Stage - Mise en Place d'Un Llm Local pour la Recherche de Vulnérabilités Cyber H/F

Safran Electronics & Defense, société de haute technologie, est leader mondial de solutions et de services en optronique, avionique, électronique et logiciels critiques, pour les marchés civils et de défense.
Safran Electronics & Defense développe l'ensemble des systèmes d'électronique embarqués sur les avions et les hélicoptère

En tant que stagiaire, vous serez intégré(e) à l'équipe Cybersécurité offensive - Produits embarqués de Safran, vous contribuerez à la conception et au déploiement d'un assistant IA local destiné à appuyer les ingénieurs cybersécurité dans leurs activités de recherche de vulnérabilités.

L'objectif du stage est de :

- Faire un benchmark des différents modèles de langage open-weight les plus adaptés aux tâches cybersécurité ciblées,
- Développer un ou plusieurs agents IA capables d'orchestrer des outils internes (analyseurs statiques, bases de vulnérabilités, lecture de fichiers, exécution d'outils en sandbox) au service de l'évaluateur,
- Évaluer la pertinence d'une spécialisation des modèles (fine-tuning, LoRA et/ou RAG) sur des données internes ou publiques.

Encadré(e) par des ingénieurs expérimentés en cybersécurité offensive, vos principales missions seront de :

- Analyser les besoins métier auprès des évaluateurs cybersécurité : identifier les tâches à fort potentiel d'automatisation (audit de code, recherche de CVE, Fuzzing, Rédaction de PoC, etc...) et formaliser les cas d'usage prioritaires.
- Définir un protocole de benchmark des LLMs open-weight : construire un jeu de tests représentatif des tâches cyber identifiées, définir les métriques (précision, taux d'hallucination, latence, consommation mémoire/GPU...).
- Mettre en place l'infrastructure d'inférence locale : déploiement d'un moteur d'inférence (Ollama, vLLM, llama.cpp ou équivalent), exposition via API interne.
- Concevoir et développer un ou plusieurs agents IA capables de :
- Raisonner sur du code source ou des binaires,
- Interagir avec des outils externes (analyseurs statiques type Semgrep, bases CVE/CWE/MITRE ATT&CK...),
- Structurer leurs résultats (chaînes de raisonnement, niveaux de confiance) pour rester auditables par l'évaluateur.
- Évaluer la pertinence d'une spécialisation des modèles :
- Construire un dataset cyber à partir de sources internes ou publiques (rapports de pentest anonymisés, write-ups, CVE),
- Mettre en oeuvre des techniques d'adaptation de modèles open-weight (fine-tuning, LoRA et/ou RAG) et mesure du gain par rapport au modèle de base.
- Intégrer la solution dans l'environnement de travail des évaluateurs (CLI, plugin IDE, ou interface Web légère selon les besoins identifiés).
- Documenter les choix d'architecture, les résultats du benchmark, et produire un guide d'utilisation.