A mesterséges intelligencia (AI) számos iparágat átalakít, beleértve a pénzügyet, a gyártást, a reklámozást és az egészségügyet. IDC előrejelzése szerint a mesterséges intelligenciára fordított globális kiadások 300-ra meghaladják a 2026 milliárd dollárt. A vállalatok dollármilliókat költenek AI modellek építésére, amelyek felbecsülhetetlen értékű szellemi tulajdonnak számítanak, a paraméterek és a modell súlya pedig szigorúan őrzött titkok. Még a versenytárs modelljének egyes paramétereinek ismerete is értékes intelligenciának számít.
Az e modellek betanításához használt adatkészletek szintén nagyon bizalmasak, és versenyelőnyt teremthetnek. Ennek eredményeként az adat- és modelltulajdonosok igyekeznek megvédeni ezeket az eszközöket a lopástól vagy a megfelelőség megsértésétől. Biztosítaniuk kell a titoktartást és az integritást.
Ezzel elérkeztünk a bizalmas mesterséges intelligencia új területéhez. A bizalmas mesterséges intelligencia célja annak biztosítása, hogy a modell létrehozása, betanítása, előfeldolgozása és a betanítási adatok kezelése – valamint a modell és az adatok életciklusa során történő végrehajtása – nyugalmi állapotban védve legyen a kompromisszumoktól, manipulációtól és expozíciótól. szállítás és használatban van. Kitől védve? Infrastruktúra-szolgáltatóktól, szélhámos rendszergazdáktól, modelltulajdonosoktól, adattulajdonosoktól és más szereplőktől, akik ellophatják vagy megváltoztathatják a modell vagy az adatok kritikus elemeit. A bizalmas mesterséges intelligencia hangsúlyozza az irányelvek szigorú betartatását és zéró bizalom elvei.
Használjon eseteket a bizalmas mesterséges intelligencia számára
A bizalmas mesterséges intelligencia számos technológiát és képességet igényel, néhány újat és a meglévő hardver és szoftver néhány bővítését. Ebbe beletartozik bizalmas számítástechnika technológiák, mint pl megbízható végrehajtási környezetek (TEE) segít megőrizni az adatok biztonságát használat közben – nem csak a CPU-kon, hanem más platformkomponenseken, például GPU-kon –, valamint a CPU és GPU TEE-k hitelesítésére és megbízhatóságának igazolására használt tanúsítási és házirend-szolgáltatásokat. Olyan szolgáltatásokat is tartalmaz, amelyek biztosítják a megfelelő adatkészletek forrását, előfeldolgozását, tisztítását és címkézését. Végül pedig a kulcskezelési, kulcsközvetítési és -terjesztési szolgáltatások biztosítják, hogy a modellek, adatok, promptok és kontextus titkosítva legyenek, mielőtt hozzáférnének a TEE-n belül, vagy végrehajtásra kézbesítenék őket.
Nézzük meg a négy legfontosabb bizalmas AI-forgatókönyvet.
1. Bizalmas következtetés
Ez a legjellemzőbb felhasználási eset a bizalmas mesterséges intelligencia számára. Egy modellt kiképeznek és bevetnek. A fogyasztók vagy ügyfelek interakcióba lépnek a modellel, hogy előre jelezzék az eredményt, generáljanak kimenetet, betekintést nyerjenek és így tovább.
A modelltulajdonosok és -fejlesztők meg akarják védeni modelljük IP-címét attól az infrastruktúrától, ahol a modellt telepítik – a felhőszolgáltatóktól, szolgáltatóktól és még saját rendszergazdáiktól is. Ez megköveteli, hogy a modellt és az adatokat mindig a megfelelő tulajdonosok által ellenőrzött kulcsokkal titkosítsák, és használatkor tanúsítási szolgáltatásnak kell alávetni. A kulcsközvetítő szolgáltatásnak, ahol a tényleges visszafejtési kulcsok vannak elhelyezve, ellenőriznie kell a tanúsítási eredményeket, mielőtt a visszafejtési kulcsokat biztonságos csatornán kiadná a TEE-knek. Ezután a modellek és az adatok visszafejtésre kerülnek a TEE-ben, mielőtt a következtetés megtörténne.
Ennek a használati esetnek többféle változata lehetséges. Például a következtetési adatok titkosíthatók valós idejű adatokkal, amelyeket közvetlenül a TEE-be továbbítanak. Vagy a generatív mesterséges intelligencia esetében a felhasználótól érkező promptok és kontextus csak a TEE-n belül láthatók, amikor a modellek működnek rajtuk. Végül a következtetés kimenete lehet olyan összegzett információ, amely titkosítást igényel, de nem is. A kimenet egy vizualizációs vagy megfigyelési környezetbe is betáplálható.
2. Bizalmas képzés
Mielőtt bármilyen modell elérhető lenne a következtetések levonására, létre kell hozni őket, majd betanítani kell őket jelentős mennyiségű adatra. A legtöbb forgatókönyv esetében a modellképzés hatalmas számítási teljesítményt, memóriát és tárhelyet igényel. A felhő infrastruktúra kiválóan alkalmas erre, de erős biztonsági garanciákat igényel a nyugalmi, átviteli és használat közbeni adatokra vonatkozóan. A bizalmas következtetésre vonatkozó követelmények a bizalmas képzésre is vonatkoznak, hogy bizonyítsák a modell készítőjének és az adattulajdonosnak, hogy a modell (beleértve a paramétereket, súlyokat, ellenőrzőpontok adatait stb.) és a betanítási adatok nem láthatók a TEE-n kívül. .
A bizalmas mesterséges intelligencia kapcsán gyakran megfogalmazott követelmény a következő: „Szeretném betanítani a modellt a felhőben, de szeretném a legszélső szintre telepíteni, ugyanolyan szintű biztonság mellett. A modell tulajdonosán kívül senki más nem láthatja a modellt.” A bizalmas képzéshez bemutatott megközelítés és a bizalmas következtetések párhuzamosan működnek ennek elérése érdekében. A betanítás végeztével a frissített modell a TEE-n belül ugyanazzal a kulccsal titkosításra kerül, amelyet a betanítási folyamat előtt a visszafejtéshez használtak, és amely a modell tulajdonosé volt.
Ezt a titkosított modellt ezután az AI-következtető alkalmazással együtt telepítik a TEE pereminfrastruktúrájára. Valójában a felhőből töltik le a modelltulajdonoshoz, majd az AI-következtető alkalmazással a szélekig telepítik. Ugyanazt a munkafolyamatot követi, mint a bizalmas következtetés, és a visszafejtési kulcsot a modelltulajdonos kulcsközvetítő szolgáltatása juttatja el a TEE-ekhez, miután ellenőrizte a szélső TEE-k tanúsítási jelentését.
3. A tanulás egyesítése
Ez a technika alternatívát kínál a központosított képzési architektúra helyett, ahol az adatok nem kerülnek áthelyezésre és összesítésre a forrásokból a biztonsági és adatvédelmi aggályok, az adatok tartózkodási helyére vonatkozó követelmények, a méret- és mennyiségi kihívások stb. miatt. Ehelyett a modell az adatokhoz költözik, ahol egy előre minősített és elfogadott folyamatot követ az elosztott képzéshez. Az adatok az ügyfél infrastruktúrájában vannak elhelyezve, és a modell az összes klienshez eljut képzés céljából; egy központi irányító/aggregátor (amelynek a modell tulajdonosa ad otthont) összegyűjti a modellváltozásokat az egyes ügyfelektől, összesíti azokat, és új frissített modellverziót generál.
A modell tulajdonosának nagy gondja itt a modell IP-jének lehetséges kompromisszuma az ügyfél infrastruktúrájában, ahol a modellt képezik. Hasonlóképpen, az adattulajdonos gyakran aggódik a modell gradiens frissítéseinek láthatósága miatt a modell készítője/tulajdonosa számára. Az összevont tanulás és a bizalmas számítástechnika kombinálása erősebb biztonsági és adatvédelmi garanciákat biztosít, és lehetővé teszi a zéró bizalmi architektúrát.
Ehhez az szükséges, hogy a gépi tanulási modelleket a központi kormányzótól biztonságosan telepítse a különböző ügyfelek számára. Ez azt jelenti, hogy a modell közelebb áll a betanításhoz szükséges adatkészletekhez, az infrastruktúra nem megbízható, és a modelleket a TEE-ben képezték ki, hogy segítsenek biztosítani az adatok védelmét és az IP védelmét. Ezt követően egy tanúsítási szolgáltatást rétegeznek, amely ellenőrzi az egyes ügyfelek infrastruktúrájának TEE megbízhatóságát, és megerősíti, hogy a TEE-környezetek megbízhatóak, ahol a modellt betanítják. Végül a betanított modelleket a különböző ügyfelek visszaküldik az aggregátornak vagy kormányzónak. A modell aggregálása a TEE-ken belül történik, a modell frissítésre kerül, és ismételten feldolgozásra kerül, amíg stabil lesz, majd a végső modellből következtet.
4. Bizalmas hangolás
A mesterséges intelligencia egyik feltörekvő forgatókönyve az, hogy a vállalatok általános mesterségesintelligencia-modelleket szeretnének alkalmazni, és üzleti tartomány-specifikus adatok felhasználásával hangolják azokat, amelyek jellemzően a szervezet sajátjai. Az elsődleges indoklás a modell finomhangolása és pontosítása a tartományspecifikus feladatokhoz. Előfordulhat például, hogy egy IT-támogatást és szolgáltatást menedzselő cég felvesz egy meglévő LLM-et, és kiképzi az IT-támogatással és a help desk-specifikus adatokkal, vagy egy pénzügyi cég finomhangolhat egy alapítványi LLM-t védett pénzügyi adatok felhasználásával.
Ez a finomhangolás nagy valószínűséggel külső felhő-infrastruktúrát igényel, tekintettel a számítási, memória- és tárolási igényekre. A bizalmas képzési architektúra segíthet megvédeni a szervezet bizalmas és védett adatait, valamint a védett adatokkal hangolt modellt.
- SEO által támogatott tartalom és PR terjesztés. Erősödjön még ma.
- PlatoData.Network Vertical Generative Ai. Erősítse meg magát. Hozzáférés itt.
- PlatoAiStream. Web3 Intelligence. Felerősített tudás. Hozzáférés itt.
- PlatoESG. Carbon, CleanTech, Energia, Környezet, Nap, Hulladékgazdálkodás. Hozzáférés itt.
- PlatoHealth. Biotechnológiai és klinikai vizsgálatok intelligencia. Hozzáférés itt.
- Forrás: https://www.darkreading.com/cloud-security/confidential-ai-protect-data-models-across-cloud
- :is
- :nem
- :ahol
- 2026
- a
- Rólunk
- elfogadott
- igénybe vett
- elérni
- át
- szereplők
- tényleges
- adminisztrátorok
- Előny
- Hirdetés
- Után
- összesítés
- Összesítő
- AI
- AI modellek
- Minden termék
- mentén
- Is
- alternatív
- mindig
- Összegek
- an
- és a
- bármilyen
- Alkalmazás
- alkalmaz
- megközelítés
- építészet
- VANNAK
- AS
- Eszközök
- At
- elérhető
- vissza
- BE
- előtt
- hogy
- tartozó
- Nagy
- Billió
- Bring
- bróker
- építész
- Épület
- üzleti
- de
- by
- TUD
- képességek
- eset
- esetek
- központi
- központosított
- kihívások
- Változások
- csatorna
- vásárló
- ügyfél részére
- szorosan
- közelebb
- felhő
- felhő infrastruktúra
- összegyűjti
- kombinálása
- Companies
- vállalat
- versenyképes
- versenyző
- teljesítés
- alkatrészek
- kompromisszum
- Kiszámít
- számítástechnika
- Vonatkozik
- aggodalmak
- titoktartási
- figyelembe vett
- Fogyasztók
- kontextus
- vezérelt
- tudott
- CPU
- teremt
- készítette
- teremtés
- kritikai
- curation
- ciklus
- dátum
- Adatvédelem
- adatkészletek
- visszafejtése
- szállított
- igények
- telepíteni
- telepített
- származik
- fejlesztők
- különböző
- közvetlenül
- megosztott
- elosztott képzés
- terjesztés
- dollár
- csinált
- két
- minden
- él
- elemek
- csiszolókő
- hangsúlyozza
- lehetővé teszi
- titkosított
- titkosítás
- végrehajtás
- biztosítására
- Környezet
- környezetek
- stb.
- Eter (ETH)
- Még
- bizonyíték
- példa
- haladja meg
- végrehajtás
- létező
- Exponálás
- kiterjesztések
- külső
- Fed
- mező
- utolsó
- Végül
- finanszíroz
- pénzügyi
- pénzügyi adat
- következik
- A
- Alapítványi
- négy
- ból ből
- generál
- generál
- nemző
- Generatív AI
- szerzés
- adott
- Globális
- cél
- Kormányzó
- GPU
- GPU
- garanciák
- megtörténik
- hardver
- egészségügyi
- segít
- itt
- nagyon
- HTTPS
- hatalmas
- i
- IDC
- javul
- in
- magában foglalja a
- Beleértve
- iparágak
- információ
- Infrastruktúra
- belső
- meglátások
- helyette
- sértetlenség
- szellemi
- szellemi tulajdon
- Intelligencia
- kölcsönhatásba
- bele
- IP
- IT
- IT Support
- ITS
- jpg
- éppen
- Tart
- Kulcs
- kulcsok
- Ismerve
- keresztnév
- réteges
- tanulás
- szint
- élet
- mint
- Valószínű
- néz
- keres
- gép
- gépi tanulás
- vezetés
- gyártási
- tömeges
- Lehet..
- eszközök
- Memory design
- esetleg
- Több millió
- modell
- modellek
- ellenőrzés
- több
- a legtöbb
- áthelyezve
- mozog
- kell
- Szükség
- Új
- következő
- nem
- of
- gyakran
- on
- egyszer
- ONE
- csak
- üzemeltetési
- or
- szervezet
- Más
- Eredmény
- teljesítmény
- kívül
- felett
- saját
- tulajdonos
- tulajdonosok
- paraméterek
- emelvény
- Plató
- Platón adatintelligencia
- PlatoData
- politika
- lehetséges
- potenciális
- hatalom
- Pontosság
- előre
- jósolja
- bemutatott
- megfizethetetlen
- elsődleges
- magánélet
- magán
- folyamat
- Folyamatok
- utasításokat
- bizonyíték
- ingatlan
- szabadalmazott
- védelme
- védett
- védi
- ad
- szolgáltatók
- biztosít
- logika
- real-time
- valós idejű adatok
- felszabadító
- TÖBBSZÖR
- Jelentések
- szükség
- követelmény
- követelmények
- megköveteli,
- azok
- REST
- eredményez
- Eredmények
- jobb
- s
- biztonságos
- azonos
- forgatókönyv
- forgatókönyvek
- titkok
- biztonság
- biztosan
- biztonság
- lát
- küldött
- szolgáltatás
- szolgáltatók
- Szolgáltatások
- készlet
- Szettek
- kellene
- jelentős
- Hasonlóképpen
- Méret
- szoftver
- néhány
- származó
- Források
- költ
- Költési
- stabil
- tárolás
- áramlott
- erős
- erősebb
- ilyen
- támogatás
- rendszer
- T
- Vesz
- Tandem
- feladatok
- technika
- Technologies
- mint
- hogy
- A
- lopás
- azok
- Őket
- akkor
- Ezek
- ők
- ezt
- Keresztül
- nak nek
- felső
- Vonat
- kiképzett
- Képzések
- transzformáló
- tranzit
- Bízzon
- Megbízható
- megbízhatóság
- tipikus
- jellemzően
- -ig
- frissítve
- Frissítés
- upon
- us
- használ
- használati eset
- használt
- használó
- segítségével
- Tulajdonos használata
- Értékes
- variációk
- fajta
- különféle
- ellenőrzése
- ellenőrzése
- változat
- jogsértések
- láthatóság
- látható
- megjelenítés
- kötet
- akar
- volt
- JÓL
- amikor
- ami
- míg
- WHO
- kit
- lesz
- val vel
- Munka
- munkafolyamat
- lenne
- zephyrnet