Cleanroom a více stranová analýza dat

Důvěrné výpočetní prostředí Azure (ACC) poskytuje základ pro řešení, která umožňují více stranám spolupracovat na datech. Existují různé přístupy k řešením a rostoucí ekosystém partnerů, kteří pomáhají zákazníkům Azure, výzkumníkům, datovým vědcům a poskytovatelům dat spolupracovat na datech a přitom zachovat ochranu osobních údajů. Tento přehled se zabývá některými přístupy a existujícími řešeními, která je možné použít, a to vše spuštěné na ACC.

Jaká jsou ochrana dat a modelů?

Řešení čištění dat obvykle nabízejí prostředky pro jednoho nebo více poskytovatelů dat ke kombinování dat ke zpracování. Obvykle se dohodly na kódu, dotazech nebo modelech vytvořených jedním z poskytovatelů nebo jiným účastníkem, jako je výzkumný pracovník nebo poskytovatel řešení. V mnoha případech se data dají považovat za citlivá a nepotřebná přímo sdílet s ostatními účastníky – ať už se jedná o jiného poskytovatele dat, výzkumného pracovníka nebo dodavatele řešení. Aby bylo možné zajistit zabezpečení a ochranu osobních údajů u dat i modelů používaných v čistých místnostech dat, je možné důvěrné výpočty použít k kryptografickému ověření, že účastníci nemají přístup k datům nebo modelům, včetně během zpracování. Pomocí ACC mohou řešení poskytovat ochranu dat a modelového duševního vlastnictví od provozovatele cloudu, poskytovatele řešení a účastníků spolupráce týkající se dat.

Jaké jsou příklady případů použití v odvětví?

S ACC zákazníci a partneři vytvářejí řešení pro analýzu dat více stran, která chrání soukromí, někdy označovaná jako "důvěrné čisté prostory" – zcela nové a jedinečně důvěrné, a existující řešení čistých prostor jsou díky ACC taktéž důvěrně chráněna.

• Scotiabank – Bylo prokázáno použití umělé inteligence na finančních tocích mezi bankami k identifikaci praní peněz a identifikaci případů obchodování s lidmi, s využitím konfidenční výpočetní technologie Azure a řešení od partnerské společnosti Opaque.
• Novartis Biome – použil partnerské řešení od BeeKeeperAI běžící na ACC, aby našel kandidáty na klinické studie pro vzácné nemoci.
• Přední poskytovatelé platebních služeb připojující data napříč bankami kvůli podvodům a detekci anomálií.
• Analytické služby dat a řešení čistých místností využívající ACC ke zvýšení ochrany dat a splnění požadavků na dodržování předpisů zákazníků EU a nařízení o ochraně osobních údajů.

Proč důvěrné výpočty?

Čištění dat není úplně nový koncept, ale s pokroky v důvěrných výpočetních prostředích existuje více příležitostí využít cloudové škálování s širšími datovými sadami, zabezpečením IP adres modelů AI a schopností lépe splňovat předpisy týkající se ochrany osobních údajů dat. V předchozích případech můžou být určitá data nepřístupná z důvodů, jako je například

• Konkurenční nevýhody nebo regulace brání sdílení dat napříč průmyslovými společnostmi.
• Anonymizace snižuje kvalitu přehledů dat nebo je příliš nákladná a časově náročná.
• Data jsou svázaná s určitými umístěními a kvůli obavám zabezpečení se nezpracovávají v cloudu.
• Nákladné nebo zdlouhavé právní procesy zahrnují odpovědnost v případě, že jsou data vystavená nebo zneužívané

Tyto reality můžou vést k neúplným nebo neefektivním datovým sadám, které vedou ke slabším přehledům nebo více času potřebným při trénování a používání modelů AI.

Co je potřeba vzít v úvahu při vytváření řešení čisté místnosti?

Dávkové analýzy vs. tok dat v reálném čase: Velikost datových sad a rychlost získávání přehledů by se měla zvážit při návrhu nebo používání Cleanroom řešení. Pokud jsou data dostupná "offline", je možné je načíst do ověřeného a zabezpečeného výpočetního prostředí pro zpracování dat ve velkých částech dat, pokud ne v celé datové sadě. Tato dávková analýza umožňuje vyhodnotit velké datové sady pomocí modelů a algoritmů, u které se neočekává, že by poskytovaly okamžitý výsledek. Dávkové analýzy například fungují dobře při odvozování ML napříč miliony zdravotních záznamů, aby našli nejlepší kandidáty pro klinickou studii. Jiná řešení vyžadují přehledy dat v reálném čase, jako jsou algoritmy a modely, jejichž cílem je identifikovat podvody na transakcích téměř v reálném čase mezi více entitami.

Účast nulové důvěry: Zásadním rozdílem u důvěrných čistých zón je schopnost, že žádná ze zúčastněných stran není důvěryhodná – včetně všech poskytovatelů dat, vývojářů kódu a modelů, poskytovatelů řešení a administrátorů provozovatelů infrastruktury. Řešení je možné poskytnout tam, kde je možné ip adresu dat i modelu chránit před všemi stranami. Při onboardingu nebo vytváření řešení by účastníci měli zvážit, co je žádoucí chránit, a před kým chránit každý kód, modely a data.

Federované učení: Federované učení zahrnuje vytvoření nebo použití řešení, kde modely zpracovávají data v instanci vlastníka a zároveň jsou analýzy agregovány v centrálním tenantovi. V některých případech se modely dají spustit i na datech mimo Azure s agregací modelů, ke kterým stále dochází v Azure. Federované učení se často iteruje na datech mnohokrát, protože se parametry modelu vylepšují po agregaci přehledů. Náklady na iteraci a kvalitu modelu by se měly zohlednit do řešení a očekávaných výsledků.

Rezidence a zdroje dat: Zákazníci mají data uložená v několika cloudech a v místním prostředí. Spolupráce může zahrnovat data a modely z různých zdrojů. Řešení čištění můžou usnadnit data a modely přicházející do Azure z těchto dalších umístění. Když se data nemůžou přesunout do Azure z místního úložiště dat, můžou některá řešení čištění běžet na webu, kde se data nacházejí. Správa a zásady můžou být založené na běžném poskytovateli řešení, pokud je k dispozici.

Integrita kódu a soukromé knihy: Díky technologii distribuovaných knih (DLT) běžící na důvěrném výpočetním prostředí Azure je možné vytvářet řešení, která běží v síti napříč organizacemi. Logiku kódu a analytická pravidla je možné přidat pouze v případech, kdy existuje shoda mezi různými účastníky. Všechny aktualizace kódu se zaznamenávají pro auditování prostřednictvím protokolování proti manipulaci s povoleným důvěrným výpočetním prostředím Azure.

Jaké jsou možnosti, jak začít?

Důvěrné čisté místnosti Azure (Preview)

Služba Azure Confidential Clean Rooms (ACCR) je navržená pro organizace, které potřebují sdílet citlivá data o ochraně osobních údajů, jako jsou identifikovatelné osobní údaje (PII) nebo chráněné informace o stavu (PHI), aby mohly bezpečně odvodit důležité obchodní poznatky, které můžou bezpečně doladit model ML s citlivými daty z jiných organizací, aby se zlepšila přesnost nebo aby se zajistila zabezpečená analýza společných dat s partnerskými organizacemi. ACCR používá důvěrné kontejnery ve službě Azure Container Instances k zajištění ochrany vašich dat před ostatními spolupracovníky a operátory Azure. Má aplikace, které pokrývají několik odvětví, jako jsou zdravotnictví, reklama, bankovnictví a finanční služby a maloobchod.

Můžete se zapsat na náhled ACCR odesláním tohoto formuláře.

Nabídky platforem ACC, které pomáhají povolit důvěrné čisté prostory

Zahrnujte rukávy a vytvořte řešení pro čištění dat přímo na těchto nabídkách důvěrných výpočetních služeb.

Důvěrné kontejnery na virtuálních počítačích Azure Container Instances (ACI) a Intel SGX s enklávami aplikací poskytují řešení kontejnerů pro vytváření důvěrných řešení čištění.

Důvěrné virtuální počítače poskytují platformu virtuálního počítače pro důvěrná řešení čištění.

Azure SQL AE v zabezpečených enklávách poskytuje platformní službu pro šifrování dat a dotazů v SQL, kterou lze využít v analýzách dat více stran a důvěrných datových prostředích.

Confidential Consortium Framework je open-source architektura pro vytváření vysoce dostupných stavových služeb, které využívají centralizovanou výpočetní kapacitu pro snadné použití a výkon, přičemž poskytují decentralizovanou důvěru. Umožňuje více stranám provádět auditovatelné výpočty nad důvěrnými daty, aniž by si vzájemně důvěřovaly nebo privilegovanému operátorovi.

Partnerová řešení ACC, která umožňují důvěrné čisté prostory

Použijte partnera, který vytvořil řešení pro analýzu dat s více stranami na důvěrné výpočetní platformě Azure.

• Anjuna poskytuje důvěrnou výpočetní platformu, která umožňuje různé případy použití, včetně zabezpečených čistých místností, aby organizace sdílely data pro společnou analýzu, jako je výpočet skóre úvěrového rizika nebo vývoj modelů strojového učení, aniž by museli vystavit citlivé informace.
• BeeKeeperAI umožňuje zdravotní AI prostřednictvím zabezpečené platformy pro spolupráci pro vlastníky algoritmů a správce dat. BeeKeeperAI™ využívá analýzu zachování ochrany osobních údajů u více institucionálních zdrojů chráněných dat v důvěrném výpočetním prostředí. Řešení podporuje komplexní šifrování, zabezpečené výpočetní enklávy a nejnovější procesory s podporou SGX společnosti Intel, které chrání data a IP algoritmus.
• Decentriq poskytuje čištění dat SaaS založené na důvěrných výpočetních prostředích, které umožňují zabezpečenou spolupráci s daty bez sdílení dat. Datová čistá místa umožňují flexibilní analýzu pro více stran a místa bez potřeby kódování pro média a reklamu umožňují aktivaci a analýzu v souladu s požadavky na základě dat uživatelů první strany. Důvěrné čisté prostory jsou podrobněji popsány v tomto článku na blogu Microsoftu.
• Fortanix poskytuje důvěrnou výpočetní platformu, která umožňuje důvěrnou AI, včetně spolupráce více organizací na analýzách více stran.
• Habu poskytuje interoperabilní platformu pro čištění dat, která umožňuje firmám odemknout inteligentní, zabezpečenou, škálovatelnou a jednoduchou inteligenci pro spolupráci. Habu propojuje decentralizovaná data napříč odděleními, partnery, zákazníky a poskytovateli pro lepší spolupráci, rozhodování a výsledky.
• Mithril Security poskytuje nástroje, které pomáhají dodavatelům SaaS obsluhovat modely AI uvnitř zabezpečených enkláv a poskytuje místní úroveň zabezpečení a řízení vlastníkům dat. Vlastníci dat můžou používat svá řešení SaaS AI a přitom zůstat v souladu se svými daty a řídit je.
• Opaque poskytuje důvěrnou výpočetní platformu pro spolupráci a umělou inteligenci, která umožňuje provádět škálovatelné analýzy, chránit data od začátku do konce a umožnit organizacím dodržovat právní a regulační požadavky.