Reinraum- und Mehrparteiendatenanalyse

Azure Confidential Computing (ACC) bietet eine Grundlage für Lösungen, mit denen mehrere Parteien an Daten zusammenarbeiten können. Es gibt verschiedene Ansätze, und ein wachsendes Ökosystem von Partnern ermöglicht es Azure-Kunden, Forschern, Datenwissenschaftlern und Datenanbietern, bei Daten zusammenzuarbeiten und dabei die Privatsphäre zu bewahren. 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?

Daten-Reinraumlösungen bieten typischerweise eine Möglichkeit, dass ein oder mehrere Datenanbieter Daten für die Verarbeitung zusammenführen können. Typischerweise sind sich die Anbieter über Code, Abfragen oder Modelle einig, die von einem der Teilnehmer, wie einem Forscher oder Lösungsanbieter, erstellt werden. In vielen Fällen sind die Daten sensibel und sollten nicht direkt mit anderen Teilnehmern geteilt werden, sei es mit einem anderen Datenanbieter, einem Forscher oder einem Lösungsanbieter. Um die Sicherheit und den Datenschutz sowohl für die Daten als auch für die Modelle zu gewährleisten, die in Data Cleanrooms verwendet werden, kann Confidential Computing kryptografisch überprüfen, ob Teilnehmer keinen Zugriff auf die Daten oder Modelle haben, auch nicht während der Verarbeitung. Durch den Einsatz von ACC können Lösungen die Daten und das Modell-IP vor dem Cloud-Betreiber, Lösungsanbieter und den Teilnehmern der Datenkollaboration schützen.

Was sind Beispiele für Anwendungsfälle in der Branche?

Durch die Nutzung von ACC entwickeln Kunden und Partner datenschutzwahrende Multiparty-Datenanalyselösungen, die manchmal als „Confidential Clean Rooms“ bezeichnet werden. Bei diesen Lösungen kann es sich um völlig neue Lösungen handeln, die als vertraulich konzipiert wurden, oder um vorhandene Cleanroom-Lösungen, die mithilfe von ACC vertraulich gemacht wurden.

• Scotiabank – erprobte erfolgreich den Einsatz von KI bei bankübergreifenden Geldflüssen zur Identifizierung von Geldwäsche und zur Erkennung von Menschenhandelsvorfällen mithilfe von Azure Confidential Computing und dem Lösungspartner Opaque.
• Novartis Biome – Verwendete eine Partnerlösung von BeeKeeperAI, die auf ACC ausgeführt wird, um Kandidaten für klinische Studien für seltene Krankheiten zu finden.
• Führende Zahlungsanbieter verknüpfen Daten bankübergreifend zur Betrugs- und Anomalie-Erkennung.
• Datenanalysedienste und Cleanroom-Lösungen verwenden ACC, um den Datenschutz zu erhöhen und die Complianceanforderungen von EU-Kunden sowie Datenschutzbestimmungen zu erfüllen.

Weshalb Confidential Computing?

Daten-Reinräume sind kein völlig neues Konzept. Fortschritte im Bereich Confidential Computing bieten jedoch mehr Möglichkeiten, Cloud-Skalierung mit breiteren Datensätzen zu nutzen, das geistige Eigentum von KI-Modellen zu sichern und Datenschutzbestimmungen besser einzuhalten. In früheren Fällen konnte möglicherweise aus folgenden Gründen nicht auf Daten zugegriffen werden:

• Wettbewerbsnachteile oder Vorschriften, die den Datenaustausch zwischen Industrieunternehmen 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 rechtliche Prozesse decken die Haftung ab, 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?

Batch-Analysen vs. Echtzeit-Datenpipelines: Berücksichtigen Sie die Größe der Datensätze und die Geschwindigkeit der Erkenntnisse, wenn Sie eine Clean-Room-Lösung entwerfen oder verwenden. Wenn Daten "offline" verfügbar sind, können Sie sie in eine verifizierte und gesicherte Rechenumgebung laden, um große Datenteile, wenn nicht sogar den gesamten Datensatz, zu verarbeiten. Dieser Batchanalyseansatz ermöglicht die Auswertung großer Datasets mit Modellen und Algorithmen, von denen kein sofortiges Ergebnis erwartet wird. Zum Beispiel funktionieren Batch-Analysen gut, wenn ML-Inferenzen über Millionen von Gesundheitsakten hinweg durchgeführt werden, um die besten Kandidaten für eine klinische Studie zu finden. Andere Lösungen erfordern Echtzeit-Einblicke in Daten, etwa wenn Algorithmen und Modelle versuchen, Betrug bei nahezu Echtzeit-Transaktionen zwischen mehreren Unternehmen zu identifizieren.

Zero-Trust-Teilnahme: Ein wichtiges Unterscheidungsmerkmal bei vertraulichen Cleanrooms ist die Möglichkeit, keiner beteiligten Partei zu vertrauen, von Datenanbietern über Code- und Modellentwickler bis hin zu Lösungsanbietern und Administratoren von Infrastrukturbetreibern. Lösungen können bereitgestellt werden, bei denen sowohl die Daten als auch das Modell-IP vor allen Parteien geschützt sind. Beim Onboarding oder dem Aufbau einer Lösung sollten die Teilnehmer sowohl berücksichtigen, was sie schützen wollen, als auch, vor wem sie Code, Modelle und Daten jeweils schützen möchten.

Föderiertes Lernen: Föderiertes Lernen beinhaltet die Erstellung oder Nutzung einer Lösung, bei der Modelle im Tenant des Datenbesitzers Daten verarbeiten und Erkenntnisse in einem zentralen Tenant aggregiert werden. In manchen Fällen können die Modelle sogar auf Daten außerhalb von Azure laufen, wobei die Modellaggregation weiterhin in Azure stattfindet. Häufig iteriert das Verbundlernen 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 vertrauliche Ledger: Durch den Einsatz von Distributed Ledger Technology (DLT), die auf Azure Confidential Computing läuft, können Sie Lösungen entwickeln, die in einem Netzwerk über Organisationen hinweg laufen. Die Codelogik und die analytischen Regeln werden nur hinzugefügt, wenn zwischen den verschiedenen Teilnehmern ein Konsens besteht. Alle Aktualisierungen des Codes werden für die Prüfung über manipulationssicheres Logging aufgezeichnet, das von Azure Confidential Computing aktiviert wird.

Welche Optionen gibt es für die ersten Schritte?

Azure Confidential Clean Rooms (Vorschau)

Azure Confidential Clean Rooms (ACCR) ist für Organisationen konzipiert, die datenschutzsensible Daten wie personenbezogene Daten (PII) oder geschützte Gesundheitsinformationen (PHI) sicher mit anderen Organisationen teilen möchten, um geschäftskritische Erkenntnisse zu gewinnen, ML-Modelle mit sensiblen Daten anderer Organisationen für eine bessere Genauigkeit abzustimmen oder sichere Analysen gemeinsamer Daten mit Partnerorganisationen durchzuführen. ACCR verwendet vertrauliche Container in Azure-Containerinstanzen, um sicherzustellen, dass Ihre Daten vor anderen Mitarbeitern und von Azure-Operatoren geschützt bleiben. Sie bietet Anwendungen in mehreren Branchen wie Gesundheitswesen, Werbung, Bankwesen und Finanzdienstleistungen sowie Einzelhandel.

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

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 in Azure Container Instances (ACI) und vertrauliche VM-Knotenpools bieten eine Containerlösung zum Erstellen vertraulicher Cleanroom-Lösungen. Intel SGX Enclave-Optionen bleiben für spezialisierte Szenarien verfügbar.

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

Nutzen Sie einen Partner, der eine Multiparty-Datenanalyselösung auf der Azure Confidential Computing Platform aufbaut.

• 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 datenschutzkonforme Analysen für geschützte Daten mehrerer Institutionen in einer Confidential Computing-Umgebung.
• 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.
• Duality Technologies ermöglicht Multiparty-Analysen und KI auf Daten, die die Teilnehmer nicht zentralisieren können. Es kombiniert vertrauliches Rechnen und vertrauenswürdige Ausführungsumgebungen, vollständig homomorphe Verschlüsselung, föderiertes Lernen und differenzielle Privatsphäre, je nach Arbeitslast, während jeder Datensatz über Abteilungen oder Organisationen hinweg unter der Kontrolle seines Besitzers bleibt. Anwendungsfälle umfassen institutionsübergreifende klinische und Real-World-Evidence-Forschung, Betrugserkennung und Anti-Geldwäsche-Analysen.
• Fortanix bietet eine Plattform für vertrauliches Computing, die vertrauliche KI ermöglichen kann, einschließlich der Zusammenarbeit mehrerer Organisationen bei Mehrparteienanalysen.
• 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.