Disponible
Me contacter

Projet 02 — Prototype · TODO(hugo): confirmer l’année du projet.

MailSavior

Intégrer un modèle de phishing dans un vrai parcours métier.

MailSavior sur Windows : analyse d’un e-mail fictif suspect avec verdict, score de suspicion et signaux détectés.
Un verdict. Des raisons. L’analyse d’un e-mail par le moteur IA local.
Équipe de 3 · TODO(hugo): préciser votre rôle et votre part du travail.Cybersécurité · Logiciel · ÉquipeScikit-learn · FastAPI · C# WPF · GitHub Actions

Le projet

Une application interne qui analyse le contenu d’un e-mail, estime son niveau de risque et restitue le résultat dans une interface Windows exploitable.

01

Le problème

Un score de modèle isolé ne suffit pas : l’utilisateur doit pouvoir soumettre un mail, comprendre le résultat et signaler une erreur pour améliorer le système.

02

La réponse

MailSavior combine un pipeline TF-IDF + régression logistique, une API FastAPI et une interface WPF avec authentification, historique et feedback.

Captures du projet

Détail réel du verdict MailSavior : demande d’identifiants, pression temporelle, vérification du compte et incitation à cliquer.
Le signal derrière l’alerte : comprendre les raisons du verdict.
Analyse réelle d’un e-mail fictif de réunion : MailSavior affiche un risque très faible et ne repère aucun signal suspect.
Distinguer l’alerte du message ordinaire : un e-mail légitime et son résultat d’analyse.
Historique MailSavior de 13 retours de démonstration et confirmation d’un avis ; le corps des messages n’est pas conservé.
Votre avis laisse une trace. Pas l’e-mail. Historique et confirmation sur des données fictives ; les taux affichés ne mesurent pas la performance générale du modèle.

Évaluation

TODO(hugo): fournir précision, rappel, F1, taille du jeu de données et protocole de test.

80/20séparation entraînement / test
3membres dans l’équipe
2routes API principales

Ma contribution

Ma contribution

  1. 01

    Préparation et séparation des données d’entraînement et de test.

  2. 02

    Entraînement du pipeline TF-IDF + régression logistique avec scikit-learn.

  3. 03

    Exposition du modèle via une API FastAPI documentée.

  4. 04

    Intégration avec l’application C# WPF et gestion des retours utilisateurs.

  5. 05

    Ajout de tests, supervision et automatisation GitHub Actions.

Architecture

Architecture

01E-mail
02Nettoyage
03TF-IDF
04Régression logistique
05API FastAPI
06Interface WPF
07Feedback

Résultat

Résultat

01

Interface Windows documentée par quatre visuels : analyse, signaux détectés, message légitime et retours utilisateurs.

Projet suivantMobilité · Application mobile · ÉquipeHopli