Conoce Concrete ML Un conjunto de herramientas de código abierto basado en FHE que ayuda a preservar la privacidad y permite el aprendizaje automático seguro.
Conoce Concrete ML, un conjunto de herramientas de código abierto para preservar la privacidad y permitir el aprendizaje automático seguro.
La Inteligencia Artificial y el Aprendizaje Automático han mostrado un tremendo aumento de productividad en los últimos años. El Aprendizaje Automático se trata de tener datos de buena calidad manteniendo todos los medios de privacidad y confidencialidad. Es muy importante cerrar la brecha entre la privacidad y aprovechar las ventajas del Aprendizaje Automático para resolver problemas. En los días actuales impulsados por los datos, proteger la privacidad se ha vuelto muy difícil. Con el Aprendizaje Automático siendo tan prevalente en la actualidad, las implicaciones deben ser cuidadas y es necesario salvaguardar la información de los clientes. Nuevos avances como el Cifrado Homomórfico Total (FHE) han protegido con éxito la información del usuario y mantenido la confidencialidad.
Investigadores de Aprendizaje Automático en Zama han presentado una biblioteca de código abierto llamada Concrete-ML que permite la conversión suave de modelos de Aprendizaje Automático en sus contrapartes FHE. Recientemente han presentado Concrete ML durante una charla técnica de Google. Cada vez que algunos de los datos pertenecientes al usuario son enviados a la nube, los esquemas de cifrado homomórfico protegen esos datos. Las operaciones y todas las acciones se llevan a cabo sobre datos encriptados teniendo en cuenta la seguridad de los datos. El Cifrado Homomórfico Total se puede explicar con la ayuda de un ejemplo. Digamos que un médico desea evaluar análisis descriptivos sobre pacientes que sufren de problemas cardíacos en una ciudad en particular. El equipo interno de los hospitales en esa ciudad que almacena de manera segura los datos de los pacientes en sus bases de datos podrían ser incapaces de revelar los datos debido a preocupaciones de privacidad. Ahí es donde FHE encripta los datos sensibles para que los datos estén seguros y al mismo tiempo se pueda realizar el procesamiento.
Concrete ML es un conjunto de herramientas de código abierto que se ha desarrollado sobre The Concrete Framework. Ayuda a los investigadores y científicos de datos a convertir automáticamente modelos de Aprendizaje Automático en sus unidades homomórficas idénticas. La característica clave de Concrete ML es su capacidad para convertir modelos de Aprendizaje Automático en su equivalente FHE sin necesidad de tener conocimientos previos sobre criptografía. Con Concrete ML, los usuarios pueden tener conversaciones de confianza cero con diferentes proveedores de servicios sin obstaculizar la implementación de los modelos de Aprendizaje Automático. Se mantiene la privacidad de los datos y del usuario, y los modelos de Aprendizaje Automático se ponen en producción incluso en servidores no confiables.
FHE, una estrategia de cifrado que permite el cálculo directo sobre datos encriptados, se puede utilizar para desarrollar aplicaciones con características únicas. FHE no requiere la necesidad de descifrado. Concrete ML utiliza algunas Interfaces de Usuario de Aplicaciones (API) populares de Scikit-learn y PyTorch. El modelo de Concrete ML se ha diseñado de la siguiente manera:
- Modelos de Lenguaje Multimodales El Futuro de la Inteligencia Artif...
- Poniendo a prueba la IA Una evaluación detallada de ChatGPT y otros...
- Investigadores de Stanford y Mila proponen Hyena un reemplazo sin a...
- Entrenamiento del modelo: El modelo se entrena con datos no encriptados utilizando la biblioteca Scikit-learn. Concrete ML solo utiliza números enteros durante la inferencia, ya que FHE solo funciona sobre enteros.
- Conversión y compilación: En este paso, el modelo se convierte en un programa Concrete-Numpy, seguido de la compilación del modelo cuantizado en su equivalente FHE.
- Inferencia: La inferencia se realiza en los datos encriptados. Durante la implementación del modelo en el servidor, el cliente encripta los datos, seguido de un procesamiento seguro por parte del servidor y una desencriptación por parte del cliente.
Concrete ML es un gran avance en el uso del Aprendizaje Automático con total privacidad y confianza. Si bien actualmente la única limitación de Concrete ML es que solo puede ejecutarse dentro de la precisión admitida de enteros de 16 bits, aún suena prometedor para la preservación de la privacidad.
