L'informatique confidentielle pour l'analyse de données, l'IA et l'apprentissage fédéré

L'informatique confidentielle vous permet de collaborer sur des données sensibles, d'entraîner des modèles d'IA et d'exécuter des charges de travail d'apprentissage fédéré tout en conservant les données chiffrées en mémoire. Ce document décrit les cas d'utilisation sectoriels et les architectures de référence pour l'analyse confidentielle, l'IA et l'apprentissage fédéré sur Google Cloud.

Cas d'utilisation

Les sections suivantes fournissent des exemples de cas d'utilisation de l'informatique confidentielle pour différents secteurs.

Santé et sciences de la vie

L'informatique confidentielle permet le partage de données et l'analyse sécurisés entre différentes organisations, tout en contribuant à préserver la confidentialité des patients. L'informatique confidentielle permet aux organismes de santé de participer à des recherches collaboratives, à la modélisation de maladies, à la découverte de médicaments et à des plans de traitement personnalisés.

Le tableau suivant décrit quelques exemples d'utilisation de informatique confidentielle dans le secteur de la santé.

Cas d'utilisation Description
Prédiction et détection précoce des maladies Les hôpitaux entraînent un modèle d'apprentissage fédéré pour détecter les lésions cancéreuses à partir de données d'imagerie médicale (par exemple, des IRM ou des scanners dans plusieurs hôpitaux ou régions hospitalières) tout en préservant la confidentialité des patients.
Surveillance des patients en temps réel Les prestataires de santé analysent les données des appareils de santé connectés et des applications de santé mobiles pour assurer une surveillance et des alertes en temps réel. Par exemple, les accessoires connectés collectent des données sur la glycémie, l'activité physique et les habitudes alimentaires pour fournir des recommandations personnalisées et des alertes précoces en cas de fluctuations de la glycémie.
Découverte collaborative de médicaments et essais cliniques Les entreprises pharmaceutiques et les hôpitaux de recherche regroupent les données d'essais cliniques, les séquences génomiques et les structures moléculaires pour découvrir des thérapies et modéliser les interactions médicamenteuses.
Documentation clinique et transcription médicale autonomes Les assistants IA capturent les conversations entre les cliniciens et les patients pour rédiger des résumés cliniques, mettre à jour les dossiers médicaux électroniques (DME) et suggérer des codes de facturation.
Évaluation et benchmarking de l'IA médicale multi-institutionnelle Les établissements de santé et les consortiums de recherche valident des modèles de diagnostic propriétaires sur diverses populations de patients à l'échelle mondiale, sans déplacer ni exposer les données cliniques brutes.

Services financiers

L'informatique confidentielle permet aux institutions financières de créer un système financier plus sûr et plus résilient.

Le tableau suivant décrit quelques exemples d'utilisation de l'informatique confidentielle dans les services financiers.

Cas d'utilisation Description
Détection des fraudes et lutte contre le blanchiment d'argent (AML) Plusieurs institutions financières partagent des flux de transactions sensibles et des indicateurs de fraude pour entraîner des modèles de machine learning ou déployer des agents d'analyse. En utilisant ces données collectées, les institutions peuvent détecter les syndicats de blanchiment d'argent transfrontaliers et la fraude de paiement sans révéler les numéros de compte client ni les enregistrements de transactions propriétaires aux concurrents.
Évaluation des risques de crédit et souscription Les prêteurs évaluent les demandes de crédit commercial ou de détail en analysant des données financières sensibles et non traditionnelles (comme les paiements de services publics en temps réel) sans exposer ces données à des tiers. L'exécution d'agents de souscription automatisés dans un environnement d'exécution sécurisé (TEE) permet d'isoler les documents financiers d'un demandeur et les algorithmes de scoring de risque propriétaires de la banque pendant l'évaluation.
Analyse financière et reporting réglementaire automatisés Des agents IA autonomes recherchent des informations dans les registres internes de l'entreprise, les portefeuilles d'investissement et les informations non publiques importantes pour préparer des mémos de diligence raisonnable, des rapports d'audit et des déclarations réglementaires.

Secteur public

L'informatique confidentielle permet aux gouvernements de créer des services plus transparents, efficaces et performants, tout en conservant le contrôle et la souveraineté de leurs données.

Le tableau suivant décrit quelques exemples d'utilisation de informatique confidentielle dans le secteur public.

Cas d'utilisation Description
Analyse confidentielle multi-agence L'informatique confidentielle permet d'analyser des données multipartites entre plusieurs organismes publics (par exemple, la santé, les impôts et l'éducation) ou entre plusieurs gouvernements de différentes régions ou pays. L'informatique confidentielle permet de garantir la protection des limites de confiance et de la confidentialité des données, tout en permettant l'analyse des données (à l'aide de la protection contre la perte de données (DLP), de l'analyse à grande échelle et des moteurs de stratégies), ainsi que l'entraînement et la diffusion de l'IA.
Analyses d'investigation et partage de renseignements entre agences Différents organismes publics (tels que les services fiscaux, les organismes chargés de l'application des lois et les douanes) utilisent Confidential Space pour effectuer une analyse de données conjointe. Les agences peuvent croiser les déclarations fiscales, les manifestes de voyage et les documents financiers pour identifier les fraudes ou les menaces pour la sécurité nationale, sans partager de bases de données brutes et classifiées au-delà des frontières juridictionnelles.
Identité numérique et vérification des identifiants des citoyens Les agences publiques et les plates-formes d'identité vérifient les passeports biométriques officiels et les cartes d'identité nationales sans stocker ni exposer les données à caractère personnel des citoyens. Les citoyens peuvent prouver de manière cryptographique des attributs spécifiques (comme la nationalité, la résidence ou l'âge), tandis que les données brutes du passeport et les signatures biométriques restent chiffrées en mémoire et sont supprimées après la génération de la preuve.

Chaîne d'approvisionnement

L'informatique confidentielle permet aux organisations qui gèrent des chaînes d'approvisionnement et des programmes de développement durable de collaborer et de partager des insights tout en préservant la confidentialité des données.

Le tableau suivant décrit quelques exemples d'utilisation de l'informatique confidentielle dans les chaînes d'approvisionnement.

Cas d'utilisation Description
Orchestration autonome de la logistique et de l'expédition multipartites Les entreprises déploient des agents IA autonomes pour négocier les tarifs de livraison, coordonner les transferts de conteneurs et rediriger les marchandises vers des transporteurs externes en cas de perturbations du transport. L'exécution de ces agents logistiques dans une instance Confidential VM permet d'éviter que les manifestes d'expédition actifs, les accords de tarification des transporteurs et les identifiants d'API des transporteurs ne soient exposés en mémoire à d'autres locataires cloud.
Détection d'anomalies dans la chaîne d'approvisionnement et optimisation des itinéraires en temps réel Les agents IA traitent la télémétrie en temps réel (comme les journaux de transit GPS, les capteurs des portes d'entrepôt et les alertes météo) pour optimiser les itinéraires de transport. Le traitement de cette télémétrie opérationnelle sensible dans Confidential Space permet aux fabricants et aux distributeurs d'exécuter des algorithmes de réacheminement automatisés sans exposer les capacités d'usine propriétaires ni les vulnérabilités de goulot d'étranglement à des tiers.
Conformité douanière et documentation commerciale automatisées Les agents IA traitent les factures commerciales, les connaissements et les déclarations en douane de grande valeur pour automatiser la conformité aux frontières. Isoler ces agents d'analyse de documents dans un TEE permet de protéger les secrets des affaires sensibles pendant qu'ils sont extraits et vérifiés par rapport aux bases de données douanières.

Publicité digitale

Au lieu d'utiliser des cookies tiers, la publicité numérique utilise de plus en plus d'alternatives améliorant la confidentialité qui utilisent des TEE pour aider les entreprises publicitaires à traiter leurs données dans un environnement sécurisé. Par exemple, Google Ads utilise l'informatique confidentielle pour protéger les données first party lors de l'exécution de campagnes.

Vous pouvez utiliser des TEEs dans les cas d'utilisation de la publicité digitale suivants :

  • Algorithmes de correspondance : recherche de correspondances ou de relations dans des ensembles de données.
  • Attribution : associer des effets ou des événements à leurs causes probables.
  • Agrégation : calcul de résumés ou de statistiques à partir des données brutes.

Architectures de référence

Vous pouvez implémenter l'informatique confidentielle sur Google Cloud pour répondre aux cas d'utilisation suivants :

  • Analyse confidentielle
  • IA confidentielle
  • Apprentissage fédéré confidentiel

Les sections suivantes fournissent plus d'informations sur l'architecture de ces cas d'utilisation, y compris des exemples pour les entreprises des secteurs de la finance et de la santé.

Architecture d'analyse confidentielle pour les établissements de santé

L'architecture d'analyse confidentielle montre comment plusieurs établissements de santé (tels que des prestataires de soins de santé, des entreprises biopharmaceutiques et des instituts de recherche) peuvent collaborer pour accélérer la recherche de médicaments. Cette architecture utilise des techniques d'informatique confidentielle pour créer une salle blanche numérique permettant d'exécuter des analyses collaboratives confidentielles.

Cette architecture présente les avantages suivants :

  • Insights améliorés : l'analyse collaborative permet aux organisations de santé d'obtenir des insights plus complets et de réduire le délai de mise sur le marché pour améliorer la découverte de médicaments.
  • Confidentialité des données : les données sensibles des patients et des essais cliniques restent chiffrées en transit, au repos et en mémoire, et ne sont pas exposées en texte brut aux autres participants ni au fournisseur de services cloud.
  • Conformité réglementaire : l'architecture aide les établissements de santé à se conformer aux réglementations sur la protection des données en maintenant un contrôle strict sur leurs données.
  • Confiance et collaboration : l'architecture permet une collaboration sécurisée entre des institutions concurrentes, favorisant ainsi un effort collectif pour découvrir des médicaments.

Le schéma suivant illustre cette architecture.

Schéma de l'architecture d'analyse confidentielle pour les établissements de santé.

Les principaux composants de cette architecture sont les suivants :

  • Charge de travail Confidential Space (TEE) : environnement sécurisé et isolé dans lequel les données et le code du TEE sont protégés contre les accès non autorisés, même de la part du système d'exploitation ou du fournisseur de services cloud sous-jacents.
  • Partenaires de collaboration : chaque établissement de santé participant dispose d'un environnement local qui sert d'intermédiaire entre les données privées de l'établissement et l'environnement d'exécution de confiance.
  • Données chiffrées spécifiques au fournisseur : chaque établissement de santé stocke ses propres données de santé privées et chiffrées, y compris les dossiers médicaux électroniques. Chaque fournisseur ne communique ses données (et l'accès aux clés de déchiffrement) au TEE qu'après avoir validé les revendications d'attestation de la charge de travail du TEE. Les données ne sont déchiffrées qu'à l'intérieur de l'environnement d'exécution de confiance attesté pendant le traitement et restent chiffrées en mémoire.
  • Client Analytics : les établissements de santé participants peuvent exécuter des requêtes confidentielles sur leurs données pour obtenir des insights.

Architecture d'IA confidentielle pour les institutions financières

Ce modèle d'architecture montre comment les établissements financiers peuvent entraîner de manière collaborative un modèle de détection de fraude tout en utilisant des étiquettes de fraude pour préserver la confidentialité de leurs données de transaction sensibles. L'architecture utilise des techniques d'informatique confidentielle pour permettre un machine learning multipartite sécurisé.

Cette architecture présente les avantages suivants :

  • Détection améliorée des fraudes : l'entraînement collaboratif utilise un ensemble de données plus vaste et plus diversifié, ce qui permet d'obtenir un modèle de détection des fraudes plus précis et plus efficace.
  • Confidentialité des données : les données de transaction sensibles restent chiffrées en transit, au repos et en mémoire, et ne sont pas exposées en texte brut aux autres participants ni au fournisseur de services cloud.
  • Conformité réglementaire : l'architecture aide les institutions financières à respecter les réglementations sur la protection des données en maintenant un contrôle strict sur leurs données.
  • Confiance et collaboration : cette architecture permet une collaboration sécurisée entre des institutions concurrentes, favorisant ainsi un effort collectif pour lutter contre la fraude financière.

Le schéma suivant illustre cette architecture.

Schéma de l'architecture d'IA confidentielle pour les institutions financières.

Les principaux composants de cette architecture sont les suivants :

  • Charge de travail Confidential Space (TEE) : environnement sécurisé et isolé dans lequel les données et le code du TEE sont protégés contre les accès non autorisés, même de la part du système d'exploitation ou du fournisseur de services cloud sous-jacents.
  • Partenaires de collaboration : chaque institution financière participante dispose d'un environnement local qui sert d'intermédiaire entre les données privées de l'institution et le TEE.
  • Données chiffrées spécifiques à la banque : chaque banque détient ses propres données de transaction privées et chiffrées, qui incluent des étiquettes de fraude. Chaque banque ne communique ses données (et l'accès aux clés de déchiffrement) au TEE qu'après avoir validé les revendications d'attestation de la charge de travail du TEE. Les données ne sont déchiffrées qu'à l'intérieur de l'environnement d'exécution de confiance attesté pendant le traitement et restent chiffrées en mémoire.
  • Dépôt de modèles propriétaires : modèle de détection des fraudes pré-entraîné qui sert de point de départ pour l'entraînement collaboratif.
  • Modèle et pondérations entraînés pour la détection des fraudes à l'échelle mondiale (représentés par les flèches vertes sortantes de l'EET vers chaque banque) : le modèle de détection des fraudes amélioré, ainsi que ses pondérations apprises, sont renvoyés de manière sécurisée aux banques participantes. Ils peuvent ensuite déployer ce modèle amélioré localement pour détecter les fraudes sur leurs propres transactions.

Architecture d'apprentissage fédéré confidentiel pour les institutions financières

L'apprentissage fédéré offre une solution avancée aux clients qui accordent de l'importance à la confidentialité et à la souveraineté des données. L'architecture d'apprentissage fédéré confidentiel offre un moyen sécurisé, évolutif et efficace d'utiliser les données pour les applications d'IA. Cette architecture amène les modèles à l'emplacement où les données sont stockées, plutôt que de centraliser les données dans un seul emplacement, ce qui réduit les risques de fuite de données.

Ce modèle d'architecture montre comment plusieurs institutions financières peuvent entraîner de manière collaborative un modèle de détection des fraudes tout en préservant la confidentialité de leurs données de transaction sensibles avec des étiquettes de fraude. Il utilise l'apprentissage fédéré ainsi que des techniques d'informatique confidentielle pour permettre un machine learning sécurisé et multipartite sans déplacement des données d'entraînement.

Cette architecture présente les avantages suivants :

  • Confidentialité et sécurité des données améliorées : l'apprentissage fédéré permet de garantir la confidentialité et la localité des données en conservant les données sensibles sur chaque site. De plus, les institutions financières peuvent utiliser des techniques protégeant la confidentialité, telles que le chiffrement homomorphe et les filtres de confidentialité différentielle, pour protéger davantage les données transférées (comme les pondérations du modèle).
  • Amélioration de la précision et de la diversité : en s'entraînant avec diverses sources de données provenant de différents clients, les institutions financières peuvent développer un modèle global robuste et généralisable pour mieux représenter les ensembles de données hétérogènes.
  • Évolutivité et efficacité du réseau : grâce à la possibilité d'effectuer l'entraînement en périphérie, les établissements peuvent faire évoluer l'apprentissage fédéré à l'échelle mondiale. De plus, les établissements n'ont besoin de transférer que les pondérations du modèle plutôt que des ensembles de données entiers, ce qui permet d'utiliser efficacement les ressources réseau.

Le schéma suivant illustre cette architecture.

Schéma de l'architecture d'apprentissage fédéré confidentiel.

Les principaux composants de cette architecture sont les suivants :

  • Serveur fédéré dans le cluster TEE : environnement sécurisé et isolé dans lequel le serveur d'apprentissage fédéré orchestre la collaboration de plusieurs clients en envoyant d'abord un modèle initial aux clients d'apprentissage fédéré. Les clients entraînent le modèle sur leurs ensembles de données locaux, puis renvoient les mises à jour du modèle au serveur d'apprentissage fédéré pour qu'elles soient agrégées et forment un modèle global.
  • Dépôt de modèles d'apprentissage fédéré : modèle de détection des fraudes pré-entraîné qui sert de point de départ pour l'apprentissage fédéré.
  • Moteur d'inférence d'application locale : application qui exécute des tâches, effectue des calculs et des apprentissages locaux avec des ensembles de données locaux, et renvoie les résultats au serveur d'apprentissage fédéré pour une agrégation sécurisée.
  • Données privées locales : chaque banque détient ses propres données de transaction privées et chiffrées, qui incluent des étiquettes de fraude. Ces données brutes ne quittent jamais l'environnement local de la banque, ce qui contribue à protéger la confidentialité des données.
  • Protocole d'agrégation sécurisée (représenté par les flèches bleues en pointillés entrants de chaque banque vers le cluster TEE) : le serveur d'apprentissage fédéré n'a pas besoin d'accéder à la mise à jour d'une banque individuelle pour entraîner le modèle. Le serveur n'a besoin que des moyennes pondérées par élément des vecteurs de mise à jour, extraites d'un sous-ensemble aléatoire de banques ou de sites. En utilisant un protocole d'agrégation sécurisé pour calculer ces moyennes pondérées, le serveur n'apprend que les mises à jour de modèle agrégées du sous-ensemble sélectionné, plutôt que la banque spécifique qui a contribué à une mise à jour donnée. Cette approche permet de préserver la confidentialité de chaque participant au processus d'apprentissage fédéré.
  • Modèle global entraîné sur la fraude et pondérations agrégées (représentés par les flèches vertes sortantes du cluster TEE vers chaque banque) : le modèle de détection des fraudes amélioré, ainsi que ses pondérations apprises, est renvoyé de manière sécurisée aux banques participantes. Les banques peuvent ensuite déployer ce modèle amélioré localement pour détecter les fraudes sur leurs propres transactions.

Étapes suivantes