AI-translated from English; not yet reviewed by a fluent editor. # DeepMind et GovTech détaillent un détecteur d'arnaques embarqué > DeepMind et GovTech Singapour décrivent un détecteur d'arnaques en deux étapes sur téléphone : un filtrage rapide des messages, puis l'analyse d'une conversation par Gemma. Son déploiement et ses résultats restent inconnus. By BIG CHANGE Editorial Published: 2026-10-14T23:06:16.961Z Updated: 2026-10-14T23:06:16.961Z Canonical: https://bigchange.ai/blog/deepmind-singapore-on-device-scam-detection ![Conceptual charcoal illustration of one person pausing over a blank-screen smartphone beside a window.](https://bigchange.ai/api/media/file/deepmind-scam-message-pause-hero-v1.png) AI-generated conceptual illustration by BIG CHANGE. A person pauses over a phone; no released app, actual warning, detected scam or tested result is depicted. Google DeepMind et l'Agence gouvernementale pour la technologie de Singapour (GovTech) ont annoncé le 14 octobre un modèle qui repère les manipulations dans les conversations par messages sur un téléphone. Son architecture soumet les messages ordinaires à un premier contrôle rapide et transmet ceux qui semblent suspects à un modèle Gemma ajusté, pour une analyse plus approfondie. Les partenaires décrivent un moyen d'avertir une personne pendant une conversation sans envoyer celle-ci à un serveur pour analyse. Ils n'ont annoncé ni lancement grand public ni résultats de détection. ## Le grand changement - **Ce qui change :**DeepMind et GovTech ont décrit un détecteur d'arnaques sur appareil, en deux étapes : un classificateur léger filtre les messages entrants, puis un modèle Gemma ajusté examine davantage la conversation si le premier filtre signale un risque. Une menace détectée déclenche un avertissement sur le téléphone. - **Pourquoi c'est important :**Cette architecture vise à repérer les manipulations dans les conversations privées tout en gardant l'inférence sur l'appareil. La première étape limite aussi le recours au modèle contextuel, plus exigeant. Ce sont des choix de conception décrits par les partenaires, et non des résultats mesurés de confidentialité, d'autonomie ou de prévention des fraudes. - **À surveiller :**La voie de lancement, les appareils compatibles et des tests publiés sur les arnaques manquées, les fausses alertes, la rapidité et la consommation d'énergie permettraient d'évaluer le modèle hors des travaux rapportés par ses partenaires. L'annonce ne fournit aucun de ces éléments. ## Un premier filtre avant l'analyse de la conversation Dans [la présentation du projet par DeepMind](https://deepmind.google/blog/on-device-ai-scam-detection-mddi/), un classificateur léger filtre les messages entrants en consommant peu d'énergie. Un message jugé bénin s'arrête là. Un risque potentiel déclenche l'analyse d'un extrait plus large de la conversation par un modèle Gemma ajusté, qui écarte le soupçon ou émet une alerte à l'arnaque. L'avertissement conseille de faire une pause avant d'envoyer de l'argent ou des informations sensibles. La seconde étape compte, car un message isolé ne révèle pas toujours la manipulation qui se développe au fil d'une conversation. DeepMind indique que le modèle a été ajusté sur des conversations locales liées à des arnaques par usurpation d'institutions publiques, de banques et de personnalités locales, ainsi qu'à des stratagèmes régionaux. L'entreprise ne précise ni la version ou la taille exacte de Gemma, ni l'architecture du premier classificateur, la proportion de messages transmis à la seconde étape ou le seuil d'alerte. Sans ces éléments, il est impossible d'évaluer le compromis entre consommation et précision à partir de la seule annonce. DeepMind présente le système comme destiné aux services de messagerie chiffrée de bout en bout. Dans ce contexte, un service ne peut pas simplement examiner le contenu des messages chiffrés sur ses serveurs. Les partenaires affirment que leur modèle traite la conversation sur l'appareil. Cette affirmation porte sur le parcours d'inférence proposé ; la publication ne fournit ni audit indépendant de confidentialité ni spécification des données qu'une éventuelle application pourrait collecter par d'autres fonctions. ## L'entraînement dans le cloud et l'inférence locale sont deux étapes distinctes Le projet a bien utilisé une infrastructure cloud pour l'entraînement. DeepMind indique que l'ajustement a eu lieu dans un environnement Google Cloud géré et entretenu par GovTech, où les données d'entraînement étaient isolées. L'entreprise dit avoir exclu les informations privées et personnelles et avoir anonymisé les jeux de données provenant de signalements et de flux de renseignement sur les arnaques. Les partenaires rapportent aussi des essais sur des dialogues synthétiques et des corpus locaux. La publication ne donne ni méthode de préparation des données, ni protocole d'essai, ni résultats chiffrés ; ces éléments restent donc les descriptions du processus par les partenaires. Cet environnement de développement ne doit pas être confondu avec le fonctionnement quotidien proposé. Selon l'architecture rapportée, le filtrage des messages et l'inférence contextuelle de Gemma s'exécutent localement sur un téléphone, où l'avertissement s'affiche. Un ajustement dans le cloud ne signifie pas, à lui seul, que les conversations en cours des utilisateurs sont envoyées à l'environnement d'entraînement de GovTech. De même, l'affirmation d'un traitement sur appareil ne définit pas les pratiques de données d'une intégration grand public qui n'a pas été annoncée. DeepMind indique que ces travaux ont été présentés à la Singapore International Cyber Week et que des plateformes de messagerie et des fabricants de systèmes d'exploitation pourraient intégrer les modèles. L'entreprise ne nomme aucun service, application ou version de système qui le ferait ; elle ne liste pas les téléphones compatibles, ne propose pas les poids ajustés et ne donne ni prix ni date de lancement. Les tests de résistance rapportés ne constituent pas une évaluation indépendante en conditions réelles. L'avancée utile est une architecture clairement décrite pour examiner localement les conversations liées aux arnaques ; la fiabilité des alertes dans la pratique reste à établir. ## Sources et lectures complémentaires - [Annonce de Google DeepMind](https://deepmind.google/blog/on-device-ai-scam-detection-mddi/), 14 octobre 2026 : le flux en deux étapes, l'ajustement de Gemma, l'avertissement sur appareil proposé, l'entraînement cloud géré par GovTech et les affirmations des partenaires sur la gouvernance et les tests. Il s'agit du récit de l'équipe du projet, sans données publiques de précision, de latence, d'autonomie ou de lancement. - [Annonce du partenariat national pour l'IA du MDDI de Singapour](https://www.mddi.gov.sg/newsroom/google-and-singapore-expand-partnership-to-accelerate-ai-impact-for-the-public-good/), 20 mai 2026 : contexte sur la collaboration entre Google et Singapour. Cette source ne documente ni les performances ni la disponibilité du modèle anti-arnaque. ## Sources - [Google DeepMind et le gouvernement de Singapour annoncent un nouvel outil d'IA pour protéger les citoyens contre les arnaques](https://deepmind.google/blog/on-device-ai-scam-detection-mddi/) — Description par l'équipe du projet du traitement local en deux étapes, du modèle contextuel Gemma, de l'avertissement sur appareil, de l'ajustement dans le cloud et des données d'entraînement anonymisées. Les affirmations de confidentialité et de tests sont attribuées aux partenaires ; aucun lancement public ni résultat mesuré n'est fourni. - [Google et Singapour élargissent leur partenariat pour accélérer l'IA au service du bien public](https://www.mddi.gov.sg/newsroom/google-and-singapore-expand-partnership-to-accelerate-ai-impact-for-the-public-good/) — Présentation par le MDDI du partenariat national plus large pour l'IA ; contexte uniquement, sans détails sur les performances ou l'accès au détecteur d'arnaques.