OSINT Infohound – Síntesis de datos de fuentes abiertas por medio de modelos de lenguaje de gran tamaño (LLM)

Abstract

En este trabajo se analiza la viabilidad de la integración de modelos de lenguaje de gran tamaño (LLM) en plataformas de recolección de información de fuentes abiertas (OSINT) con el objetivo de mejorar la eficiencia de búsqueda y análisis de este tipo de información. Se argumenta que los LLM pueden aportar versatilidad, flexibilidad y valor añadido a estas plataformas, permitiendo buscar, analizar y sintetizar grandes cantidades de datos. Para ilustrar esta idea, se presenta un caso práctico de integración de un LLM en la plataforma InfoHound. InfoHound es una herramienta del instituto de investigación e innovación i2cat de Catalunya que permite, entre otras cosas, a las organizaciones realizar el análisis inverso de la información que se ha indexado sobre ellas en Internet. La integración de un LLM en esta plataforma abriría un gran abanico de oportunidades, permitiendo, por ejemplo, sintetizar los curriculum vitae de las personas asociadas a una organización, o clasificar personas por su pensamiento político derivado de la información de redes sociales. El ejemplo de caso práctico presentado durante este trabajo y demostrado sobre InfoHound consiste en recopilar perfiles de usuarios de fuentes abiertas y guardar los datos de estos tal y como se encuentran en la red, con distintos formatos. De tal manera que, a partir de esta información desorganizada, se le pueda pedir a un contenedor de modelos LLM que busque, filtre y sintetice la información generando un resumen profesional para cada persona recopilada.

This thesis analyses the feasibility of integrating large language models (LLMs) into open-source intelligence (OSINT) collection platforms, with the aim of improving the efficiency of open-source intelligence analysis. It is argued that LLMs can add versatility, flexibility, and value to these platforms, enabling the search, analysis, and synthesis of large amounts of data. To illustrate this idea, a practical case of integrating an LLM into the InfoHound platform is presented. InfoHound is a tool from the research and innovation institute i2cat of Catalunya that allows organisations to perform reverse analysis on information indexed about them. Integrating an LLM into this platform would open up a wide range of possibilities, such as synthesising the CVs of individuals associated with an organisation, or classifying individuals based on their political thinking derived from social media information. The practical case study applied to InfoHound consists of collecting user profiles from open-sources and storing their data in a disorganised way, with different formats or sources, so that later an LLM model container can be asked to analyse the information and generate a professional summary for each person collected.