// Comparaison

Building Secure and Reliable Systems vs Practical AI Security : lequel lire ?

Deux livres de cybersécurité sur Defensive, comparés honnêtement : à qui s'adresse chacun, ce que chacun fait de mieux, et lequel lire en premier.

Avancé
5/52020
Building Secure and Reliable Systems

Best Practices for Designing, Implementing, and Maintaining Systems

Heather Adkins, Betsy Beyer, Paul Blankinship, Piotr Lewandowski, Ana Oprea, Adam Stubblefield

Les équipes Sécurité et SRE de Google posent par écrit ce qu'il faut vraiment pour construire des systèmes à la fois sûrs et fiables : modélisation des menaces, design reviews, culture du rollback, gestion de crise.

Avancé
4/52026
Practical AI Security

A Hands-on Guide to Attacking, Defending, and Securing Modern AI Systems

Harriet Farlow

La fondatrice d'une société spécialisée en sécurité de l'IA, titulaire d'un doctorat en machine learning adverse, parcourt comment les modèles échouent, comment ces échecs deviennent des exploits, puis comment défendre et auditer, avec plus de 30 démonstrations Python pratiques.

À lire si

Ingénieurs staff et plus, SRE et leads sécurité qui doivent défendre fiabilité et sécurité dans la même réunion. Le livre traite la sûreté de fonctionnement et la sécurité comme une seule discipline d'ingénierie — c'est le bon modèle, et presque personne d'autre ne le publie.
Les praticiens de la sécurité et ingénieurs ML qui ont besoin de bases pratiques et concrètes pour attaquer et défendre des systèmes d'IA, plutôt qu'un panorama du domaine. Farlow a dirigé des audits de sécurité IA pour des entreprises du Fortune 500 et des agences gouvernementales, et le livre est construit à partir de cette expérience d'audit.

À éviter si

Lecteurs qui veulent un tutoriel d'outils ou des checklists agnostiques. Les études de cas ont la forme Google et les patterns supposent que vous avez la discipline (postmortems, code review, paved roads) pour les exécuter. Si votre organisation ne peut pas arrêter un déploiement, la moitié du livre paraîtra aspirationnelle.
Les lecteurs qui veulent une introduction conceptuelle ou politique au risque IA ; c'est un guide technique pratique avec des démonstrations Python tout du long, pas un manuel de gouvernance de l'IA. Suppose également des bases en ML et en sécurité déjà acquises plutôt que de les enseigner depuis zéro.

Points clés

  • Fiabilité et sécurité partagent un substrat commun : concevoir pour des modes de défaillance imprévisibles, et entretenir cette capacité par l'usage.
  • La récupération, pas la prévention, est la compétence centrale des organisations de sécurité matures ; les chapitres rollback, response et recovery sont le cœur du livre.
  • L'essentiel des gains de sécurité vient d'infrastructure ennuyeuse (paved roads, libs sûres par défaut, code review, sandboxing) plutôt que de magie de détection.
  • Premier livre de ce catalogue à traiter les systèmes IA/ML comme une surface d'attaque à part entière, et non comme une fonctionnalité greffée à l'appsec traditionnelle.
  • Structuré autour du cycle de vie complet : comment les modèles échouent, comment ces échecs deviennent des exploits, puis comment défendre et auditer contre les deux.
  • Plus de 30 démonstrations Python pratiques gardent la matière concrète plutôt que théorique : des attaques et défenses réellement exécutables.

Comment ils se comparent

Nous notons Building Secure and Reliable Systems plus haut (5/5 contre 4/5 pour Practical AI Security). Pour la plupart des lecteurs, Building Secure and Reliable Systems est le choix principal et Practical AI Security un complément utile.

Les deux livres ciblent un public de niveau avancé : le choix se fait sur la thématique, pas la difficulté.

Building Secure and Reliable Systems et Practical AI Security couvrent tous les deux Defensive : les lire dans l'ordre renforce les mêmes notions sous des angles différents.

Continuer la lecture

Thématiques liées