Penulis menyajikan IntelShed, sebuah sistem sumber terbuka untuk intelijen sumber terbuka (OSINT) yang mengagregasi 50 umpan data publik untuk menghasilkan ringkasan keamanan otomatis selama 24 jam. Arsitektur ini mengintegrasikan pengambilan hibrida, resolusi entitas berbasis GNN, pembelajaran terdesentralisasi dengan privasi diferensial, dan orkestrasi agen-multi yang dikompilasi oleh LLM.

  • Pengambilan hibrida menggunakan pgvector HNSW, tsvector GIN, fusi peringkat timbal balik, dan reranker cross-encoder BGE pada ~2.000 potongan terindeks di PostgreSQL 16.
  • Resolusi entitas memanfaatkan skema FollowTheMoney dengan ~142k entitas dan 173k tepi, menggunakan Splink untuk pencocokan probabilistik dan tautan yang diprediksi oleh GNN.
  • Pipa GNN mencakup GAT untuk korelasi, peramal T-GCN untuk prediksi 24 jam, dan GNNExplainer untuk atribusi.
  • Pembelajaran terdesentralisasi mengimplementasikan FedAvg dengan DP-SGD, saat ini diuji pada satu node GPU tetapi direncanakan untuk pertukaran dua node.
  • Lapisan kepercayaan menerapkan adjudikasi sumber Bayesian dua sisi dengan batas konfirmasi, mengurangi tingkat dari 100% menjadi 16,8%.
  • Orkestrasi agen-multi memiliki alur kerja 8 fase dengan deteksi loop dan modul "Vibe Graphing" yang mengompilasi kueri bahasa alami ke dalam grafik eksekusi.

Penulis mencari umpan balik dan kontribusi dari komunitas, khususnya meminta benchmark independen untuk kualitas pengambilan, tinjauan keamanan pada permukaan alat MCP, validasi pembelajaran terdesentralisasi dengan pertukaran gradien multi-node, serta evaluasi statistik metodologi penilaian kepercayaan Bayesian.