データ分析、AI、フェデレーション ラーニング向けの Confidential Computing

Confidential Computing を使用すると、機密データでのコラボレーション、AI モデルのトレーニング、フェデレーション ラーニング ワークロードの実行を、メモリ内でデータを暗号化したまま行うことができます。このドキュメントでは、 Google Cloudでの機密分析、AI、フェデレーション ラーニングの業界ユースケースとリファレンス アーキテクチャについて説明します。

ユースケース

以降のセクションでは、さまざまな業界における Confidential Computing のユースケースの例を示します。

医療とライフ サイエンス

Confidential Computing を使用すると、患者のプライバシーを保護しながら、組織間で安全なデータ共有と分析を行うことができます。Confidential Computing を使用すると、医療機関は共同研究、疾患モデリング、創薬、パーソナライズされた治療計画に参加できます。

次の表に、医療における Confidential Computing の用途例を示します。

ユースケース 説明
疾患の予測と早期発見 病院は、患者の機密性を維持しながら、医療画像データ（複数の病院または病院リージョンにわたる MRI スキャンや CT スキャンなど）からがん病変を検出するようにフェデレーション ラーニング モデルをトレーニングします。
リアルタイムの患者モニタリング 医療提供者は、ウェアラブル健康デバイスやモバイル健康アプリのデータを分析して、リアルタイムのモニタリングとアラートを行います。たとえば、ウェアラブル デバイスは血糖値、身体活動、食習慣に関するデータを収集し、パーソナライズされたおすすめ表示や血糖値の変動に関する早期警告を提供します。
共同創薬と臨床試験 製薬会社や研究病院は、臨床試験データ、ゲノム配列、分子構造をプールして、治療法を発見し、薬物相互作用をモデル化します。
自律的な臨床文書作成と医療記録 AI アシスタントは、臨床医と患者の会話をキャプチャして、臨床サマリーの下書き、電子医療記録（EHR）の更新、請求コードの提案を行います。
複数の医療機関による医療 AI の評価とベンチマーク 医療機関や研究コンソーシアムは、未加工の臨床データを移動または公開することなく、多様なグローバル患者集団にわたって独自の診断モデルを検証します。

金融サービス

Confidential Computing を使用すると、金融機関はより安全で復元力のある金融システムを構築できます。

次の表に、金融サービスにおける Confidential Computing の使用例を示します。

ユースケース 説明
不正行為の検出とマネー ロンダリング防止（AML） 複数の金融機関が機密性の高い取引フローと不正行為の指標を共有して、ML モデルのトレーニングや分析エージェントのデプロイを行います。この収集されたデータを使用することで、金融機関は、顧客の口座番号や独自の取引記録を競合他社に開示することなく、国境を越えたマネー ロンダリング組織や支払いに関する不正行為を検出できます。
信用リスク評価と引受 融資機関は、機密性の高い非従来型の財務データ（リアルタイムの公共料金の支払いなど）を外部に公開することなく分析して、商業用または個人用のクレジット申請を評価します。高信頼実行環境（TEE）で自動引受エージェントを実行すると、評価中に申請者の財務記録と銀行独自のリス クスコアリング アルゴリズムを分離できます。
財務分析と法令上の報告の自動化 自律型 AI エージェントが、社内の元帳、投資ポートフォリオ、重要な非公開情報（MNPI）を検索して、デュー デリジェンス メモ、監査レポート、規制関連の提出書類を作成します。

公共部門

Confidential Computing を使用すると、政府はデータの管理と主権を維持しながら、より透明性が高く、効率的で効果的なサービスを構築できます。

次の表に、公共部門における Confidential Computing の用途例を示します。

ユースケース 説明
複数機関の機密分析 Confidential Computing を使用すると、複数の政府機関（保健、税務、教育など）や、異なる地域や国の複数の政府間でマルチパーティ データ分析を行うことができます。Confidential Computing は、信頼境界とデータ プライバシーを保護しながら、データ分析（データ損失防止（DLP）、大規模分析、Policy Engine を使用）と AI のトレーニングとサービングを可能にします。
機関をまたいだ調査分析とインテリジェンスの共有 個別の政府機関（税務、法執行機関、税関など）は、Confidential Space を使用して共同データ分析を行います。機関は、管轄区域の境界を越えて未加工の機密データベースを共有することなく、税務申告、旅行マニフェスト、財務記録を相互参照して、不正行為や国家安全保障上の脅威を特定できます。
デジタル ID と市民の認証情報の検証 公共機関や Identity Platformは、市民の個人データを保存したり公開したりすることなく、公式の生体認証パスポートや国民 ID を検証します。市民は、特定の属性（国籍、居住地、年齢資格など）を暗号的に証明できます。一方、パスポートの未加工データと生体認証署名はメモリ内で暗号化されたままで、証明の生成後に削除されます。

サプライ チェーン

Confidential Computing を使用すると、サプライ チェーンとサステナビリティ プログラムを管理する組織は、データのプライバシーを維持しながら、コラボレーションと分析情報の共有を行うことができます。

次の表に、サプライ チェーンでの Confidential Computing の使用例を示します。

ユースケース 説明
自律的なマルチパーティ ロジスティクスと配送のオーケストレーション 組織は、自律型 AI エージェントをデプロイして、送料レートの交渉、コンテナの引き渡しの調整、輸送の中断時の外部運送業者による貨物のルート変更を行います。これらのロジスティクス エージェントを Confidential VM インスタンス内で実行すると、アクティブな配送マニフェスト、運送業者の価格契約、運送業者の API 認証情報がメモリ内で他のクラウド テナントに公開されるのを防ぐことができます。
リアルタイムのサプライ チェーン異常検出とルート最適化 AI エージェントは、リアルタイムのテレメトリー（GPS 輸送ログ、倉庫ゲートセンサー、気象アラートなど）を処理して、配送ルートを最適化します。この機密性の高い運用テレメトリーを Confidential Space 内で処理することで、メーカーや流通業者は、独自の工場能力やボトルネックの脆弱性を外部に公開することなく、自動再ルーティング アルゴリズムを実行できます。
自動化された通関コンプライアンスと貿易書類 AI エージェントは、高価値の商業送り状、船荷証券、税関申告書を処理して、国境コンプライアンスを自動化します。これらのドキュメント解析エージェントを TEE 内に分離することで、機密性の高い企業秘密を抽出し、税関データベースと照合する際に保護できます。

デジタル広告

デジタル広告では、サードパーティ Cookie の代わりに、TEE を使用して広告会社が安全な環境でデータを処理できるようにする、プライバシーを強化した代替手段がますます使用されるようになっています。たとえば、Google 広告では、Confidential Computing を使用して、キャンペーンの実施時にファーストパーティ データを保護します。

TEEs は、次のデジタル広告のユースケースで使用できます。

  • マッチング アルゴリズム: データセット内の対応関係や関係を検出します。
  • アトリビューション: 影響や事象を、考えられる原因に結び付けること。
  • 集計: 元データから要約や統計情報を計算します。

リファレンス アーキテクチャ

Google Cloud に Confidential Computing を実装すると、次のユースケースに対応できます。

  • 機密分析
  • Confidential AI
  • 機密フェデレーション ラーニング

以降のセクションでは、金融ビジネスと医療ビジネスの例など、これらのユースケースのアーキテクチャについて詳しく説明します。

医療機関向けの機密分析アーキテクチャ

機密分析アーキテクチャは、複数の医療機関（医療提供者、バイオ医薬品企業、研究機関など）が連携して医薬品研究を加速する方法を示しています。このアーキテクチャでは、Confidential Computing 技術を使用して、機密性の高い共同分析を実行するためのデジタル クリーンルームを作成します。

このアーキテクチャには、次のメリットがあります。

  • 分析情報の強化: 共同分析により、医療機関はより幅広い分析情報を得て、創薬の強化にかかる製品化までの時間を短縮できます。
  • データ プライバシー: 機密性の高い患者データと臨床試験データは、転送中、保存中、メモリ内で暗号化されたままになり、他の参加者やクラウド プロバイダに平文で公開されることはありません。
  • 規制遵守: このアーキテクチャは、医療機関がデータを厳格に管理することで、データ保護規制を遵守できるようにします。
  • 信頼とコラボレーション: このアーキテクチャにより、競合する機関間の安全なコラボレーションが可能になり、創薬に向けた共同の取り組みが促進されます。

次の図は、このアーキテクチャを示しています。

医療機関向けの機密分析アーキテクチャの図。

このアーキテクチャの主なコンポーネントは次のとおりです。

  • Confidential Space ワークロード（TEE）: TEE 内のデータとコードが不正アクセスから保護される、安全で隔離された環境。基盤となるオペレーティング システムやクラウド プロバイダからのアクセスも保護されます。
  • コラボレーション パートナー: 参加する各医療機関には、機関の非公開データと TEE の間の仲介役として機能するローカル環境があります。
  • プロバイダ固有の暗号化されたデータ: 各医療機関は、電子医療記録を含む、非公開の暗号化された患者データを保存します。各プロバイダは、TEE ワークロードの証明書クレームを検証した後にのみ、データ（および復号鍵へのアクセス）を TEE にリリースします。データは、処理中に証明済みの TEE 内でのみ復号され、メモリ内では暗号化されたままになります。
  • 分析クライアント: 参加している医療機関は、データに対して機密クエリを実行して分析情報を取得できます。

金融機関向けの機密 AI アーキテクチャ

このアーキテクチャ パターンは、金融機関が不正行為ラベルを使用して機密性の高い取引データの機密性を維持しながら、不正行為検出モデルを共同でトレーニングする方法を示しています。このアーキテクチャでは、Confidential Computing 技術を使用して、安全なマルチパーティ ML を実現します。

このアーキテクチャには、次のメリットがあります。

  • 不正行為検出の強化: 共同トレーニングでは、より大規模で多様なデータセットを使用するため、より正確で効果的な不正行為検出モデルが作成されます。
  • データ プライバシー: 機密性の高いトランザクション データは、転送中、保存中、メモリ内で暗号化されたままになり、他の参加者やクラウド プロバイダに平文で公開されることはありません。
  • 規制遵守: このアーキテクチャは、金融機関がデータを厳格に管理することで、データ保護規制を遵守できるようにします。
  • 信頼とコラボレーション: このアーキテクチャにより、競合する機関間の安全なコラボレーションが可能になり、金融詐欺に対抗するための共同の取り組みが促進されます。

次の図は、このアーキテクチャを示しています。

金融機関向けの機密 AI アーキテクチャの図。

このアーキテクチャの主なコンポーネントは次のとおりです。

  • Confidential Space ワークロード（TEE）: TEE 内のデータとコードが不正アクセスから保護される、安全で隔離された環境。基盤となるオペレーティング システムやクラウド プロバイダからのアクセスも保護されます。
  • コラボレーション パートナー: 参加する各金融機関には、機関のプライベート データと TEE の間の仲介役として機能するローカル環境があります。
  • 銀行固有の暗号化されたデータ: 各銀行は、不正行為ラベルを含む、非公開の暗号化された取引データを保有します。各銀行は、TEE ワークロードの構成証明クレームを検証した後にのみ、データ（および復号鍵へのアクセス）を TEE にリリースします。データは、処理中に証明済みの TEE 内でのみ復号され、メモリ内では暗号化されたままになります。
  • 独自のモデル リポジトリ: 共同トレーニングの出発点となる、事前トレーニング済みの不正行為検出モデル。
  • グローバルな不正行為トレーニング済みモデルと重み（TEE から各銀行への外向きの緑色の矢印で示されています）: 改良された不正行為検出モデルとその学習済みの重みは、参加銀行に安全に共有されます。その後、各金融機関は、この強化されたモデルをローカルにデプロイし、自社の取引における不正行為検出に利用できます。

金融機関向けの機密フェデレーション ラーニング アーキテクチャ

フェデレーション ラーニングは、厳格なデータ プライバシーとデータ主権を重視するお客様に高度なソリューションを提供します。Confidential Federated Learning アーキテクチャは、AI アプリケーションにデータを使用するための安全でスケーラブルかつ効率的な方法を提供します。このアーキテクチャでは、データを 1 つの場所に一元化するのではなく、データが保存されている場所にモデルを配置することで、データ漏洩に関連するリスクを軽減します。

このアーキテクチャ パターンは、複数の金融機関が不正行為ラベルを使用して機密性の高い取引データの機密性を保ちながら、不正行為検出モデルを共同でトレーニングする方法を示しています。このプラットフォームでは、フェデレーション ラーニングや Confidential Computing 技術を使用して、トレーニング データを移動させることなく安全なマルチパーティ ML を実現します。

このアーキテクチャには、次のメリットがあります。

  • データ プライバシーとセキュリティの強化: フェデレーション ラーニングでは、機密データを各サイトに保持することで、データのプライバシーとデータの局所性を実現します。また、金融機関は、準同型暗号化や差分プライバシー フィルタなどのプライバシー保護手法を使用して、転送されたデータ（モデルの重みなど）をさらに保護できます。
  • 精度と多様性の向上: さまざまなクライアントのさまざまなデータソースを使用してトレーニングすることで、金融機関は、異種データセットをより適切に表現する、堅牢で一般化可能なグローバル モデルを開発できます。
  • スケーラビリティとネットワーク効率: エッジでトレーニングを実行できるため、機関はフェデレーション ラーニングをグローバルにスケーリングできます。さらに、機関はデータセット全体ではなくモデルの重みのみを転送する必要があるため、ネットワーク リソースを効率的に使用できます。

次の図は、このアーキテクチャを示しています。

機密フェデレーション ラーニング アーキテクチャの図。

このアーキテクチャの主なコンポーネントは次のとおりです。

  • TEE クラスタ内の連携サーバー: 安全で隔離された環境内で、フェデレーション ラーニング サーバーが、最初に初期モデルをフェデレーション ラーニング クライアントに送信し、複数のクライアントの協力を調整します。クライアントはローカルのデータセットでトレーニングを実行し、モデルの更新内容をフェデレーション ラーニング サーバーに送信します。このデータが集計されてグローバルモデルが形成されます。
  • フェデレーション ラーニング モデル リポジトリ: フェデレーション ラーニングの出発点となる、事前トレーニング済みの不正行為検出モデル。
  • ローカル アプリケーション推論エンジン: タスクを実行し、ローカル データセットを使用してローカルで計算と学習を行い、結果をフェデレーション ラーニング サーバーに送信して安全に集計するアプリケーション。
  • ローカルの非公開データ: 各銀行は、不正行為ラベルを含む、非公開の暗号化された取引データを保有します。この元データは銀行のローカル環境から外部に送信されることはないため、データのプライバシーを保護できます。
  • セキュアな集約プロトコル（各銀行から TEE クラスタへのインバウンドの青い点線の矢印で示されています）: フェデレーション ラーニング サーバーは、モデルをトレーニングするために個々の銀行の更新にアクセスする必要はありません。サーバーは、銀行またはサイトのランダムなサブセットから取得された、更新ベクトルの要素ごとの加重平均のみを必要とします。サーバーは、セキュアな集約プロトコルを使用してこれらの加重平均を計算することで、特定の更新にどの銀行が貢献したかではなく、選択されたサブセットから集約されたモデルの更新のみを学習します。このアプローチは、フェデレーション ラーニング プロセスにおける各参加者のプライバシーを保護するのに役立ちます。
  • グローバルな不正行為トレーニング済みモデルと集計された重み（TEE クラスタから各銀行への送信を示す緑色の矢印）: 改良された不正行為検出モデルとその学習済みの重みは、参加銀行に安全に送信されます。その後、各銀行は、この強化されたモデルをローカルにデプロイし、自社の取引における不正行為検出に利用できます。

次のステップ