El autor presenta IntelShed, un sistema de código abierto para inteligencia de código abierto (OSINT) que agrega 50 fuentes de datos públicas para producir informes de seguridad automatizados de 24 horas. La arquitectura integra recuperación híbrida, resolución de entidades basada en GNN, aprendizaje federado con privacidad diferencial y orquestación multiagente compilada por LLM.

  • La recuperación híbrida utiliza pgvector HNSW, tsvector GIN, fusión de rango recíproco y un reordenador cruzado BGE sobre ~2.000 fragmentos indexados en PostgreSQL 16.
  • La resolución de entidades emplea el esquema FollowTheMoney con ~142k entidades y 173k aristas, utilizando Splink para coincidencia probabilística y enlaces predichos por GNN.
  • El pipeline GNN incluye GAT para correlación, un predictor T-GCN para predicciones de 24 horas y GNNExplainer para atribución.
  • El aprendizaje federado implementa FedAvg con DP-SGD, actualmente probado en un nodo de GPU único pero planificado para intercambio entre dos nodos.
  • Una capa de confianza aplica adjudicación bayesiana bilateral de fuentes con límites de corroboración, reduciendo la tasa del 100% al 16.8%.
  • La orquestación multiagente cuenta con un flujo de trabajo de 8 fases con detección de bucles y un módulo "Vibe Graphing" que compila consultas en lenguaje natural en gráficos de ejecución.

El autor busca comentarios y contribuciones de la comunidad, solicitando específicamente benchmarks independientes para la calidad de la recuperación, revisiones de seguridad de la superficie de herramientas MCP, validación del aprendizaje federado con intercambio de gradientes entre múltiples nodos y evaluación estadística de la metodología de puntuación de confianza bayesiana.