Tandis que l'IA est de plus en plus utilisée dans l'industrie pour des tâches critiques, la confiance
accordée à ces systèmes exige une analyse approfondie de leurs vulnérabilités. Avec l'émergence de
menaces sans précédent, des attaques sur les données jusqu'à celles du modèle lui-même, il devient
évident qu'il est nécessaire de mettre en place des mécanismes de défense solides. Dans cet exposé,
nous abordons une question de recherche centrale : comment éliminer les effets d'une attaque sur un
modèle d'apprentissage profond sans nécessiter le réentraînement de celui-ci à partir de zéro ? Cela
devient de plus en plus critique avec l'explosion du volume de données, et le droit à l'oubli, que ce soit
légal ou éthique, signale également la nécessité de telles mesures. Notre travail fait partie de l'effort
pour envisager et mettre en œuvre des solutions en la matière. Ainsi, nous cherchons à développer
une méthode efficace basée sur le désapprentissage, ou machine unlearning, pour garantir la sécurité
et la conformité tout en préservant les performances des systèmes d'apprentissage concernés.