrishnan, en M. Gonzales, “How to reduce risk in high‐stakes database migrations”, G00844526, feb. 2026. [Online]. Beschikbaar op: <a href="https://www.gartner.com/document-reader/document/7474226">https://www.gartner.com/document-reader/document/7474226</a></p>



<p class="wp-block-paragraph" id="_ref3">[3]&nbsp;&nbsp;&nbsp;&nbsp;&nbsp;&nbsp;&nbsp; P. L. Narasimha, “Innovation insight: AI-augmented code modernization tools”, Gartner, G00836092, okt. 2025. [Online]. Beschikbaar op: <a href="https://www.gartner.com/document-reader/document/7027398">https://www.gartner.com/document-reader/document/7027398</a></p>



<p class="wp-block-paragraph" id="_ref4">[4]&nbsp;&nbsp;&nbsp;&nbsp;&nbsp;&nbsp;&nbsp; <em>Streamline Java application upgrades with Amazon Q code transformation: automated analysis and execution</em>, (22 november 2024). Geraadpleegd: 4 juni 2026. [Online Video]. Beschikbaar op: <a href="https://aws.amazon.com/video/watch/b63f5ac8a48/">https://aws.amazon.com/video/watch/b63f5ac8a48/</a></p>



<p class="wp-block-paragraph" id="_ref5">[5]&nbsp;&nbsp;&nbsp;&nbsp;&nbsp;&nbsp;&nbsp; “Upgrade your Java applications with Amazon Q code transformation (preview)”, AWS News Blog. Geraadpleegd: 4 juni 2026. [Online]. Beschikbaar op: <a href="https://aws.amazon.com/blogs/aws/upgrade-your-java-applications-with-amazon-q-code-transformation-preview/">https://aws.amazon.com/blogs/aws/upgrade-your-java-applications-with-amazon-q-code-transformation-preview/</a></p>



<p class="wp-block-paragraph" id="_ref6">[6]&nbsp;&nbsp;&nbsp;&nbsp;&nbsp;&nbsp;&nbsp; J. P. Biazotto, D. Feitosa, P. Avgeriou, en E. Y. Nakagawa, “Understanding practitioners’ reasoning and requirements for efficient tool support in technical debt management”, <em>Empir. Softw. Eng.</em>, vol. 30, nr. 5, p. 134, sep. 2025, doi: 10.1007/s10664-025-10691-5.</p>



<p class="wp-block-paragraph" id="_ref7">[7]&nbsp;&nbsp;&nbsp;&nbsp;&nbsp;&nbsp;&nbsp; S. A. Binta, S. Kaushal, en S. B. Pandi, “Artificial intelligence for technical debt management in software development”, 16 juni 2023. [Online]. Beschikbaar op: <a href="https://arxiv.org/abs/2306.10194">https://arxiv.org/abs/2306.10194</a></p>



<p class="wp-block-paragraph" id="_ref8">[8]&nbsp;&nbsp;&nbsp;&nbsp;&nbsp;&nbsp;&nbsp; Z. Guo <em>e.a.</em>, “How far have we progressed in identifying self-admitted technical debts? A comprehensive empirical study”, <em>ACM Trans. Softw. Eng. Methodol.</em>, vol. 30, nr. 4, pp. 1-56, okt. 2021, doi: 10.1145/3447247.</p>



<p class="wp-block-paragraph" id="_ref9">[9]&nbsp;&nbsp;&nbsp;&nbsp;&nbsp;&nbsp;&nbsp; T. Egiazarov, A. Harrison, T. Murphy, A. Thomas, H. Dodd, en A. Hodgkins, “How to manage architectural technical debt”, Gartner, G00819382, nov. 2024.</p>



<p class="wp-block-paragraph" id="_ref10">[10]&nbsp;&nbsp;&nbsp;&nbsp;&nbsp;&nbsp; A. Chiddarwar, “Tools and techniques for managing technical debt”, Tampere University, 2024.</p>



<p class="wp-block-paragraph" id="_ref11">[11]&nbsp;&nbsp;&nbsp;&nbsp;&nbsp;&nbsp; B. Jouda, N. Owies, en I. Atoum, “Software configuration management in evolutionary processes: tools and best practices”.</p>



<p class="wp-block-paragraph" id="_ref12">[12]&nbsp;&nbsp;&nbsp;&nbsp;&nbsp;&nbsp; A. Humphreys, S. Pasricha, en K. Guttridge, “How to manage and reduce integration technical debt”, Gartner, G00838235, okt. 2025.</p>



<p class="wp-block-paragraph" id="_ref13">[13]&nbsp;&nbsp;&nbsp;&nbsp;&nbsp;&nbsp; F. A. P. Petitcolas, “AI om de veiligheid van de code te verbeteren? (Deel&nbsp;1: veiligheid van de gegenereerde code)”, Smals Research. Geraadpleegd: 30 april 2026. [Online]. Beschikbaar op: <a href="https://www.smalsresearch.be/ai-om-de-veiligheid-van-de-code-te-verbeteren-deel-1-veiligheid-van-de-gegenereerde-code/">https://www.smalsresearch.be/ai-om-de-veiligheid-van-de-code-te-verbeteren-deel-1-veiligheid-van-de-gegenereerde-code/</a></p>



<p class="wp-block-paragraph" id="_ref14">[14]&nbsp;&nbsp;&nbsp;&nbsp;&nbsp;&nbsp; N. Kanita, “La gestion de la dette technique dans le cadre des pratiques DevOps”, Université de Nantes, 2024. [Online]. Beschikbaar op: https://theses.hal.science/tel-04729051v1</p>



<p class="wp-block-paragraph" id="_ref15">[15]&nbsp;&nbsp;&nbsp;&nbsp;&nbsp;&nbsp; H. Dodd, “Prioritize technical debt with Gartner’s PAID model”, Gartner, G00845139, feb. 2026. Geraadpleegd: 18 maart 2026. [Online]. Beschikbaar op: <a href="https://www.gartner.com/document-reader/document/7426662?ref=solrAll&amp;refval=541411851&amp;">https://www.gartner.com/document-reader/document/7426662?ref=solrAll&amp;refval=541411851&amp;</a></p>



<p class="wp-block-paragraph" id="_ref16">[16]&nbsp;&nbsp;&nbsp;&nbsp;&nbsp;&nbsp; R. He, H. He, Y. Zhang, en M. Zhou, “Automating dependency updates in practice: An exploratory study on GitHub Dependabot”, 25 mei 2023, <em>arXiv</em>: arXiv:2206.07230. doi: 10.48550/arXiv.2206.07230.</p>



<p class="wp-block-paragraph" id="_ref17">[17]&nbsp;&nbsp;&nbsp;&nbsp;&nbsp;&nbsp; R. Naegle en R. Williams, “Triage IT technical debt accelerate remediation and funding”, Gartner, G00834636, okt. 2025.</p>



<p class="wp-block-paragraph" id="_ref18">[18]&nbsp;&nbsp;&nbsp;&nbsp;&nbsp;&nbsp; H. Dodd, “Expose hidden technical debt to prevent business disruptions”, Gartner, G00838758, okt. 2025.</p>



<p class="wp-block-paragraph" id="_ref19">[19]&nbsp;&nbsp;&nbsp;&nbsp;&nbsp;&nbsp; T. Egiazarov en T. Murphy, “Measure and monitor technical debt with 5 types of tools”, Gartner, G00818632, sep. 2024.</p>



<p class="wp-block-paragraph" id="_ref20">[20]&nbsp;&nbsp;&nbsp;&nbsp;&nbsp;&nbsp; A. Harrison, H. Dodd, en T. Egiazarov, “How to prioritise and sell technical debt remediation”, Gartner, G00836651, okt. 2025.</p>



<p class="wp-block-paragraph" id="_ref21">[21]&nbsp;&nbsp;&nbsp;&nbsp;&nbsp;&nbsp; A. Hodgkins, A. Sklavounakis, C. Geschickter, en R. Williams, “How CIOs can deliver value by managing software technical debt”, Gartner, G00826944, mei 2025.</p>



<p class="wp-block-paragraph" id="_ref22">[22]&nbsp;&nbsp;&nbsp;&nbsp;&nbsp;&nbsp; T. Kienast, A. Buschek, en N. Ralhan, “Deliver better value when implementing cloud enterprise applications”, Gartner, G00846604, feb. 2026. [Online]. Beschikbaar op: <a href="https://www.gartner.com/document-reader/document/7426662?ref=solrAll&amp;refval=541411851&amp;">https://www.gartner.com/document-reader/document/7426662?ref=solrAll&amp;refval=541411851&amp;</a></p>



<p class="wp-block-paragraph" id="_ref23">[23]&nbsp;&nbsp;&nbsp;&nbsp;&nbsp;&nbsp; H. Dodd, “Use code analysis tools to reduce technical debt and improve quality”, Gartner, G00813544, nov. 2024.</p>



<p class="wp-block-paragraph" id="_ref24">[24]&nbsp;&nbsp;&nbsp;&nbsp;&nbsp;&nbsp; L. Leong en A. Galimberti, “How CIOs can pragmatically accelerate their cloud migration”, Gartner, G00839050. [Online]. Beschikbaar op: <a href="https://www.gartner.com/document-reader/document/6973466">https://www.gartner.com/document-reader/document/6973466</a></p>



<p class="wp-block-paragraph" id="_ref25">[25]&nbsp;&nbsp;&nbsp;&nbsp;&nbsp;&nbsp; S. K. Panter en N. U. Eisty, “Technical lag as latent technical debt: A rapid review”, 16 januari 2026, <em>arXiv</em>: arXiv:2601.11693. doi: 10.48550/arXiv.2601.11693.</p>



<p class="wp-block-paragraph" id="_ref26">[26]&nbsp;&nbsp;&nbsp;&nbsp;&nbsp;&nbsp; “Understanding end-of-life software: A journey through software lifecycles”, HeroDevs Blog. Geraadpleegd: 4 mei 2026. [Online]. Beschikbaar op: <a href="https://www.herodevs.com/blog-posts/understanding-end-of-life-software-a-journey-through-software-lifecycles">https://www.herodevs.com/blog-posts/understanding-end-of-life-software-a-journey-through-software-lifecycles</a></p>



<p class="wp-block-paragraph" id="_ref27">[27]&nbsp;&nbsp;&nbsp;&nbsp;&nbsp;&nbsp; C. Sarhan, “Enterprise software upgrades: Modernization success guide”, Xobee Networks. Geraadpleegd: 4 juni 2026. [Online]. Beschikbaar op: <a href="https://xobee.com/2025/06/enterprise-software-upgrades-your-guide-to-modernization-success-in-2025-2/">https://xobee.com/2025/06/enterprise-software-upgrades-your-guide-to-modernization-success-in-2025-2/</a></p>



<p class="wp-block-paragraph"></p>



<p class="wp-block-paragraph">Voorpaginafoto door <em><a href="https://www.pexels.com/fr-fr/photo/ordinateur-retro-espace-de-rangement-espace-de-stockage-12093423/">sjjillan</a></em>.</p>
]]></content:encoded>
					
		
		
			</item>
		<item>
		<title>Dette technique : avantages de l’automatisation et recommandations</title>
		<link>https://www.smalsresearch.be/dette-technique-avantages-de-lautomatisation-et-recommandations/</link>
		
		<dc:creator><![CDATA[Fabien A. P. Petitcolas]]></dc:creator>
		<pubDate>Thu, 08 Oct 2026 07:00:00 +0000</pubDate>
				<category><![CDATA[[FR]]]></category>
		<category><![CDATA[Blog post]]></category>
		<category><![CDATA[Security]]></category>
		<category><![CDATA[software engineering]]></category>
		<category><![CDATA[technical debt]]></category>
		<guid isPermaLink="false">https://www.smalsresearch.be/?p=30114</guid>

					<description><![CDATA[Cet article présente les principaux outils, méthodes et bonnes pratiques permettant d’instaurer une véritable culture de mise à jour continue.]]></description>
										<content:encoded><![CDATA[
<p class="wp-block-paragraph"><em>Dit artikel is ook beschikbaar&nbsp;in het&nbsp;<a href="https://www.smalsresearch.be/technical-debt-voordelen-van-automatisering-en-aanbevelingen/">Nederlands</a>.</em></p>



<p class="wp-block-paragraph">Dans un <a href="https://www.smalsresearch.be/dette-technique-pourquoi-les-migrations-ne-doivent-plus-etre-des-projets-exceptionnels/">précédent article</a>, nous avons vu comment l’accumulation de dette technique et de retard technologique transforme progressivement les migrations logicielles en projets risqués, couteux et difficiles à justifier. Pourtant, les organisations ne peuvent plus se permettre de traiter les mises à jour comme des événements exceptionnels. Face à l’accélération des cycles de publication des fournisseurs, une approche plus continue et plus industrielle de la modernisation devient nécessaire.</p>



<p class="wp-block-paragraph">Heureusement, de nouveaux outils d’automatisation et d’intelligence artificielle permettent aujourd’hui de réduire l’effort associé aux montées de version, à la gestion des dépendances et au réusinage du code. Mais ces technologies introduisent également de nouveaux risques qui doivent être maitrisés.</p>



<p class="wp-block-paragraph">Cet article présente les principaux outils, méthodes et bonnes pratiques permettant d’instaurer une véritable culture de mise à jour continue.</p>



<h1 class="wp-block-heading"><a>Impact de l’IA</a></h1>



<p class="wp-block-paragraph">L’impact de l’intelligence artificielle (IA) sur la dette technique est double&nbsp;: si elle offre des capacités inédites pour détecter et rembourser la dette au niveau du code, elle agit également comme un catalyseur de l’augmentation massive de la dette architecturale&nbsp;[<a href="#_ref1">1</a>].</p>



<h2 class="wp-block-heading">Avantages de l’IA</h2>



<p class="wp-block-paragraph">L’IA peut améliorer la gestion de la dette technique en automatisant des tâches complexes et chronophages tout en réduisant le travail manuel répétitif mais il convient de valider rigoureusement tous les résultats générés par l’IA au moyen de tests effectués par des humains, en gardant à l’esprit que les outils actuels peuvent mal interpréter les interdépendances complexes des systèmes ou introduire des erreurs&nbsp;[<a href="#_ref2">2</a>].</p>



<p class="wp-block-paragraph">Par exemple, les premières démonstrations des outils de modernisation assistés par l’IA montrent leur capacité à migrer du code hérité vers des langages et des socles d’applications récents, laissant entrevoir un potentiel de réduction du travail manuel. Ils requièrent cependant une supervision humaine pour contrôler différentes étapes du cycle de vie de la modernisation&nbsp;[<a href="#_ref3">3</a>]. Des outils comme <a href="https://aws.amazon.com/q/developer/transform/" target="_blank" rel="noopener">Amazon Q Code Transform</a> utilisent l’IA générative pour analyser les projets hérités et appliquer automatiquement les changements nécessaires pour une montée en version&nbsp;[<a href="#_ref4">4</a>]. Selon Amazon, une équipe interne aurait ainsi réussi à migrer 1000 applications en production de Java 8 à Java&nbsp;17 en seulement deux jours&nbsp;[<a href="#_ref5">5</a>]. L’IA identifie les dépendances obsolètes, remplace le code déprécié par les nouveaux standards et corrige de manière itérative les erreurs de compilation jusqu’à obtenir une application fonctionnelle.</p>



<p class="wp-block-paragraph">Autre exemple&nbsp;: des modèles d’apprentissage automatique et de traitement du langage naturel ont été utilisés pour détecter la dette technique «&nbsp;auto-admise » dans les commentaires de code, les messages de <em>commit </em>ou les tickets Jira. Des robots peuvent désormais étiqueter automatiquement les problèmes de dette technique afin de faciliter leur priorisation [<a href="#_ref6">6</a>&#8211;<a href="#_ref8">8</a>].</p>



<p class="wp-block-paragraph">Les assistants de codage IA et les grands modèles de langage sont aujourd’hui jugés efficaces pour nettoyer la dette au niveau du code source (bogues, <em>code smells</em>, duplication). La société de conseil Gartner prévoit d’ailleurs qu’en raison de cette efficacité, la dette de code ne représentera plus qu’une part mineure de la dette totale d’ici 2027 [<a href="#_ref1">1</a>], [<a href="#_ref9">9</a>]. L’IA peut générer des cas de tests et identifier des modèles de défaillance. Des outils comme <a href="https://testsigma.com/" target="_blank" rel="noopener">Testsigma</a> utilisent l’IA pour mettre à jour automatiquement les scripts de test lorsque l’application change, réduisant ainsi la «&nbsp;dette de test&nbsp;»&nbsp;[<a href="#_ref7">7</a>], [<a href="#_ref10">10</a>]. L’IA permet aussi de renforcer l’analyse prédictive pour détecter des erreurs de configuration avant qu’elles n’impactent la stabilité du logiciel&nbsp;[<a href="#_ref11">11</a>].</p>



<p class="wp-block-paragraph">Enfin, l’IA transforme aussi la gestion des vulnérabilités (CVE)&nbsp;: des outils comme <a href="https://www.moderne.ai/solutions/scale-openrewrite" target="_blank" rel="noopener">Moderne</a> s’appuient sur des environnements de réusinage automatique (p. ex. <a href="https://github.com/openrewrite" target="_blank" rel="noopener">OpenRewrite</a>) pour appliquer des correctifs de sécurité et des montées de version de bibliothèques sur des milliers de dépôts de code simultanément.</p>



<h2 class="wp-block-heading">Risques de l’IA</h2>



<p class="wp-block-paragraph">Malgré ses bénéfices, l’IA introduit de nouveaux risques systémiques. Gartner estime que d’ici 2027, 80 % de la dette technique sera d’ordre architectural (contre 30 % en 2024)&nbsp;[<a href="#_ref9">9</a>] et que d’ici 2028, l’IA créera plus de dette architecturale qu’elle n’en résoudra [<a href="#_ref1">1</a>], [<a href="#_ref12">12</a>].</p>



<p class="wp-block-paragraph">L’adoption massive d’assistants d’IA accélère la création de code et risque de provoquer une prolifération de code non maitrisé (<em>code sprawl</em>) et d’augmenter les dépendances cachées, des dérives architecturales et une instabilité systémique. Enfin les agents de codage IA peuvent introduire des failles de sécurité, des secrets codés en dur ou des dépendances risquées&nbsp;[<a href="#_ref13">13</a>]. L’expérimentation rapide de l’IA par des équipes inexpérimentées ajoute enfin des couches de complexité aux plateformes d’intégration déjà lourdement endettées&nbsp;[<a href="#_ref12">12</a>].</p>



<p class="wp-block-paragraph">Tirer profit de l’IA exige donc un haut niveau d’expertise pour évaluer si l’IA «&nbsp;se trompe » et pour diriger ces technologies vers des solutions durables dans le temps. L’approche devrait rester centrée sur l’humain pour garder le contrôle sur l’exécution des outils&nbsp;[<a href="#_ref6">6</a>], [<a href="#_ref14">14</a>]. L’IA impose également de nouvelles exigences de gouvernance pour le code généré par la machine.</p>



<p class="wp-block-paragraph">Finalement, il semble que l’IA ne fait que déplacer le problème&nbsp;: elle résout en partie la dette de code «&nbsp;visible&nbsp;» mais multiplie la dette structurelle et invisible située sous la surface (architecture, processus, connaissances). Les années à venir nous en apprendront plus sur son impact réel.</p>



<h1 class="wp-block-heading"><a>Outils</a></h1>



<h2 class="wp-block-heading"><a></a><a>Modèle PAID</a></h2>



<p class="wp-block-paragraph">Le modèle <strong>PAID</strong> (Plan, Address, Ignore, Delay) de Gartner [<a href="https://www.smalsresearch.be/dette-technique-avantages-de-lautomatisation-et-recommandations/#_ref15">15</a>], est un outil structuré conçu pour aider les responsables de l’ingénierie logicielle à évaluer et à prioriser le remboursement de la dette technique. Le modèle est directement inspiré d’une évaluation de risque classique en proposant une matrice de notation basée sur trois dimensions&nbsp;: l’impact sur l’entreprise, la probabilité du risque et le cout de remédiation. Le cout doit tenir non seulement compte du cout direct (licences, contrats de maintenance, assistance technique) mais également des couts indirects (perte de productivité, risques de sécurité, écart de conformité, opportunités manquées).</p>



<p class="wp-block-paragraph">En classant les éléments de dette dans l’une des quatre catégories (planifier, traiter, ignorer ou retarder), les dirigeants peuvent transformer des problèmes techniques complexes en récits de valeur commerciale, facilitant ainsi l’obtention de budgets et l’alignement stratégique.</p>



<p class="wp-block-paragraph">La mise en œuvre de ce modèle repose sur un processus collaboratif en cinq étapes impliquant des équipes pluridisciplinaires, allant des architectes aux propriétaires de produits. L’outil permet de cartographier l’inventaire des applications et de générer des visualisations de données pour suivre l’évolution de la dette dans le temps. L’objectif final est de <strong>passer d’une gestion ponctuelle et réactive à une stratégie holistique</strong>, évitant ainsi l’accumulation de risques critiques qui pourraient paralyser l’innovation ou causer des interruptions de service majeurs.</p>



<h2 class="wp-block-heading"><a></a><a>OpenRewrite</a></h2>



<p class="wp-block-paragraph"><a href="https://github.com/openrewrite" target="_blank" rel="noopener">OpenRewrite</a> est un outil libre de réusinage automatisé du code source. Son objectif principal est d’aider les équipes à réduire la dette technique en appliquant des transformations prêtes à l’emploi pour des migrations de cadres logiciels, des correctifs de sécurité, des mises à niveau de dépendances et des harmonisations de style. La documentation officielle indique que ces transformations pourraient ramener un travail de plusieurs heures ou jours à quelques minutes.</p>



<h2 class="wp-block-heading"><a>Dependabot</a></h2>



<p class="wp-block-paragraph"><a href="https://docs.github.com/en/code-security/tutorials/secure-your-dependencies/dependabot-quickstart-guide" target="_blank" rel="noopener">Dependabot</a> est un outil intégré à GitHub qui aide à repérer puis mettre à jour automatiquement les dépendances d’un dépôt de code. La documentation officielle le présente comme un ensemble de fonctions destinées à trouver les dépendances vulnérables, à ouvrir automatiquement des propositions de modification pour corriger les failles connues, et à maintenir les dépendances à jour même hors contexte de sécurité.</p>



<p class="wp-block-paragraph">GitHub distingue trois fonctions principales dans Dependabot&nbsp;:</p>



<ul class="wp-block-list">
<li><em>Dependabot alerts</em>&nbsp;: des alertes qui signalent les dépendances vulnérables&nbsp;;</li>



<li><em>Dependabot security updates</em>&nbsp;: des mises à jour de sécurité automatiques qui ouvrent des propositions de modification pour corriger une vulnérabilité connue&nbsp;;</li>



<li><em>Dependabot version updates</em>&nbsp;: des mises à jour de version automatiques qui gardent les dépendances à jour, même sans vulnérabilité signalée.</li>
</ul>



<p class="wp-block-paragraph">En pratique, Dependabot s’appuie sur le graphe de dépendances du dépôt de code pour identifier les bibliothèques vulnérables ou obsolètes. Lorsqu’une vulnérabilité connue est détectée, une alerte apparait dans l’onglet de sécurité du dépôt, avec la dépendance concernée, la gravité, les versions touchées et, lorsqu’elle existe, une version corrigée.</p>



<p class="wp-block-paragraph">He et al.&nbsp;[<a href="https://www.smalsresearch.be/dette-technique-avantages-de-lautomatisation-et-recommandations/#_ref16">16</a>] ont évalué Dependabot sur plus de 1800 projets GitHub et auprès de 131 programmeurs afin de mesurer son efficacité pour automatiser la mise à jour de dépendances. Les résultats de l’étude sont contrastés. Dependabot contribue à réduire significativement le retard technique des projets et ses propositions de mise à jour (<em>pull requests</em>) sont acceptées dans plus de 70 % des cas, en particulier pour les correctifs de sécurité. L’outil est apprécié comme un mécanisme de veille et d’alerte sur les nouvelles versions disponibles. Toutefois, des limites importantes subsistent. L’une des fonctionnalités phares, son « score de compatibilité » ne suffit pas à rassurer les utilisateurs quant aux risques des mises à jour. De plus, le volume élevé de notifications générées pousse certaines équipes à limiter son usage voire à abandonner Dependabot au profit d’alternatives offrant des options de configuration plus fines ou des fonctionnalités de fusion automatique (auto-merge).</p>



<h1 class="wp-block-heading"><a>Recommandations</a></h1>



<p class="wp-block-paragraph">L’idéal est de pouvoir transformer la gestion de la dette technique d’un «&nbsp;simple&nbsp;» problème informatique en un levier de valeur stratégique en adoptant une découverte holistique des risques cachés (incluant la dette de connaissances et d’architecture) et en alignant systématiquement les efforts de remédiation sur les résultats métier de l’entreprise.</p>



<p class="wp-block-paragraph">Voici une les recommandations les plus importantes formulées dans différentes études et rapports ([<a href="#_ref1">1</a>], [<a href="#_ref12">12</a>], [<a href="#_ref14">14</a>], [<a href="https://www.smalsresearch.be/dette-technique-avantages-de-lautomatisation-et-recommandations/#_ref15">15</a>], [<a href="https://www.smalsresearch.be/dette-technique-avantages-de-lautomatisation-et-recommandations/#_ref17">17</a>&#8211;<a href="https://www.smalsresearch.be/dette-technique-avantages-de-lautomatisation-et-recommandations/#_ref24">24</a>])&nbsp;:.</p>



<ul class="wp-block-list">
<li><strong>Établir une gouvernance claire</strong>&nbsp;: la gestion d’un logiciel ne s’arrête pas le jour du lancement. Dès le début d’un projet, il faut définir dans les équipes techniques et métiers quelles personnes seront responsables d’analyser chaque mise à jour. Au-delà de cette définition des responsabilités, la formation d’une « coalition de guidage » composée d’ingénieurs principaux, d’architectes d’entreprise, de gestionnaires de produits et de cadres dirigeants métier, peut faciliter l’alignement systématique du financement de la dette technique sur la valeur réelle. Cette coalition devrait utiliser un modèle de triage pour classer les actifs en catégories telles que «&nbsp;profitables&nbsp;», «&nbsp;sous-performants&nbsp;», «&nbsp;hérités&nbsp;» ou «&nbsp;mauvais&nbsp;».</li>



<li><strong>Pratiquer le réusinage continu</strong>&nbsp;: le réusinage du code doit être intégré comme une étape continue du cycle de développement, et non comme une intervention de crise. Des outils tels qu’<a href="https://docs.openrewrite.org/concepts-and-explanations/lossless-semantic-trees" target="_blank" rel="noopener">OpenRewrite</a> offrent un moyen relativement simple de commencer à automatiser les opérations de réusinage et de correction.</li>



<li><strong>Ne pas subir les mises à jour</strong>&nbsp;: l’intégration des cycles de mise à jour imposés par les fournisseurs directement dans les plans de projet est une bonne pratique. Pour cela il est nécessaire de connaitre au mieux les changements à venir provenant de ces applications externes (par exemple en suivant leur feuille de route), tout comme être informé des dernières vulnérabilités publiées et des logiciels qu’elles impactent. Ces mises à jour ne peuvent être évitées et doivent faire l’objet d’une analyse d’impact pour prévenir toute dérive architecturale ou cout de re-développement tardif. Il convient de prévoir de la souplesse dans la planification des projets en allouant du temps spécifique pour tester les nouveautés et ajuster la conception si nécessaire, et de geler les changements en identifiant les moments critiques (comme juste avant le lancement) où aucune mise à jour ne doit être activée pour ne pas créer de bogues de dernière minute.</li>



<li><strong>Gérer l’obsolescence inévitable</strong>&nbsp;: l’adoption de stratégies de gestion proactive est jugée essentielle pour briser le cycle de l’inaction vis-à-vis des dépendances externes&nbsp;: notamment l’automatisation des mises à jour de dépendances et l’intégration de processus de vérification continue est recommandée&nbsp;[<a href="https://www.smalsresearch.be/dette-technique-avantages-de-lautomatisation-et-recommandations/#_ref25">25</a>] tout comme l’utilisation d’outils de suivi capables de détecter non seulement le retard technique, mais aussi l’effort nécessaire à la migration et les risques de sécurité associés. L’audit régulier des infrastructures et l’amélioration de la qualité des données des graphes de dépendances sont aussi des leviers indispensables permettant de réduire l’obsolescence&nbsp;[<a href="https://www.smalsresearch.be/dette-technique-avantages-de-lautomatisation-et-recommandations/#_ref25">25</a>]. Ce changement n’est pas seulement technique ; il représente une réinvention fondamentale de la livraison logicielle, perçue comme une évolution continue plutôt que comme une série d’événements de migration discrets et à haut risque&nbsp;[<a href="https://www.smalsresearch.be/dette-technique-avantages-de-lautomatisation-et-recommandations/#_ref26">26</a>].</li>



<li><strong>Combiner tests manuels et automatisés</strong>&nbsp;: l’automatisation est essentielle car elle aide à renforcer une culture de mise à jour en continu. Cependant l’automatisation ne remplace pas tout et des tests manuels restent nécessaires pour les scénarios complexes ou ergonomiques que les outils ne détectent pas. Par ailleurs les tests devraient représenter des scénarios métiers réels et pas seulement des tests de spécifications techniques&nbsp;[<a href="https://www.smalsresearch.be/dette-technique-avantages-de-lautomatisation-et-recommandations/#_ref27">27</a>].</li>



<li><strong>Intégrer la sécurité dès le départ (DevSecOps)</strong>&nbsp;: la sécurité ne doit pas être traitée en fin de cycle. Une approche proactive intégrant les équipes de sécurité le plus tôt possible dans le cycle de développement permet de limiter la « dette de sécurité ».</li>
</ul>



<h1 class="wp-block-heading"><a>Conclusion</a></h1>



<p class="wp-block-paragraph">La stratégie recommandée aujourd’hui pour le traitement de la dette technique repose sur l’adoption d’un cycle de mise à jour continu, soutenu par des pipelines d’intégrations et de livraison (CI/CD) robustes et des stratégies de déploiement sécurisées. La standardisation via des modèles de référence, permettant de mutualiser l’effort de qualification des nouvelles versions au niveau de la plateforme plutôt qu’au niveau de chaque application contribue aussi à faciliter les migrations. Enfin, l’intégration de l’IA dans les processus de migration représente l’opportunité la plus significative de cette décennie. En automatisant une grande partie du réusinage de code et de la gestion des dépendances, l’IA permet de réallouer la capacité d’innovation humaine vers la création de valeur métier, tout en maintenant un socle technologique toujours à l’état de l’art.</p>



<p class="wp-block-paragraph">En résumé, la meilleure méthode aujourd’hui consiste à passer d’une posture réactive (réparer quand «&nbsp;ça casse&nbsp;») à une posture préventive et intégrée (maintenir la fraicheur logicielle comme une routine opérationnelle). La question n’est alors plus de savoir s’il faut migrer, mais comment automatiser ces migrations pour qu’elles deviennent invisibles.</p>



<p class="wp-block-paragraph"></p>



<p class="wp-block-paragraph"><em>Cet article s’appuie sur une revue de la littérature, des rapports d’analystes, des publications académiques ainsi que sur la documentation des outils cités. Les produits mentionnés n’ont pas fait l’objet de tests dans le cadre de cette étude.</em></p>



<h1 class="wp-block-heading">Références</h1>



<p class="wp-block-paragraph" id="_ref1">[1]&nbsp;&nbsp;&nbsp;&nbsp;&nbsp;&nbsp;&nbsp; T. Egiazarov, A. Harrison, et H. Dodd, «&nbsp;Market guide for technical debt management tools&nbsp;», Gartner, G00842044, avr. 2026.</p>



<p class="wp-block-paragraph" id="_ref2">[2]&nbsp;&nbsp;&nbsp;&nbsp;&nbsp;&nbsp;&nbsp; H. Cook, M. Miraz, A. Rosenbaum, R. Ramakrishnan, et M. Gonzales, «&nbsp;How to reduce risk in high‐stakes database migrations&nbsp;», G00844526, févr. 2026. [En ligne]. Disponible sur: <a href="https://www.gartner.com/document-reader/document/7474226">https://www.gartner.com/document-reader/document/7474226</a></p>



<p class="wp-block-paragraph" id="_ref3">[3]&nbsp;&nbsp;&nbsp;&nbsp;&nbsp;&nbsp;&nbsp; P. L. Narasimha, «&nbsp;Innovation insight: AI-augmented code modernization tools&nbsp;», Gartner, G00836092, oct. 2025. [En ligne]. Disponible sur: <a href="https://www.gartner.com/document-reader/document/7027398">https://www.gartner.com/document-reader/document/7027398</a></p>



<p class="wp-block-paragraph" id="_ref4">[4]&nbsp;&nbsp;&nbsp;&nbsp;&nbsp;&nbsp;&nbsp; <em>Streamline Java application upgrades with Amazon Q code transformation: automated analysis and execution</em>, (22 novembre 2024). Consulté le: 4 juin 2026. [En ligne Vidéo]. Disponible sur: <a href="https://aws.amazon.com/video/watch/b63f5ac8a48/">https://aws.amazon.com/video/watch/b63f5ac8a48/</a></p>



<p class="wp-block-paragraph" id="_ref5">[5]&nbsp;&nbsp;&nbsp;&nbsp;&nbsp;&nbsp;&nbsp; «&nbsp;Upgrade your Java applications with Amazon Q code transformation (preview)&nbsp;», AWS News Blog. Consulté le: 4 juin 2026. [En ligne]. Disponible sur: <a href="https://aws.amazon.com/blogs/aws/upgrade-your-java-applications-with-amazon-q-code-transformation-preview/">https://aws.amazon.com/blogs/aws/upgrade-your-java-applications-with-amazon-q-code-transformation-preview/</a></p>



<p class="wp-block-paragraph" id="_ref6">[6]&nbsp;&nbsp;&nbsp;&nbsp;&nbsp;&nbsp;&nbsp; J. P. Biazotto, D. Feitosa, P. Avgeriou, et E. Y. Nakagawa, «&nbsp;Understanding practitioners’ reasoning and requirements for efficient tool support in technical debt management&nbsp;», <em>Empir. Softw. Eng.</em>, vol. 30, n<sup>o</sup> 5, p. 134, sept. 2025, doi: 10.1007/s10664-025-10691-5.</p>



<p class="wp-block-paragraph" id="_ref7">[7]&nbsp;&nbsp;&nbsp;&nbsp;&nbsp;&nbsp;&nbsp; S. A. Binta, S. Kaushal, et S. B. Pandi, «&nbsp;Artificial intelligence for technical debt management in software development&nbsp;», 16 juin 2023. [En ligne]. Disponible sur: <a href="https://arxiv.org/abs/2306.10194">https://arxiv.org/abs/2306.10194</a></p>



<p class="wp-block-paragraph" id="_ref8">[8]&nbsp;&nbsp;&nbsp;&nbsp;&nbsp;&nbsp;&nbsp; Z. Guo <em>et al.</em>, «&nbsp;How far have we progressed in identifying self-admitted technical debts? A comprehensive empirical study&nbsp;», <em>ACM Trans. Softw. Eng. Methodol.</em>, vol. 30, n<sup>o</sup> 4, p. 1‑56, oct. 2021, doi: 10.1145/3447247.</p>



<p class="wp-block-paragraph" id="_ref9">[9]&nbsp;&nbsp;&nbsp;&nbsp;&nbsp;&nbsp;&nbsp; T. Egiazarov, A. Harrison, T. Murphy, A. Thomas, H. Dodd, et A. Hodgkins, «&nbsp;How to manage architectural technical debt&nbsp;», Gartner, G00819382, nov. 2024.</p>



<p class="wp-block-paragraph" id="_ref10">[10]&nbsp;&nbsp;&nbsp;&nbsp;&nbsp;&nbsp; A. Chiddarwar, «&nbsp;Tools and techniques for managing technical debt&nbsp;», Tampere University, 2024.</p>



<p class="wp-block-paragraph" id="_ref11">[11]&nbsp;&nbsp;&nbsp;&nbsp;&nbsp;&nbsp; B. Jouda, N. Owies, et I. Atoum, «&nbsp;Software configuration management in evolutionary processes: tools and best practices&nbsp;».</p>



<p class="wp-block-paragraph" id="_ref12">[12]&nbsp;&nbsp;&nbsp;&nbsp;&nbsp;&nbsp; A. Humphreys, S. Pasricha, et K. Guttridge, «&nbsp;How to manage and reduce integration technical debt&nbsp;», Gartner, G00838235, oct. 2025.</p>



<p class="wp-block-paragraph" id="_ref13">[13]&nbsp;&nbsp;&nbsp;&nbsp;&nbsp;&nbsp; F. A. P. Petitcolas, «&nbsp;L’IA pour améliorer la sécurité du code ? (Partie 1 : sécurité du code généré)&nbsp;», Smals Research. Consulté le: 30 avril 2026. [En ligne]. Disponible sur: <a href="https://www.smalsresearch.be/ia-pour-ameliorer-securite-du-code-1/">https://www.smalsresearch.be/ia-pour-ameliorer-securite-du-code-1/</a></p>



<p class="wp-block-paragraph" id="_ref14">[14]&nbsp;&nbsp;&nbsp;&nbsp;&nbsp;&nbsp; N. Kanita, «&nbsp;La gestion de la dette technique dans le cadre des pratiques DevOps&nbsp;», Université de Nantes, 2024.</p>



<p class="wp-block-paragraph" id="_ref15">[15]&nbsp;&nbsp;&nbsp;&nbsp;&nbsp;&nbsp; H. Dodd, «&nbsp;Prioritize technical debt with Gartner’s PAID model&nbsp;», Gartner, G00845139, févr. 2026. Consulté le: 18 mars 2026. [En ligne]. Disponible sur: <a href="https://www.gartner.com/document-reader/document/7426662?ref=solrAll&amp;refval=541411851&amp;">https://www.gartner.com/document-reader/document/7426662?ref=solrAll&amp;refval=541411851&amp;</a></p>



<p class="wp-block-paragraph" id="_ref16">[16]&nbsp;&nbsp;&nbsp;&nbsp;&nbsp;&nbsp; R. He, H. He, Y. Zhang, et M. Zhou, «&nbsp;Automating dependency updates in practice: An exploratory study on GitHub Dependabot&nbsp;», 25 mai 2023, <em>arXiv</em>: arXiv:2206.07230. doi: 10.48550/arXiv.2206.07230.</p>



<p class="wp-block-paragraph" id="_ref17">[17]&nbsp;&nbsp;&nbsp;&nbsp;&nbsp;&nbsp; R. Naegle et R. Williams, «&nbsp;Triage IT technical debt accelerate remediation and funding&nbsp;», Gartner, G00834636, oct. 2025.</p>



<p class="wp-block-paragraph" id="_ref18">[18]&nbsp;&nbsp;&nbsp;&nbsp;&nbsp;&nbsp; H. Dodd, «&nbsp;Expose hidden technical debt to prevent business disruptions&nbsp;», Gartner, G00838758, oct. 2025.</p>



<p class="wp-block-paragraph" id="_ref19">[19]&nbsp;&nbsp;&nbsp;&nbsp;&nbsp;&nbsp; T. Egiazarov et T. Murphy, «&nbsp;Measure and monitor technical debt with 5 types of tools&nbsp;», Gartner, G00818632, sept. 2024.</p>



<p class="wp-block-paragraph" id="_ref20">[20]&nbsp;&nbsp;&nbsp;&nbsp;&nbsp;&nbsp; A. Harrison, H. Dodd, et T. Egiazarov, «&nbsp;How to prioritise and sell technical debt remediation&nbsp;», Gartner, G00836651, oct. 2025.</p>



<p class="wp-block-paragraph" id="_ref21">[21]&nbsp;&nbsp;&nbsp;&nbsp;&nbsp;&nbsp; A. Hodgkins, A. Sklavounakis, C. Geschickter, et R. Williams, «&nbsp;How CIOs can deliver value by managing software technical debt&nbsp;», Gartner, G00826944, mai 2025.</p>



<p class="wp-block-paragraph" id="_ref22">[22]&nbsp;&nbsp;&nbsp;&nbsp;&nbsp;&nbsp; T. Kienast, A. Buschek, et N. Ralhan, «&nbsp;Deliver better value when implementing cloud enterprise applications&nbsp;», Gartner, G00846604, févr. 2026. [En ligne]. Disponible sur: <a href="https://www.gartner.com/document-reader/document/7426662?ref=solrAll&amp;refval=541411851&amp;">https://www.gartner.com/document-reader/document/7426662?ref=solrAll&amp;refval=541411851&amp;</a></p>



<p class="wp-block-paragraph" id="_ref23">[23]&nbsp;&nbsp;&nbsp;&nbsp;&nbsp;&nbsp; H. Dodd, «&nbsp;Use code analysis tools to reduce technical debt and improve quality&nbsp;», Gartner, G00813544, nov. 2024.</p>



<p class="wp-block-paragraph" id="_ref24">[24]&nbsp;&nbsp;&nbsp;&nbsp;&nbsp;&nbsp; L. Leong et A. Galimberti, «&nbsp;How CIOs can pragmatically accelerate their cloud migration&nbsp;», Gartner, G00839050. [En ligne]. Disponible sur: <a href="https://www.gartner.com/document-reader/document/6973466">https://www.gartner.com/document-reader/document/6973466</a></p>



<p class="wp-block-paragraph" id="_ref25">[25]&nbsp;&nbsp;&nbsp;&nbsp;&nbsp;&nbsp; S. K. Panter et N. U. Eisty, «&nbsp;Technical lag as latent technical debt: A rapid review&nbsp;», 16 janvier 2026, <em>arXiv</em>: arXiv:2601.11693. doi: 10.48550/arXiv.2601.11693.</p>



<p class="wp-block-paragraph" id="_ref26">[26]&nbsp;&nbsp;&nbsp;&nbsp;&nbsp;&nbsp; «&nbsp;Understanding end-of-life software: A journey through software lifecycles&nbsp;», HeroDevs Blog. Consulté le: 4 mai 2026. [En ligne]. Disponible sur: <a href="https://www.herodevs.com/blog-posts/understanding-end-of-life-software-a-journey-through-software-lifecycles">https://www.herodevs.com/blog-posts/understanding-end-of-life-software-a-journey-through-software-lifecycles</a></p>



<p class="wp-block-paragraph" id="_ref27">[27]&nbsp;&nbsp;&nbsp;&nbsp;&nbsp;&nbsp; C. Sarhan, «&nbsp;Enterprise software upgrades: Modernization success guide&nbsp;», Xobee Networks. Consulté le: 4 juin 2026. [En ligne]. Disponible sur: <a href="https://xobee.com/2025/06/enterprise-software-upgrades-your-guide-to-modernization-success-in-2025-2/">https://xobee.com/2025/06/enterprise-software-upgrades-your-guide-to-modernization-success-in-2025-2/</a></p>



<p class="wp-block-paragraph"></p>



<p class="wp-block-paragraph">Photographie de couverture&nbsp;par <a href="https://www.pexels.com/fr-fr/photo/ordinateur-retro-espace-de-rangement-espace-de-stockage-12093423/"><em>sjjillan</em></a>.</p>
]]></content:encoded>
					
		
		
			</item>
	</channel>
</rss>
