🎯 MOSAIC — v1.0.0-alpha

Intelligence comportementale multi-plateformes

Un framework multi-plateformes axé sur la confidentialité pour l'analyse comportementale et sociodynamique

📺 Démo

🧭 Qu'est-ce que MOSAIC ?

MOSAIC n'est pas un simple agrégateur OSINT. Il s'agit d'un framework d'analyse comportementale conçu pour aider les chercheurs, analystes et professionnels de la sécurité à observer, structurer et interpréter les signaux comportementaux sur plusieurs plateformes en ligne.

MOSAIC collecte des données publiques hétérogènes et les organise en dimensions comportementales, permettant une analyse comparative et longitudinale impossible avec des approches mono-source.

⚠️ MOSAIC ne produit pas de diagnostics psychologiques ni de vérités absolues. Il fournit des signaux structurés et des hypothèses analytiques qui doivent être interprétés par un analyste humain.

🎯 Vision

La plupart des outils se concentrent sur ce que publie une personne. MOSAIC se concentre sur la manière dont le comportement émerge à travers les environnements.

Plutôt que d'agréger des profils, MOSAIC construit des empreintes comportementales selon trois dimensions complémentaires :

• Technique Compétences, expertise, stratégies de résolution de problèmes (GitHub, StackOverflow)

• Social Interactions, affiliations, schémas discursifs, dynamiques communautaires (Telegram, Reddit, Mastodon, Bluesky)

• Influence Production de contenu, thèmes, visibilité, cohérence narrative (YouTube, Medium)

Cette approche multi-angle permet des analyses sociodynamiques, de sécurité et de crédibilité qui restent contextuelles, explicables et respectueuses de la vie privée.

🚀 Démarrage rapide

Installation

git clone https://github.com/Or1un/MOSAIC.git
cd MOSAIC
pip install -r requirements.txt

Configuration (facultative)

# Most platforms work without credentials
# Some sources (YouTube, Telegram) require API keys
cp modules/config.yaml.example modules/config.yaml
nano modules/config.yaml

Exécution

python3 mosaic.py

🤖 Configuration du LLM

1. Installer les dépendances Python

pip install -r requirements_llm.txt

2. Installer le serveur Ollama (une seule fois)

# Linux/macOS
curl -fsSL https://ollama.com/install.sh | sh

# Windows
# Download from https://ollama.com/download

3. Démarrer Ollama et télécharger les modèles - Qwen:0.5b (PoC)

ollama serve &
ollama pull qwen:0.5b

🌍 Cas d'utilisation

🎯 Évaluation des talents et de l'expertise

Allez au-delà des CV en analysant :

• la profondeur technique
• le style de communication
• la reconnaissance par les pairs
• l'engagement communautaire

Exemple : Évaluez un profil DevSecOps senior via l'activité GitHub (rigueur technique), les réponses StackOverflow (style de résolution de problèmes) et les publications Medium (transmission des connaissances).

🔒 Analyse de l'empreinte numérique et de l'OPSEC

Identifiez les risques d'exposition, les tendances à la sur-divulgation et les incohérences dans la présence publique.

Exemple : Auditez l'empreinte en ligne d'un dirigeant ou d'un poste sensible pour détecter les surfaces d'attaque potentielles ou les risques réputationnels.

🕵️ Due Diligence et analyse de crédibilité

Recoupez les affirmations et la cohérence comportementale entre les plateformes.

Exemple : Avant un partenariat ou un investissement, évaluez si le comportement public correspond à l'expertise et aux responsabilités déclarées.

🔬 Recherche comportementale et sociodynamique

Étudiez :

• l'évolution du discours
• la diffusion de l'expertise
• les schémas d'influence communautaire
• les changements de comportement entre plateformes

Exemple : Analysez comment l'autorité technique se traduit (ou non) en influence sociale dans différents écosystèmes.

🧩 Workflow principal

1️⃣ Collecte — Signaux multi-sources

MOSAIC collecte des données publiques hétérogènes pour éviter le biais mono-plateforme.

Sources actuellement prises en charge :

• Technique : GitHub, StackOverflow
• Social : Telegram, Reddit, Mastodon, Bluesky
• Influence : YouTube, Medium

💡 MOSAIC fonctionne mieux lorsque vous savez déjà où votre cible est active. Une collecte ciblée améliore la qualité du signal et réduit le bruit.

Sources futures (idées de recherche) : plateformes professionnelles, forums, communautés de niche. Les contributions et discussions sont les bienvenues.

2️⃣ Contexte — Cadrage analytique

L'analyse est guidée par des invites contextuelles, et non par des instructions génériques.

Contextes disponibles (Alpha) :

• Recruitment.md — évaluation des compétences techniques et relationnelles
• OPSEC_audit.md — analyse de l'empreinte numérique et de l'exposition
• Threat_Intelligence.md — recherche d'attribution et de cohérence
• PoC.md — analyse exploratoire rapide

Les invites sont des modèles Markdown stockés dans modules/prompts/.

⚠️ Note Alpha Les invites actuelles privilégient l'architecture et l'extensibilité plutôt que le raffinement. MOSAIC suppose que les analystes adapteront les invites à leur méthodologie et à leur domaine.

3️⃣ Analyse — L'IA comme assistant

MOSAIC prend en charge deux modes d'analyse :

✅ Local (Confidentialité d'abord — Recommandé)

• Utilise des LLM locaux via Ollama
• Les données ne quittent jamais votre machine
• Idéal pour les contextes sensibles à la sécurité

ollama pull mistral:7b-instruct

Modèles pris en charge : mistral, llama, qwen, etc.

⚠️ Cloud (Facultatif)

• Performances supérieures
• Compromis de confidentialité gérés par l'utilisateur
• Téléversez uniquement les fichiers JSON exportés depuis results/

💡 Les meilleurs résultats sont obtenus en combinant les sorties de MOSAIC avec du contexte externe (CV, entretiens, références, chronologies).

4️⃣ Insights — Interprétation centrée sur l'humain

La qualité des insights dépend de :

• la diversité des données
• la précision des invites
• l'expertise de l'analyste
• les capacités du modèle

MOSAIC fournit la structure et les signaux. Vous apportez le jugement.

⚠️ Cadre éthique et juridique

MOSAIC est conçu pour un usage légitime, consensuel et légal.

❌ Non conçu pour

• La surveillance ou le stalking
• Le harcèlement ou l'intimidation
• Les vérifications d'antécédents non autorisées
• Le profilage automatisé de masse
• Les violations des conditions d'utilisation des plateformes

🔐 Confidentialité et responsabilité

• Aucune utilisation obligatoire du cloud
• Analyse locale par défaut
• Résultats stockés localement (results/, .git-ignored)
• Les utilisateurs sont responsables de la conformité RGPD et locale
• Identifiants stockés de manière sécurisée dans config.yaml

En utilisant MOSAIC, vous acceptez de l'utiliser de manière éthique, responsable et légale.

🤝 Communauté et contributions

Des questions, des idées ou des directions de recherche ?

• 📧 E-mail : [email protected]
• 🐛 Issues : GitHub Issues
• 💡 Discussions : GitHub Discussions
• 📖 Wiki : bientôt disponible

MOSAIC est un framework méthodologique — les contributions qui améliorent les invites, la logique d'analyse ou les garde-fous éthiques sont particulièrement bienvenues.

Fait avec 🔍 par Or1un