Afin de renforcer le respect de la vie privée des usagers, nous pourrons exploiter une approche d'apprentissage fédérée et déléguer la collecte et la détection locale aux clients de la solution API. Nous souhaitons également que notre approche soit robuste afin de minimiser le nombre de faux positifs qui peut exploser dans un environnement où les requêtes sont très nombreuses. Nous envisageons l'usage d'apprentissage contradictoire (adversarial ML) et de méthodes d'IA explicative (XAI), mais aussi d'Open Set Learning, pour réduire le taux de faux positifs. Ces méthodes peuvent être plus ou moins coûteuses et induire des délais pouvant perturber un apprentissage fédéré. Dans un premier temps, nous nous permettrons de réaliser un apprentissage hors ligne comme dans un système de détection d'intrusion classique, où les alertes sont traitées par un système de collecte d'événements et d'incidents de sécurité (SIEM). Puis, dans un second temps, nous chercherons à optimiser notre chaîne d'apprentissage afin de réduire ces délais et fournir une détection proche du temps-réel, permettant la réaction. La réaction pourra être précise si nous sommes en capacité d'apprendre de nouvelles classes d'attaques. La validation de la pertinence et de la faisabilité de l'approche fédérée (voire contrastive) se fera non seulement vis à vis de métriques habituelles de performance en matière de détection, mais également à l'aune des coûts induits par le déploiement distribué (passage à l'échelle), ainsi que par rapport aux clients finaux de la solution (préservation de la vie privée).