Confidential Computing per l'analisi dei dati, l'AI e l'apprendimento federato

Confidential Computing ti consente di collaborare su dati sensibili, addestrare modelli di AI ed eseguire workload di apprendimento federato mantenendo i dati crittografati in memoria. Questo documento descrive i casi d'uso del settore e le architetture di riferimento per l'analisi riservata, l'AI e il federated learning su Google Cloud.

Casi d'uso

Le sezioni seguenti forniscono esempi di casi d'uso di Confidential Computing per vari settori.

Sanità e scienze biologiche

Confidential Computing consente la condivisione e l'analisi sicure dei dati tra le organizzazioni, contribuendo al contempo a preservare la privacy dei pazienti. Confidential Computing consente alle organizzazioni sanitarie di partecipare a ricerche collaborative, modellazione di malattie, scoperta di farmaci e piani di trattamento personalizzati.

La tabella seguente descrive alcuni esempi di utilizzo di Confidential Computing nel settore sanitario.

Caso d'uso Descrizione
Previsione e rilevamento precoce delle malattie Gli ospedali addestrano un modello di apprendimento federato per rilevare lesioni cancerose dai dati di imaging medico (ad esempio, risonanze magnetiche o TAC in più ospedali o regioni ospedaliere) mantenendo la riservatezza dei pazienti.
Monitoraggio dei pazienti in tempo reale I fornitori di servizi sanitari analizzano i dati dei dispositivi per la salute indossabili e delle app per la salute mobile per il monitoraggio e gli avvisi in tempo reale. Ad esempio, i dispositivi indossabili raccolgono dati sui livelli di glucosio, sull'attività fisica e sulle abitudini alimentari per fornire suggerimenti personalizzati e avvisi tempestivi per le fluttuazioni della glicemia.
Scoperta di farmaci e sperimentazioni cliniche collaborative Le aziende farmaceutiche e gli ospedali di ricerca raggruppano i dati degli studi clinici, le sequenze genomiche e le strutture molecolari per scoprire terapie e modellare le interazioni tra i farmaci.
Documentazione clinica e trascrizione medica autonome Gli assistenti AI acquisiscono le conversazioni tra medico e paziente per redigere riepiloghi clinici, aggiornare le cartelle cliniche elettroniche (EHR) e suggerire codici di fatturazione.
Valutazione e benchmarking dell'AI medica multi-istituzionale Gli istituti sanitari e i consorzi di ricerca convalidano i modelli diagnostici proprietari su popolazioni di pazienti diverse e globali senza spostare o esporre dati clinici non elaborati.

Servizi finanziari

Confidential Computing consente agli istituti finanziari di creare un sistema finanziario più sicuro e resiliente.

La tabella seguente descrive alcuni esempi di utilizzo di Confidential Computing nei servizi finanziari.

Caso d'uso Descrizione
Rilevamento di frodi e antiriciclaggio (AML) Più istituti finanziari condividono flussi di transazioni sensibili e indicatori di frode per addestrare modelli di machine learning o eseguire il deployment di agenti analitici. Utilizzando questi dati raccolti, gli istituti possono rilevare associazioni di riciclaggio transfrontaliero e frodi nei pagamenti senza rivelare ai concorrenti i numeri di conto bancario dei clienti o i record delle transazioni proprietarie.
Valutazione del rischio di credito e sottoscrizione I prestatori valutano le richieste di credito commerciale o al dettaglio analizzando dati finanziari sensibili e non tradizionali (come i pagamenti delle utenze in tempo reale) senza esporre questi dati a terze parti. L'esecuzione di agenti di sottoscrizione automatizzati in un Trusted Execution Environment (TEE) aiuta a isolare i documenti finanziari di un richiedente e gli algoritmi di scoring del rischio proprietari della banca durante la valutazione.
Analisi finanziaria automatizzata e rapporti per la conformità normativa Gli agenti AI autonomi eseguono ricerche nei registri aziendali interni, nei portafogli di investimento e nelle informazioni non pubbliche rilevanti (MNPI) per preparare promemoria di due diligence, report di audit e documenti normativi.

Settore pubblico

Confidential Computing consente ai governi di creare servizi più trasparenti, efficienti ed efficaci, mantenendo al contempo il controllo e la sovranità dei propri dati.

La tabella seguente descrive alcuni esempi di utilizzo di Confidential Computing nel settore pubblico.

Caso d'uso Descrizione
Analisi riservate multi-agenzia Confidential Computing consente l'analisi dei dati di più parti in più enti statali (ad esempio, sanità, fisco e istruzione) o in più governi in regioni o paesi diversi. Confidential Computing aiuta a garantire la protezione dei confini di attendibilità e della privacy dei dati, consentendo al contempo l'analisi dei dati (utilizzando la prevenzione della perdita di dati (DLP), l'analisi su larga scala e i motori di policy) e l'addestramento e l'erogazione dell'AI.
Analisi investigativa tra agenzie e condivisione di intelligence Enti governativi separati (come agenzie fiscali, forze dell'ordine e dogane) utilizzano Confidential Space per eseguire analisi congiunte dei dati. Le agenzie possono fare un controllo incrociato di dichiarazioni dei redditi, manifesti di viaggio e documenti finanziari per identificare frodi o minacce alla sicurezza nazionale senza condividere database non elaborati e classificati oltre i confini giurisdizionali.
Identità digitale e verifica delle credenziali dei cittadini Agenzie pubbliche e piattaforme di identità verificano i passaporti biometrici ufficiali e i documenti di identità nazionali senza archiviare o esporre i dati personali dei cittadini. I cittadini possono dimostrare in modo crittografico attributi specifici (come nazionalità, residenza o idoneità in base all'età), mentre i dati grezzi del passaporto e le firme biometriche rimangono crittografati in memoria e vengono eliminati dopo la generazione della prova.

Catena di fornitura

Confidential Computing consente alle organizzazioni che gestiscono catene di fornitura e programmi di sostenibilità di collaborare e condividere insight, contribuendo al contempo a mantenere la privacy dei dati.

La tabella seguente descrive alcuni esempi di utilizzo di Confidential Computing nelle catene di fornitura.

Caso d'uso Descrizione
Orchestrazione autonoma della logistica e della spedizione tra più parti Le organizzazioni implementano agenti AI autonomi per negoziare le tariffe di spedizione, coordinare i passaggi di consegne dei container e cambiare percorso dei carichi con corrieri esterni durante le interruzioni del transito. L'esecuzione di questi agenti logistici all'interno di un'istanza Confidential VM aiuta a proteggere i manifesti di spedizione attivi, i contratti sui prezzi dei corrieri e le credenziali API dei corrieri dall'esposizione in memoria ad altri tenant cloud.
Rilevamento di anomalie nella catena di fornitura e ottimizzazione dei percorsi in tempo reale Gli agenti AI elaborano la telemetria in tempo reale (come i log di transito GPS, i sensori dei cancelli dei magazzini e gli avvisi meteo) per ottimizzare le rotte di spedizione. L'elaborazione di questa telemetria operativa sensibile all'interno di Confidential Space consente a produttori e distributori di eseguire algoritmi di cambio percorso automatico senza esporre a terze parti le capacità proprietarie della fabbrica o le vulnerabilità dei colli di bottiglia.
Conformità doganale e documentazione commerciale automatizzate Gli agenti AI elaborano fatture commerciali, polizze di carico e dichiarazioni doganali di alto valore per automatizzare la conformità alle frontiere. Isolare questi agenti di analisi dei documenti all'interno di un TEE aiuta a proteggere i segreti aziendali sensibili durante l'estrazione e la verifica rispetto ai database doganali.

Pubblicità digitale

Anziché utilizzare i cookie di terze parti, la pubblicità digitale utilizza sempre più spesso alternative che migliorano la privacy e che utilizzano i TEE per aiutare le società pubblicitarie a elaborare i propri dati in un ambiente sicuro. Ad esempio, Google Ads utilizza Confidential Computing per proteggere i dati proprietari durante l'esecuzione delle campagne.

Puoi utilizzare i TEEs nei seguenti casi d'uso della pubblicità digitale:

  • Algoritmi di corrispondenza: individuano corrispondenze o relazioni all'interno dei set di dati.
  • Attribuzione: collegare effetti o eventi alle loro probabili cause.
  • Aggregazione: calcolo di riepiloghi o statistiche dai dati non elaborati.

Architetture di riferimento

Puoi implementare Confidential Computing su Google Cloud per gestire i seguenti casi d'uso:

  • Confidential Analytics
  • Confidential AI
  • Apprendimento federato riservato

Le sezioni seguenti forniscono maggiori informazioni sull'architettura per questi casi d'uso, inclusi esempi per le aziende finanziarie e sanitarie.

Architettura di Confidential Analytics per gli istituti sanitari

L'architettura di analisi riservata mostra come più istituzioni sanitarie (come fornitori di servizi sanitari, aziende biofarmaceutiche e istituti di ricerca) possono collaborare per accelerare la ricerca sui farmaci. Questa architettura utilizza tecniche di Confidential Computing per creare una data clean room digitale per l'esecuzione di analisi collaborative riservate.

Questa architettura offre i seguenti vantaggi:

  • Insight migliorati: l'analisi collaborativa consente alle organizzazioni sanitarie di ottenere insight più ampi e ridurre il time to market per una migliore scoperta di farmaci.
  • Privacy dei dati: i dati sensibili dei pazienti e degli studi clinici rimangono criptati in transito, at-rest e in memoria e non vengono esposti in testo non crittografato ad altri partecipanti o al cloud provider.
  • Conformità legale: l'architettura aiuta gli istituti sanitari a rispettare le normative sulla protezione dei dati mantenendo un controllo rigoroso sui propri dati.
  • Fiducia e collaborazione: l'architettura consente una collaborazione sicura tra istituzioni concorrenti, promuovendo uno sforzo collettivo per la scoperta di farmaci.

Il seguente diagramma mostra questa architettura.

Diagramma dell'architettura di Confidential Analytics per gli istituti sanitari.

I componenti chiave di questa architettura includono:

  • Workload Confidential Space (TEE): un ambiente sicuro e isolato in cui i dati e il codice all'interno del TEE sono protetti da accessi non autorizzati, anche dal sistema operativo o dal cloud provider sottostante.
  • Partner di collaborazione: ogni istituto sanitario partecipante dispone di un ambiente locale che funge da intermediario tra i dati privati dell'istituto e il TEE.
  • Dati criptati specifici del provider: ogni istituto sanitario archivia i propri dati dei pazienti privati e criptati, inclusi i riepiloghi salute elettronici. Ogni provider rilascia i propri dati (e l'accesso alle chiavi di decrittografia) al TEE solo dopo aver convalidato le attestazioni del workload del TEE. I dati vengono decriptati solo all'interno del TEE attestato durante l'elaborazione e rimangono criptati in memoria.
  • Client di analisi: gli istituti sanitari partecipanti possono eseguire query riservate sui propri dati per ottenere insight.

Architettura Confidential AI per gli istituti finanziari

Questo pattern architetturale mostra come gli istituti finanziari possono addestrare in modo collaborativo un modello di rilevamento delle attività fraudolente utilizzando le etichette di attività fraudolente per preservare la riservatezza dei dati sensibili delle transazioni. L'architettura utilizza tecniche di Confidential Computing per consentire il machine learning sicuro tra più parti.

Questa architettura offre i seguenti vantaggi:

  • Rilevamento delle frodi migliorato: l'addestramento collaborativo utilizza un set di dati più ampio e diversificato, il che porta a un modello di rilevamento delle frodi più accurato ed efficace.
  • Privacy dei dati: i dati sensibili delle transazioni rimangono crittografati in transito, at-rest e in memoria e non vengono esposti in testo non crittografato ad altri partecipanti o al cloud provider.
  • Conformità legale: l'architettura aiuta gli istituti finanziari a rispettare le normative sulla protezione dei dati mantenendo un controllo rigoroso sui propri dati.
  • Fiducia e collaborazione: questa architettura consente una collaborazione sicura tra istituti concorrenti, promuovendo uno sforzo collettivo per combattere le frodi finanziarie.

Il seguente diagramma mostra questa architettura.

Diagramma dell'architettura di Confidential AI per gli istituti finanziari.

I componenti chiave di questa architettura includono:

  • Workload Confidential Space (TEE): un ambiente sicuro e isolato in cui i dati e il codice all'interno del TEE sono protetti da accessi non autorizzati, anche dal sistema operativo o dal cloud provider sottostante.
  • Partner di collaborazione: ogni istituto finanziario partecipante dispone di un ambiente locale che funge da intermediario tra i dati privati dell'istituto e il TEE.
  • Dati criptati specifici della banca: ogni banca conserva i propri dati delle transazioni privati e criptati, che includono le etichette di attività fraudolenta. Ogni banca rilascia i propri dati (e l'accesso alle chiavi di decriptazione) al TEE solo dopo aver convalidato le attestazioni del workload del TEE. I dati vengono decriptati solo all'interno del TEE attestato durante l'elaborazione e rimangono criptati in memoria.
  • Repository di modelli proprietari: un modello di rilevamento delle frodi pre-addestrato che funge da punto di partenza per l'addestramento collaborativo.
  • Modello e pesi addestrati per il rilevamento delle frodi a livello globale (indicati dalle frecce verdi in uscita dal TEE verso ogni banca): il modello di rilevamento delle frodi migliorato, insieme ai pesi appresi, viene scambiato in modo sicuro con le banche partecipanti. Quindi, possono eseguire il deployment di questo modello migliorato localmente per il rilevamento delle frodi sulle proprie transazioni.

Architettura di apprendimento federato riservato per gli istituti finanziari

L'apprendimento federato offre una soluzione avanzata per i clienti che apprezzano la rigorosa privacy dei dati e la sovranità dei dati. L'architettura di apprendimento federato riservato fornisce un modo sicuro, scalabile ed efficiente per utilizzare i dati per le applicazioni di AI. Questa architettura porta i modelli nella posizione in cui sono archiviati i dati, anziché centralizzarli in un'unica posizione, riducendo così i rischi associati alla fuga di dati.

Questo pattern architetturale mostra come più istituti finanziari possono addestrare in modo collaborativo un modello di rilevamento delle frodi, preservando al contempo la riservatezza dei dati sensibili delle transazioni con etichette di frode. Utilizza l'apprendimento federato insieme alle tecniche di Confidential Computing per consentire il machine learning sicuro tra più parti senza spostamento dei dati di addestramento.

Questa architettura offre i seguenti vantaggi:

  • Privacy e sicurezza dei dati avanzate: l'apprendimento federato consente la privacy dei dati e la località dei dati mantenendo i dati sensibili in ogni sito. Inoltre, gli istituti finanziari possono utilizzare tecniche che tutelano la privacy, come la crittografia omomorfica e i filtri di privacy differenziale, per proteggere ulteriormente i dati trasferiti (come i pesi del modello).
  • Maggiore accuratezza e diversità: l'addestramento con una varietà di origini dati di diversi clienti consente agli istituti finanziari di sviluppare un modello globale solido e generalizzabile per rappresentare meglio i set di dati eterogenei.
  • Scalabilità ed efficienza della rete: grazie alla possibilità di eseguire l'addestramento all'edge, gli istituti possono scalare l'apprendimento federato a livello globale. Inoltre, gli istituti devono trasferire solo i pesi del modello anziché interi set di dati, il che consente un utilizzo efficiente delle risorse di rete.

Il seguente diagramma mostra questa architettura.

Diagramma dell'architettura di apprendimento federato riservato.

I componenti chiave di questa architettura includono:

  • Server federato nel cluster TEE: un ambiente sicuro e isolato in cui il server di apprendimento federato orchestra la collaborazione di più client inviando prima un modello iniziale ai client di apprendimento federato. I client eseguono l'addestramento sui propri set di dati locali, quindi inviano gli aggiornamenti del modello al server di apprendimento federato per l'aggregazione in modo da formare un modello globale.
  • Repository dei modelli di apprendimento federato: un modello di rilevamento delle frodi preaddestrato che funge da punto di partenza per l'apprendimento federato.
  • Motore di inferenza dell'applicazione locale: un'applicazione che esegue attività, esegue calcoli e apprendimento locali con set di dati locali e invia i risultati al server di apprendimento federato per l'aggregazione sicura.
  • Dati privati locali: ogni banca conserva i propri dati privati e criptati sulle transazioni, che includono etichette relative alle frodi. Questi dati non elaborati non lasciano mai l'ambiente locale della banca, il che contribuisce a proteggere la privacy dei dati.
  • Protocollo di aggregazione sicura (indicato dalle frecce blu tratteggiate in entrata da ogni banca al cluster TEE): il server di apprendimento federato non deve accedere all'aggiornamento di ogni singola banca per addestrare il modello. Il server richiede solo le medie ponderate per elemento dei vettori di aggiornamento, prese da un sottoinsieme casuale di banche o siti. Utilizzando un protocollo di aggregazione sicuro per calcolare queste medie ponderate, il server apprende solo gli aggiornamenti del modello aggregati dal sottoinsieme selezionato, anziché quale banca specifica ha contribuito a un determinato aggiornamento. Questo approccio aiuta a preservare la privacy di ogni partecipante al processo di apprendimento federato.
  • Modello globale addestrato per le frodi e pesi aggregati (indicati dalle frecce verdi in uscita dal cluster TEE verso ogni banca): il modello di rilevamento delle frodi migliorato, insieme ai pesi appresi, viene inviato in modo sicuro alle banche partecipanti. Le banche possono quindi implementare questo modello migliorato localmente per il rilevamento delle frodi nelle proprie transazioni.

Passaggi successivi