<?xml version="1.0" encoding="utf-8" standalone="yes"?><rss version="2.0" xmlns:atom="http://www.w3.org/2005/Atom"><channel><title>Sécurité on EloNeva</title><link>https://eloneva.com/categories/s%C3%A9curit%C3%A9/</link><description>Recent content in Sécurité on EloNeva</description><generator>Hugo</generator><language>fr</language><managingEditor>contact@eloneva.com (EloNeva)</managingEditor><webMaster>contact@eloneva.com (EloNeva)</webMaster><lastBuildDate>Mon, 18 May 2026 00:00:00 +0000</lastBuildDate><atom:link href="https://eloneva.com/categories/s%C3%A9curit%C3%A9/rss.xml" rel="self" type="application/rss+xml"/><item><title>Chat AI WinDev 2026 : prévenir la fuite de données sensibles</title><link>https://eloneva.com/blog/windev-2026-chat-ai-sensitive-information-disclosure/</link><pubDate>Mon, 18 May 2026 00:00:00 +0000</pubDate><author>contact@eloneva.com (EloNeva)</author><guid>https://eloneva.com/blog/windev-2026-chat-ai-sensitive-information-disclosure/</guid><description>&lt;p&gt;Ce guide couvre le risque OWASP LLM02 (Sensitive Information Disclosure) dans le champ Chat IA de WinDev 2026. Il montre comment sécuriser le system prompt, filtrer les réponses du modèle en WLangage avant affichage, et isoler les données HFSQL Client/Serveur via une vue dédiée. Les exemples sont testés avec WinDev 2026, OpenAI gpt-4o et Azure OpenAI. Le risque LLM02 est distinct de la prompt injection (LLM01) : ce n&amp;rsquo;est pas une attaque sur le modèle, c&amp;rsquo;est une fuite par le modèle.&lt;/p&gt;</description></item><item><title>WinDev 2026 Chat IA : protéger ses prompts des injections</title><link>https://eloneva.com/blog/windev-2026-securiser-chat-ai-prompt-injection/</link><pubDate>Mon, 11 May 2026 00:00:00 +0000</pubDate><author>contact@eloneva.com (EloNeva)</author><guid>https://eloneva.com/blog/windev-2026-securiser-chat-ai-prompt-injection/</guid><description>&lt;p&gt;WinDev 2026 introduit le champ Chat IA, un contrôle natif pour intégrer un LLM dans une application métier. Sans filtrage, n&amp;rsquo;importe quel utilisateur peut contourner le system prompt via une injection de prompt. Cet article implémente deux niveaux de protection en WLangage : un filtre regex rapide (moins de 1 ms, sans API externe), puis le classificateur ML deepset/deberta-v3-prompt-injection via l&amp;rsquo;API HuggingFace Inference (92%+ de détection). La stratégie combinée cascade regex puis ML donne la meilleure couverture pour un coût réseau minimal.&lt;/p&gt;</description></item></channel></rss>