Confidential Computing untuk analisis data, AI, dan federated learning

Confidential Computing memungkinkan Anda berkolaborasi dalam data sensitif, melatih model AI, dan menjalankan workload federated learning sekaligus menjaga data tetap terenkripsi dalam memori. Dokumen ini menjelaskan kasus penggunaan industri dan arsitektur referensi untuk analisis rahasia, AI, dan federated learning di Google Cloud.

Kasus penggunaan

Bagian berikut memberikan contoh kasus penggunaan Confidential Computing untuk berbagai industri.

Layanan kesehatan dan ilmu hayati

Confidential Computing memungkinkan berbagi dan analisis data yang aman di seluruh organisasi sekaligus membantu menjaga privasi pasien. Confidential Computing memungkinkan organisasi layanan kesehatan berpartisipasi dalam riset kolaboratif, pemodelan penyakit, penemuan obat, dan rencana perawatan yang dipersonalisasi.

Tabel berikut menjelaskan beberapa contoh penggunaan Confidential Computing di bidang layanan kesehatan.

Kasus penggunaan Deskripsi
Prediksi penyakit dan deteksi dini Rumah sakit melatih model federated learning untuk mendeteksi lesi kanker dari data pencitraan medis (misalnya, pemindaian MRI atau CT scan di beberapa rumah sakit atau wilayah rumah sakit) sekaligus menjaga kerahasiaan pasien.
Pemantauan pasien secara real-time Penyedia layanan kesehatan menganalisis data dari perangkat kesehatan wearable dan aplikasi kesehatan seluler untuk pemantauan dan pemberitahuan real-time. Misalnya, perangkat wearable mengumpulkan data tentang kadar glukosa, aktivitas fisik, dan kebiasaan diet untuk memberikan rekomendasi yang dipersonalisasi dan peringatan dini untuk fluktuasi gula darah.
Penemuan obat dan uji klinis kolaboratif Perusahaan farmasi dan rumah sakit riset mengumpulkan data uji klinis, urutan genom, dan struktur molekul untuk menemukan terapi dan memodelkan interaksi obat.
Dokumentasi klinis dan transkripsi medis otonom Asisten AI merekam percakapan dokter-pasien untuk membuat draf ringkasan klinis, memperbarui catatan kesehatan elektronik (EHR), dan menyarankan kode penagihan.
Evaluasi dan tolok ukur AI medis multi-institusi Institusi layanan kesehatan dan konsorsium riset memvalidasi model diagnostik eksklusif di berbagai populasi pasien global tanpa memindahkan atau mengekspos data klinis mentah.

Jasa keuangan

Confidential Computing memungkinkan lembaga keuangan menciptakan sistem keuangan yang lebih aman dan tangguh.

Tabel berikut menjelaskan beberapa contoh penggunaan Confidential Computing dalam layanan keuangan.

Kasus penggunaan Deskripsi
Deteksi penipuan dan anti-pencucian uang (AML) Beberapa lembaga keuangan membagikan alur transaksi sensitif dan indikator penipuan untuk melatih model machine learning atau men-deploy agen analisis. Dengan menggunakan data yang dikumpulkan ini, institusi dapat mendeteksi sindikat pencucian uang lintas batas dan penipuan pembayaran tanpa mengungkapkan nomor rekening pelanggan atau catatan transaksi eksklusif kepada pesaing.
Penilaian risiko kredit dan penjaminan emisi Pemberi pinjaman mengevaluasi permohonan kredit komersial atau ritel dengan menganalisis data keuangan sensitif non-tradisional (seperti pembayaran utilitas real-time) tanpa mengekspos data tersebut kepada pihak eksternal. Menjalankan agen penilaian risiko otomatis di lingkungan eksekusi tepercaya (TEE) membantu mengisolasi catatan keuangan pemohon dan algoritma penilaian risiko eksklusif bank selama evaluasi.
Analisis keuangan dan pelaporan kepada regulator otomatis Agen AI otonom menelusuri buku besar internal perusahaan, portofolio investasi, dan informasi nonpublik yang material (MNPI) untuk menyiapkan memo uji tuntas, laporan audit, dan pelaporan peraturan.

Sektor publik

Confidential Computing memungkinkan pemerintah membuat layanan yang lebih transparan, efisien, dan efektif, sekaligus mempertahankan kontrol dan kedaulatan atas data mereka.

Tabel berikut menjelaskan beberapa contoh penggunaan Confidential Computing di sektor publik.

Kasus penggunaan Deskripsi
Analisis rahasia multi-lembaga Confidential Computing memungkinkan analisis data multi-pihak di beberapa lembaga pemerintah (misalnya, kesehatan, pajak, dan pendidikan) atau di beberapa pemerintah di berbagai wilayah atau negara. Confidential computing membantu memastikan bahwa batas kepercayaan dan privasi data dilindungi, sekaligus memungkinkan analisis data (dengan menggunakan pencegahan kehilangan data (DLP), analisis skala besar, dan Policy Engine) serta pelatihan dan inferensi AI.
Analisis investigasi dan berbagi intelijen lintas lembaga Berbagai badan pemerintah (seperti lembaga pajak, penegak hukum, dan bea cukai) menggunakan Confidential Space untuk melakukan analisis data bersama. Lembaga dapat melakukan referensi silang terhadap pelaporan pajak, manifes perjalanan, dan catatan keuangan untuk mengidentifikasi penipuan atau ancaman keamanan nasional tanpa membagikan database mentah dan rahasia di seluruh batas yurisdiksi.
Verifikasi identitas digital dan kredensial warga Lembaga publik dan platform identitas memverifikasi paspor biometrik resmi dan ID nasional tanpa menyimpan atau mengekspos data pribadi warga. Warga negara dapat membuktikan atribut tertentu secara kriptografis (seperti kewarganegaraan, tempat tinggal, atau kelayakan usia) sementara data paspor mentah dan tanda tangan biometrik tetap dienkripsi dalam memori dan dihapus setelah pembuatan bukti.

Supply chain

Confidential Computing memungkinkan organisasi yang mengelola supply chain dan program keberlanjutan berkolaborasi dan berbagi insight sekaligus membantu menjaga privasi data.

Tabel berikut menjelaskan beberapa contoh penggunaan Confidential Computing dalam supply chain.

Kasus penggunaan Deskripsi
Logistik multi-pihak otonom dan orkestrasi pengiriman Organisasi men-deploy agen AI otonom untuk menegosiasikan tarif pengiriman, mengoordinasikan serah terima kontainer, dan mengalihkan rute kargo dengan operator eksternal selama gangguan transit. Menjalankan agen logistik ini di dalam instance Confidential VM membantu melindungi manifes pengiriman aktif, perjanjian harga operator, dan kredensial API operator agar tidak terekspos dalam memori ke tenant cloud lainnya.
Deteksi anomali supply chain dan pengoptimalan rute secara real-time Agen AI memproses telemetri real-time (seperti log transit GPS, sensor gerbang gudang, dan peringatan cuaca) untuk mengoptimalkan jalur pengiriman. Pemrosesan telemetri operasional yang sensitif ini di dalam Confidential Space memungkinkan produsen dan distributor menjalankan algoritma pengalihan rute otomatis tanpa mengekspos kapasitas pabrik eksklusif atau kerentanan bottleneck kepada pihak eksternal.
Kepatuhan bea cukai dan dokumentasi perdagangan otomatis Agen AI memproses invoice komersial, surat muatan, dan deklarasi pabean bernilai tinggi untuk mengotomatiskan kepatuhan perbatasan. Mengisolasi agen pengurai dokumen ini di dalam TEE membantu melindungi rahasia dagang yang sensitif saat diekstrak dan diverifikasi terhadap database bea cukai.

Iklan digital

Alih-alih menggunakan cookie pihak ketiga, iklan digital makin banyak menggunakan alternatif yang meningkatkan privasi yang menggunakan TEE untuk membantu perusahaan iklan memproses data mereka di lingkungan yang aman. Misalnya, Google Ads menggunakan Confidential Computing untuk membantu melindungi data pihak pertama saat menjalankan kampanye.

Anda dapat menggunakan TEEs dalam kasus penggunaan iklan digital berikut:

  • Algoritma pencocokan: Menemukan korespondensi atau hubungan dalam set data.
  • Atribusi: Menghubungkan efek atau peristiwa kembali ke kemungkinan penyebabnya.
  • Agregasi: Menghitung ringkasan atau statistik dari data mentah.

Arsitektur referensi

Anda dapat menerapkan Confidential Computing di Google Cloud untuk mengatasi kasus penggunaan berikut:

  • Analisis rahasia
  • Confidential AI
  • Confidential federated learning

Bagian berikut memberikan informasi selengkapnya tentang arsitektur untuk kasus penggunaan ini, termasuk contoh untuk bisnis keuangan dan layanan kesehatan.

Arsitektur analisis rahasia untuk institusi layanan kesehatan

Arsitektur analisis rahasia menunjukkan cara beberapa institusi layanan kesehatan (seperti penyedia layanan kesehatan, perusahaan biofarmasi, dan institusi riset) dapat bekerja sama untuk mempercepat riset obat. Arsitektur ini menggunakan teknik Confidential Computing untuk membuat ruang bersih digital guna menjalankan analisis kolaboratif rahasia.

Arsitektur ini memiliki manfaat berikut:

  • Insight yang ditingkatkan: Analisis kolaboratif memungkinkan organisasi kesehatan memperoleh insight yang lebih luas dan mengurangi waktu penyiapan produk untuk penemuan obat yang lebih baik.
  • Privasi data: Data pasien dan uji klinis yang sensitif tetap dienkripsi saat dalam pengiriman, dalam penyimpanan, dan dalam memori, serta tidak terekspos dalam teks biasa kepada peserta lain atau penyedia cloud.
  • Kepatuhan terhadap peraturan: Arsitektur ini membantu institusi kesehatan mematuhi peraturan perlindungan data dengan mempertahankan kontrol ketat atas data mereka.
  • Kepercayaan dan kolaborasi: Arsitektur ini memungkinkan kolaborasi yang aman antara institusi yang bersaing, sehingga mendorong upaya kolektif untuk menemukan obat.

Diagram berikut menampilkan arsitektur ini.

Diagram arsitektur analisis rahasia untuk institusi layanan kesehatan.

Komponen utama dalam arsitektur ini meliputi:

  • Workload Confidential Space (TEE): Lingkungan yang aman dan terisolasi, tempat data dan kode dalam TEE dilindungi dari akses yang tidak sah, bahkan dari sistem operasi atau penyedia cloud yang mendasarinya.
  • Partner kolaborasi: Setiap institusi kesehatan yang berpartisipasi memiliki lingkungan lokal yang bertindak sebagai perantara antara data pribadi institusi dan TEE.
  • Data terenkripsi khusus penyedia: Setiap institusi layanan kesehatan menyimpan data pasien pribadi terenkripsi miliknya sendiri yang mencakup catatan kesehatan elektronik. Setiap penyedia merilis datanya (dan akses ke kunci dekripsi) ke TEE hanya setelah memvalidasi klaim pengesahan workload TEE. Data hanya didekripsi di dalam TEE yang diuji selama pemrosesan dan tetap dienkripsi dalam memori.
  • Klien analisis: Institusi kesehatan yang berpartisipasi dapat menjalankan kueri rahasia terhadap data mereka untuk mendapatkan insight.

Arsitektur Confidential AI untuk lembaga keuangan

Pola arsitektur ini menunjukkan cara lembaga keuangan dapat melatih model deteksi penipuan secara kolaboratif sekaligus menggunakan label penipuan untuk menjaga kerahasiaan data transaksi sensitif mereka. Arsitektur ini menggunakan teknik Confidential Computing untuk memungkinkan machine learning multi-pihak yang aman.

Arsitektur ini memiliki manfaat berikut:

  • Deteksi penipuan yang ditingkatkan: Pelatihan kolaboratif menggunakan set data yang lebih besar dan lebih beragam, sehingga menghasilkan model deteksi penipuan yang lebih akurat dan efektif.
  • Privasi data: Data transaksi sensitif tetap dienkripsi dalam pengiriman, dalam penyimpanan, dan dalam memori, serta tidak diekspos dalam teks biasa kepada peserta lain atau penyedia cloud.
  • Kepatuhan terhadap peraturan: Arsitektur ini membantu lembaga keuangan mematuhi peraturan perlindungan data dengan mempertahankan kontrol ketat atas data mereka.
  • Kepercayaan dan kolaborasi: Arsitektur ini memungkinkan kolaborasi yang aman antara institusi yang bersaing, sehingga mendorong upaya kolektif untuk memerangi penipuan keuangan.

Diagram berikut menampilkan arsitektur ini.

Diagram arsitektur AI rahasia untuk institusi keuangan.

Komponen utama arsitektur ini meliputi:

  • Workload Confidential Space (TEE): Lingkungan yang aman dan terisolasi, tempat data dan kode dalam TEE dilindungi dari akses yang tidak sah, bahkan dari sistem operasi atau penyedia cloud yang mendasarinya.
  • Partner kolaborasi: Setiap lembaga keuangan yang berpartisipasi memiliki lingkungan lokal yang bertindak sebagai perantara antara data pribadi lembaga dan TEE.
  • Data terenkripsi khusus bank: Setiap bank menyimpan data transaksi pribadi terenkripsi miliknya sendiri yang mencakup label penipuan. Setiap bank merilis datanya (dan akses ke kunci dekripsi) ke TEE hanya setelah memvalidasi klaim pengesahan workload TEE. Data didekripsi hanya di dalam TEE yang diuji selama pemrosesan dan tetap dienkripsi dalam memori.
  • Repositori model eksklusif: Model deteksi penipuan terlatih yang berfungsi sebagai titik awal untuk pelatihan kolaboratif.
  • Model dan bobot global yang dilatih untuk mendeteksi penipuan (ditunjukkan oleh panah hijau keluar dari TEE ke setiap bank): Model deteksi penipuan yang ditingkatkan, beserta bobot yang dipelajari, ditukarkan kembali dengan aman ke bank yang berpartisipasi. Kemudian, mereka dapat men-deploy model yang ditingkatkan ini secara lokal untuk deteksi penipuan pada transaksi mereka sendiri.

Arsitektur confidential federated learning untuk lembaga keuangan

Federated learning menawarkan solusi lanjutan bagi pelanggan yang menghargai privasi data dan kedaulatan data yang ketat. Arsitektur confidential federated learning menyediakan cara yang aman, skalabel, dan efisien untuk menggunakan data untuk aplikasi AI. Arsitektur ini membawa model ke lokasi tempat data disimpan, bukan memusatkan data di satu lokasi, sehingga mengurangi risiko yang terkait dengan kebocoran data.

Pola arsitektur ini menunjukkan cara beberapa lembaga keuangan dapat melatih model deteksi penipuan secara kolaboratif sekaligus menjaga kerahasiaan data transaksi sensitif mereka dengan label penipuan. Solusi ini menggunakan federated learning beserta teknik Confidential Computing untuk memungkinkan machine learning multi-pihak yang aman tanpa pergerakan data pelatihan.

Arsitektur ini memiliki manfaat berikut:

  • Privasi dan keamanan data yang ditingkatkan: Federated learning memungkinkan privasi data dan lokalitas data dengan menyimpan data sensitif di setiap situs. Selain itu, lembaga keuangan dapat menggunakan teknik yang menjaga privasi, seperti enkripsi homomorfik dan filter privasi diferensial, untuk melindungi lebih lanjut data yang ditransfer (seperti bobot model).
  • Peningkatan akurasi dan keragaman: Dengan melatih berbagai sumber data di berbagai klien, lembaga keuangan dapat mengembangkan model global yang kuat dan dapat digeneralisasi untuk merepresentasikan set data heterogen dengan lebih baik.
  • Skalabilitas dan efisiensi jaringan: Dengan kemampuan untuk melakukan pelatihan di edge, institusi dapat menskalakan federated learning secara global. Selain itu, institusi hanya perlu mentransfer bobot model, bukan seluruh set data, sehingga memungkinkan penggunaan resource jaringan yang efisien.

Diagram berikut menampilkan arsitektur ini.

Diagram arsitektur confidential federated learning.

Komponen utama arsitektur ini meliputi:

  • Server gabungan di cluster TEE: Lingkungan yang aman dan terisolasi tempat server federated learning mengatur kolaborasi beberapa klien dengan terlebih dahulu mengirimkan model awal ke klien federated learning. Klien melakukan pelatihan pada set data lokal mereka, lalu mengirimkan update model kembali ke server federated learning untuk digabungkan guna membentuk model global.
  • Repositori model federated learning: Model deteksi penipuan terlatih yang berfungsi sebagai titik awal untuk federated learning.
  • Mesin inferensi aplikasi lokal: Aplikasi yang menjalankan tugas, melakukan komputasi dan pembelajaran lokal dengan set data lokal, serta mengirimkan hasilnya kembali ke server federated learning untuk agregasi yang aman.
  • Data pribadi lokal: Setiap bank menyimpan data transaksi pribadi terenkripsi miliknya sendiri yang menyertakan label penipuan. Data mentah ini tidak pernah keluar dari lingkungan lokal bank, sehingga membantu melindungi privasi data.
  • Protokol penggabungan aman (ditunjukkan oleh panah biru putus-putus masuk dari setiap bank ke cluster TEE): Server federated learning tidak perlu mengakses update setiap bank untuk melatih model. Server hanya memerlukan rata-rata tertimbang berdasarkan elemen dari vektor update, yang diambil dari subset acak bank atau situs. Dengan menggunakan protokol agregasi yang aman untuk menghitung rata-rata tertimbang ini, server hanya mempelajari update model gabungan dari subset yang dipilih, bukan bank tertentu yang berkontribusi pada update tertentu. Pendekatan ini membantu menjaga privasi setiap peserta dalam proses federated learning.
  • Model global yang dilatih untuk mendeteksi penipuan dan bobot gabungan (ditunjukkan oleh panah hijau keluar dari cluster TEE ke setiap bank): Model deteksi penipuan yang ditingkatkan, beserta bobot yang dipelajari, dikirim kembali dengan aman ke bank yang berpartisipasi. Bank kemudian dapat men-deploy model yang ditingkatkan ini secara lokal untuk mendeteksi penipuan pada transaksi mereka sendiri.

Langkah berikutnya