Incontra Concrete ML un toolkit open-source basato su FHE che aiuta a preservare la privacy e consente l’apprendimento automatico sicuro

Concrete ML è un toolkit open-source basato su FHE per l'apprendimento automatico sicuro e la protezione della privacy.

L’Intelligenza Artificiale e il Machine Learning hanno mostrato un enorme aumento di produttività negli ultimi anni. Il ML si basa su dati di buona qualità, mantenendo tutti i mezzi di privacy e riservatezza. È molto importante colmare il divario tra privacy e utilizzo dei vantaggi del Machine Learning per risolvere i problemi. Nei giorni di oggi, basati sui dati, proteggere la propria privacy è diventato molto difficile. Con il Machine Learning che sta diventando così diffuso al giorno d’oggi, le implicazioni devono essere prese in considerazione e la salvaguardia delle informazioni dei clienti è necessaria. Nuovi progressi come la Crittografia Omomorfica Completa (FHE) hanno protetto con successo le informazioni degli utenti e mantenuto la riservatezza.

I ricercatori di Machine Learning presso Zama hanno presentato una libreria open-source chiamata Concrete-ML che consente la conversione agevole dei modelli di ML nelle loro controparti FHE. Hanno recentemente presentato Concrete ML durante un Google Tech Talk. Ogni volta che alcuni dati appartenenti all’utente vengono inviati al cloud, gli schemi di crittografia omomorfica proteggono tali dati. Le operazioni e tutte le azioni avvengono su dati crittografati tenendo conto della sicurezza dei dati. La Crittografia Omomorfica Completa può essere spiegata con l’aiuto di un esempio. Supponiamo che un medico desideri valutare l’analisi descrittiva su pazienti affetti da problemi cardiaci in una determinata città. Il team interno degli ospedali di quella città che conserva in modo sicuro i dati dei pazienti nei loro database potrebbe non essere in grado di rivelare i dati a causa di problemi di privacy. Ecco dove la FHE crittografa i dati sensibili in modo che i dati siano sicuri e anche il calcolo.

Concrete ML è un toolkit open-source sviluppato su The Concrete Framework. Aiuta i ricercatori e gli scienziati dei dati a convertire automaticamente i modelli di Machine Learning nelle loro unità omomorfe identiche. La caratteristica principale di Concrete ML è la sua capacità di trasformare i modelli di ML nel loro equivalente FHE senza necessariamente avere alcuna conoscenza precedente sulla crittografia. Con Concrete ML, gli utenti possono avere conversazioni a zero fiducia con diversi fornitori di servizi senza ostacolare la distribuzione dei modelli di ML. La privacy dei dati e dell’utente è mantenuta e i modelli di ML vengono messi in produzione anche su server non affidabili.

• Un nuovo framework di Deep Reinforcement Learning (DRL) può reagire agli attaccanti in un ambiente simulato e bloccare il 95% degli attacchi informatici prima che si aggravino
• Un nuovo articolo sull’IA spiega i diversi livelli di competenza che le grandi modelli di lingua come le macchine a modelli generali possono avere
• Democratizzazione dei dati 5 strategie di Dati per tutti abbracciate dalle grandi aziende

FHE, una strategia di crittografia che consente il calcolo diretto su dati crittografati, può essere utilizzata per sviluppare applicazioni con caratteristiche uniche. FHE non richiede la necessità di decrittazione. Concrete ML utilizza alcune popolari Interfacce Utente delle Applicazioni (API) da Scikit-learn e PyTorch. Il modello di Concrete ML è stato progettato nel seguente modo:

1. Addestramento del modello – Il modello viene addestrato su alcuni dati non criptati utilizzando la libreria Scikit-learn. Concrete ML utilizza solo interi durante l’inferenza, poiché FHE funziona solo su interi.
2. Conversione e compilazione – In questa fase, il modello viene convertito in un programma Concrete-Numpy, seguito dalla compilazione del modello quantizzato in un equivalente FHE.
3. Inferenza – L’inferenza viene effettuata sui dati criptati. Durante la distribuzione del modello sul server, i dati vengono criptati dal client, seguiti da un elaborazione sicura da parte del server e una decrittazione da parte del client.

Concrete ML è un grande sviluppo nell’utilizzo del Machine Learning con completa privacy e fiducia. Attualmente, l’unico limite di Concrete ML è che può essere eseguito solo nella precisione supportata di interi a 16 bit, ma sembra ancora promettente per la conservazione della privacy.