L'auteur présente IntelShed, un système open-source pour le renseignement d'origine ouverte (OSINT) qui agrège 50 flux de données publics pour produire des briefings de sécurité automatisés sur 24 heures. L'architecture intègre la récupération hybride, la résolution d'entités par GNN, l'apprentissage fédéré avec confidentialité différentielle et l'orchestration multi-agents compilée par LLM.
- La récupération hybride utilise pgvector HNSW, tsvector GIN, la fusion de rang réciproque et un reranker cross-encoder BGE sur ~2 000 chunks indexés dans PostgreSQL 16.
- La résolution d'entités emploie le schéma FollowTheMoney avec ~142k entités et 173k arêtes, utilisant Splink pour la correspondance probabiliste et les liens prédits par GNN.
- Le pipeline GNN inclut GAT pour la corrélation, un prédictif T-GCN pour les prédictions sur 24 heures et GNNExplainer pour l'attribution.
- L'apprentissage fédéré implémente FedAvg avec DP-SGD, actuellement testé sur un nœud GPU unique mais prévu pour un échange à deux nœuds.
- Une couche de confiance applique une adjudication bayésienne bidirectionnelle des sources avec des plafonds de corroboration, réduisant le taux de 100 % à 16,8 %.
- L'orchestration multi-agents propose un flux de travail en 8 phases avec détection de boucle et un module « Vibe Graphing » qui compile les requêtes en langage naturel en graphes d'exécution.
L'auteur sollicite les retours et contributions de la communauté, demandant spécifiquement des benchmarks indépendants pour la qualité de la récupération, des revues de sécurité de la surface d'outils MCP, la validation de l'apprentissage fédéré avec échange de gradients multi-nœuds et une évaluation statistique de la méthodologie de notation de confiance bayésienne.