Zama Concrete ML: Vereinfachung der homomorphen Verschlüsselung für Python Machine Learning
Zama entwickelt Open-Source-Tools, die Fully Homomorphic Encryption (FHE) für Blockchain- und KI-Entwickler zugänglich machen. FHE ist eine kryptografische Technik, die Berechnungen auf verschlüsselten Daten ermöglicht, ohne diese entschlüsseln oder auf den privaten Schlüssel zugreifen zu müssen. Dieser Ansatz ist in Branchen, die starke Datenschutzbestimmungen erfordern, wie z. B. im Gesundheitswesen, im Finanzwesen, in der Werbung und in der Verteidigung, von unschätzbarem Wert. FHE gewährleistet nicht nur Vertrauen beim Auslagern von Machine-Learning-Aufgaben an die Cloud, sondern erleichtert auch die kollaborative Analyse zwischen mehreren Parteien, während die Daten während des gesamten Prozesses sicher und privat bleiben.
Concrete ML: Ein benutzerfreundliches Python-Paket mit klassischen APIs
Um die Einführung von FHE, die einen komplexen und ressourcenintensiven Technologie-Stack mit sich bringt, zu vereinfachen, haben wir Werkzeuge entwickelt, die die Integration von FHE in Anwendungen rationalisieren. Da Python der De-facto-Standard für die Erstellung von Machine-Learning-(ML)-Anwendungen ist, war es naheliegend, eine Open-Source-FHE-Bibliothek in Python zu entwickeln. Die Bibliothek verfügt über APIs, die denen vertrauter ML-Bibliotheken sehr ähnlich sind, was sie für Machine-Learning-Praktiker zugänglich macht.
Für klassische Machine-Learning-Modelle ließen wir uns von der API von scikit-learn inspirieren, der führenden ML-Bibliothek, die eine breite Palette von Modellen unterstützt, darunter lineare Modelle, Entscheidungsbäume und Random Forests.
Für Deep-Learning-Modelle haben wir uns entschieden, PyTorch über das Vermittlungstool ONNX, den offenen Standard für Machine-Learning-Interoperabilität, zu unterstützen.
Schließlich ließ sich Concrete ML für DataFrames von pandas inspirieren.
Erstellen mit Concrete ML
Sowohl unser ML-Framework als auch unser FHE-Compiler sind Open Source. Kürzlich haben externe Entwickler unsere Bibliotheken genutzt, um spannende FHE-Anwendungen zu entwickeln, wie z. B. eine verschlüsselte Version von Shazam, bei der Songs vor dem Abgleich mit einer Datenbank verschlüsselt werden, und eine verschlüsselte DNA-Abstammungsanalyse-Lösung, die die DNA während des gesamten Prozesses verschlüsselt hält.
Bereit, mit FHE zu beginnen?
- Lesen Sie die Concrete ML Dokumentation
- Erkunden Sie die umfassenden Tutorials und Demos
Über die Autoren
Andrei Stoian, PhD, ist Leiter des Machine-Learning-Teams bei Zama. Seine Hauptverantwortung in dieser Rolle ist die Überwachung der Entwicklung von Concrete ML, Zam'as Toolkit für datenschutzfreundliches maschinelles Lernen auf Basis von vollständig homomorpher Verschlüsselung. In der Vergangenheit arbeitete Andrei an Machine-Learning-Werkzeugen und -Algorithmen für Videoanalysen und Satellitenbildverarbeitung auf eingebetteten Systemen. Andrei hat über 20 Arbeiten über Machine-Learning-Anwendungen mitverfasst und hält mehrere Patente.
Benoit Chevallier-Mames ist VP of Cloud & Machine Learning bei Zama. Er hat über 20 Jahre zwischen kryptografischer Forschung und sicheren Implementierungen in einer Vielzahl von Bereichen verbracht, wie z. B. Side-Channel-Sicherheit, beweisbare Sicherheit, Whitebox-Kryptografie und vollständig homomorphe Verschlüsselung. Benoit hat über 15 begutachtete Arbeiten mitverfasst und ist Co-Autor von über 50 Patenten. Er promovierte an der Ecole Normale Superieure / Paris University und hat einen Master-Abschluss von der CentraleSupelec.