Cleanroom und Mehrparteien-Datenanalyse

Azure Confidential Computing (ACC) bietet eine Grundlage für Lösungen, mit denen mehrere Parteien an Daten zusammenarbeiten können. Es gibt verschiedene Lösungsansätze und ein wachsendes Ökosystem von Partnern, die Azure-Kunden, Forschende, Data Scientists und Datenanbieter dabei helfen, bei Daten zusammenzuarbeiten und gleichzeitig Datenschutz aufrechtzuerhalten. Diese Übersicht umfasst einige der Ansätze und vorhandenen Lösungen, die verwendet werden können und alle auf ACC ausgeführt werden.

Welche Daten- und Modellschutzmaßnahmen gibt es?

Data-Clean-Room-Lösungen bieten in der Regel eine Möglichkeit für einen oder mehrere Datenanbieter, Daten für die Verarbeitung zu kombinieren. Typischerweise gibt es vereinbarten Code, Abfragen oder Modelle, die von einem der Anbieter oder einem anderen Teilnehmer erstellt werden, z. B. einem Forscher oder Lösungsanbieter. In vielen Fällen können die Daten als vertraulich betrachtet werden und sollten nicht direkt an andere Teilnehmer weitergegeben werden – sei es ein anderer Datenanbieter, ein Forscher oder ein Lösungsanbieter. Um Sicherheit und Datenschutz sowohl für die Daten als auch für Modelle zu gewährleisten, die in Datenreinräumen verwendet werden, kann Confidential Computing eingesetzt werden, um kryptografisch zu überprüfen, ob Teilnehmende keinen Zugriff auf die Daten oder Modelle haben. Dies ist auch während der Verarbeitung möglich. Mithilfe von ACC können die Lösungen Schutz für das geistige Eigentum von Daten und Modellen vor dem Cloudbetreiber, dem Lösungsanbieter und den Teilnehmenden an der Datenzusammenarbeit bereitstellen.

Was sind Beispiele für Anwendungsfälle in der Branche?

Mit ACC erstellen Kunden und Partner Datenanalyselösungen mit mehreren Parteien unter Einhaltung des Datenschutzes, die manchmal als „vertrauliche Clean Rooms“ bezeichnet werden –, sowohl einzigartige vertrauliche netto-neue Lösungen als auch vorhandene Clean Room-Lösungen, die mit ACC vertraulich gemacht wurden.

• Scotiabank – Erprobte den Einsatz von KI bei bankübergreifenden Geldflüssen zur Identifikation von Geldwäsche, um Hinweise auf Menschenhandel zu erkennen, wobei Azure Confidential Computing und ein Lösungspartner, Opaque, verwendet werden.
• Novartis Biome – Verwendete eine Partnerlösung von BeeKeeperAI, die auf ACC ausgeführt wird, um Kandidaten für klinische Studien für seltene Krankheiten zu finden.
• Führende Zahlungsanbieter, die Daten bankübergreifend zur Betrugs- und Anomalieerkennung verbinden.
• Datenanalysedienste und Reinraumlösungen, die ACC verwenden, um den Datenschutz zu erhöhen und die Compliance-Anforderungen für EU-Kunden sowie Datenschutzbestimmungen zu erfüllen.

Weshalb Confidential Computing?

Clean Rooms für Daten sind kein brandneues Konzept, aber mit Fortschritten bei Confidential Computing gibt es mehr Möglichkeiten, um von der Cloud-Skalierung mit umfangreicheren Datensätzen zu profitieren, das geistige Eigentum an KI-Modellen zu sichern und Datenschutzbestimmungen besser zu erfüllen. In früheren Fällen konnte möglicherweise aus folgenden Gründen nicht auf Daten zugegriffen werden:

• Wettbewerbsnachteile oder Regulierungen, die das Teilen von Daten zwischen Unternehmen der Branche verhindern.
• Anonymisierung, die die Qualität von Erkenntnissen aus Daten reduziert oder zu kostspielig und zeitaufwendig ist.
• Daten sind an bestimmte Standorte gebunden und werden aufgrund von Sicherheitsbedenken nicht in der Cloud verarbeitet.
• Kostspielige oder langwierige Rechtsprozesse betreffen die Haftung, wenn Daten offengelegt oder missbraucht werden

Diese Gegebenheiten könnten zu unvollständigen oder unwirksamen Datasets führen, die zu schwächeren Erkenntnissen oder höherem Zeitaufwand bei der Schulung und Verwendung von KI-Modellen führen.

Was sind Überlegungen beim Erstellen einer Clean Room-Lösung?

Batchanalyse im Vergleich zu Echtzeit-Datenpipelines: Die Größe der Datasets und die Geschwindigkeit der Erkenntnisse sollten beim Entwerfen oder Verwenden einer Clean Room-Lösung berücksichtigt werden. Wenn Daten „offline“ verfügbar sind, können große Teile der Daten, wenn nicht sogar das gesamte Dataset, zur datenanalytischen Verarbeitung in eine überprüfte und gesicherte Compute-Umgebung geladen werden. Diese Batchanalyse ermöglicht es, dass große Datasets mit Modellen und Algorithmen ausgewertet werden, von denen nicht erwartet wird, dass sie ein sofortiges Ergebnis liefern. Batchanalysen funktionieren z. B. gut, wenn ML-Inferenz über Millionen von Gesundheitsdatensätzen hinweg ausgeführt wird, um die besten Kandidaten für eine klinische Studie zu finden. Andere Lösungen erfordern Echtzeit-Einblicke in Daten, z. B. wenn Algorithmen und Modelle darauf abzielen, Betrug bei Transaktionen in Quasi-Echtzeit zwischen mehreren Entitäten zu identifizieren.

Zero-Trust-Teilnahme: Ein wichtiges Unterscheidungsmerkmal bei vertraulichen Reinräumen ist die Möglichkeit, dass keine involvierte Partei vertrauenswürdig ist – von allen Datenanbietern, Code- und Modellentwicklern, Lösungsanbietern und Infrastrukturbetreiberadmins. Lösungen können bereitgestellt werden, bei denen sowohl die Daten als auch das geistige Eigentum am Modell vor allen Parteien geschützt werden können. Beim Onboarding oder Erstellen einer Lösung sollten die Teilnehmer sowohl überlegen, was geschützt werden soll, als auch, vor wem Code, Modelle und Daten jeweils geschützt werden sollen.

Lernen im Verbund: Umfasst das Erstellen oder Verwenden einer Lösung, wobei Modelle im Mandanten des Datenbesitzers verarbeitet und Erkenntnisse in einem zentralen Mandanten aggregiert werden. In einigen Fällen können die Modelle sogar für Daten außerhalb von Azure ausgeführt werden, wobei die Modellaggregation in Azure noch erfolgt. Oft iteriert das föderierte Lernen mehrmals über Daten, da sich die Parameter des Modells verbessern, nachdem Erkenntnisse aggregiert wurden. Die Kosten der Iteration und die Qualität des Modells sollten bei der Lösung und den erwarteten Ergebnissen berücksichtigt werden.

Datenresidenz und -quellen: Kunden haben Daten in mehreren Clouds und lokal gespeichert. Die Zusammenarbeit kann Daten und Modelle aus verschiedenen Quellen umfassen. Cleanroom-Lösungen können den Transfer von Daten und Modellen aus diesen anderen Standorten nach Azure erleichtern. Wenn Daten nicht aus einem lokalen Datenspeicher in Azure verschoben werden können, können einige Clean-Room-Lösungen vor Ort ausgeführt werden, wo sich die Daten befinden. Verwaltung und Richtlinien können von einem gemeinsamen Lösungsanbieter bereitgestellt werden, sofern verfügbar.

Codeintegrität und Confidential Ledgers: Mit Distributed-Ledger-Technologie (DLT), die auf Azure Confidential Computing ausgeführt wird, können Lösungen erstellt werden, die in einem organisationsübergreifenden Netzwerk ausgeführt werden. Die Codelogik und Analyseregeln können nur hinzugefügt werden, wenn ein Konsens zwischen den verschiedenen Teilnehmern besteht. Alle Aktualisierungen des Codes werden für die Auditierung über die manipulationssichere Protokollierung aufgezeichnet, die mit Azure Confidential Computing aktiviert wird.

Welche Optionen gibt es für die ersten Schritte?

Azure Confidential Clean Rooms (Vorschau)

Azure Confidential Clean Rooms (ACCR) wurde für Organisationen entwickelt, die vertrauliche Datenschutzdaten wie personenbezogene Informationen (PERSONALly Identifiable Information, PII) oder geschützte Integritätsinformationen (PHI) sicher mit anderen Organisationen teilen müssen, um geschäftskritische Erkenntnisse abzuleiten, die ihr ML-Modell sicher mit vertraulichen Daten aus anderen Organisationen optimieren können, um die Genauigkeit zu verbessern oder sichere Analysen zu gemeinsamen Daten mit Ihren Partnerorganisationen durchzuführen. ACCR verwendet vertrauliche Container in Azure-Containerinstanzen, um sicherzustellen, dass Ihre Daten vor anderen Mitarbeitern und von Azure-Operatoren geschützt bleiben. Es verfügt über Anwendungen, die mehrere Branchen umfassen, z. B. Gesundheitswesen, Werbung, Banken und Finanzdienstleistungen und Einzelhandel.

Sie können sich selbst für die ACCR-Vorschau anmelden, indem Sie dieses Formular übermitteln.

ACC-Plattformangebote, die dazu beitragen, vertrauliche Clean Rooms zu ermöglichen

Krempeln Sie Ihre Ärmel hoch, und erstellen Sie direkt auf Basis dieser Confidential Computing-Dienstangebote eine Clean Room-Lösung.

Vertrauliche Container auf Azure Container Instances (ACI) und Intel SGX-VMs mit Anwendungsenklaven bieten eine Containerlösung zum Erstellen vertraulicher Clean Room-Lösungen.

Vertrauliche virtuelle Computer (VMs) stellen eine VM-Plattform für vertrauliche Reinraumlösungen bereit.

Azure SQL AE in Secure Enclaves bietet einen Plattformdienst zum Verschlüsseln von Daten und Abfragen in SQL, die in Datenanalysen mit mehreren Teilnehmern und vertraulichen Clean Rooms verwendet werden können.

Confidential Consortium Framework ist ein Open-Source-Framework zum Erstellen hoch verfügbarer zustandsbehafteter Dienste, die zentralisiertes Computing für eine einfache Nutzung und Leistung verwenden und dabei dezentrales Vertrauen bieten. Es ermöglicht mehreren Parteien, prüffähiges Computing mit vertraulichen Daten auszuführen, ohne einander oder einem privilegierten Operator zu vertrauen.

ACC-Partnerlösungen, die vertrauliche Reinräume ermöglichen

Verwenden Sie einen Partner, der eine Mehrparteien-Datenanalyselösung auf der Confidential Computing-Plattform von Azure erstellt hat.

• Anjuna bietet eine Confidential Computing-Plattform, um verschiedene Anwendungsfälle, einschließlich sicherer Clean Rooms, zu ermöglichen, damit Organisationen Daten für gemeinsame Analysen freigeben können, z. B. die Berechnung von Kreditrisikobewertungen oder die Entwicklung von Machine Learning-Modellen, ohne vertrauliche Informationen verfügbar zu machen.
• BeeKeeperAI ermöglicht KI-Anwendungen im Gesundheitswesen über eine sichere Zusammenarbeitsplattform für Algorithmusbesitzer und Data Stewards. BeeKeeperAI™ verwendet datenschutzwahrende Analysen auf institutionsübergreifenden Quellen geschützter Daten in einer Confidential Computing-Umgebung. Die Lösung unterstützt End-to-End-Verschlüsselung, sichere Computing-Enklaven und die neuesten SGX-fähigen Prozessoren von Intel zum Schutz von Daten und Algorithmus-IP.
• Decentriq bietet auf Confidential Computing basierende SaaS-Daten-Clean Rooms, die eine sichere Datenzusammenarbeit ermöglichen, ohne Daten freizugeben. Data Science-Clean Rooms ermöglichen flexible Analysen mit mehreren Parteien, und No-Code Clean Rooms für Medien und Werbung ermöglichen eine regelkonforme Zielgruppenaktivierung und Analysen basierend auf First-Party-Nutzerdaten. Confidential Cleanrooms werden in diesem Artikel im Microsoft-Blog ausführlicher beschrieben.
• Fortanix bietet eine Confidential-Computing-Plattform, die vertrauliche KI ermöglichen kann, einschließlich der Zusammenarbeit mehrerer Organisationen bei Mehrparteienanalysen.
• Habu bietet eine interoperable Clean Room-Plattform für Daten, die es Unternehmen ermöglicht, auf intelligente, sichere, skalierbare und einfache Weise kollaborative Intelligenz freizusetzen. Habu verbindet dezentralisierte Daten abteilungs-, partner-, kunden- und anbieterübergreifend für eine bessere Zusammenarbeit, Entscheidungsfindung und bessere Ergebnisse.
• Mithril Security bietet Tools, mit denen SaaS-Anbieter KI-Modelle in sicheren Enklaven bereitstellen und den Datenbesitzern ein On-Premises-Sicherheitsniveau an Sicherheit und Kontrolle bieten können. Datenbesitzer können ihre SaaS-AI-Lösungen verwenden und bleiben gleichzeitig konform und behalten die Kontrolle über ihre Daten.
• Opaque bietet eine Confidential Computing-Plattform für kollaborative Analysen und KI, wodurch kollaborative, skalierbare Analysen durchgeführt werden können, während Daten umfassend geschützt werden und Organisationen die Einhaltung gesetzlicher und regulatorischer Vorgaben ermöglicht wird.