Analytique données en salle blanche et multipartite

L’informatique confidentielle Azure (Azure confidential computing, ACC) fournit une base pour les solutions qui permettent à plusieurs parties de collaborer sur des données. Diverses approches existent, et un écosystème croissant de partenaires permet aux clients Azure, chercheurs, data scientists et fournisseurs de données de collaborer sur les données tout en préservant la confidentialité. Cette vue d’ensemble couvre certaines approches et solutions existantes qui peuvent être utilisées, toutes exécutées sur ACC.

Quelles sont les protections des données et des modèles ?

Les solutions de salle blanche des données offrent généralement un moyen pour un ou plusieurs fournisseurs de données de combiner les données pour le traitement. En général, les prestataires s’accordent sur le code, les requêtes ou les modèles créés par l’un des participants, comme un chercheur ou un fournisseur de solutions. Dans de nombreux cas, les données sont sensibles et ne devraient pas être directement partagées avec d’autres participants, qu’il s’agisse d’un autre fournisseur de données, d’un chercheur ou d’un fournisseur de solutions. Pour garantir la sécurité et la confidentialité des données et des modèles utilisés dans les salles blanches de données, l’informatique confidentielle peut vérifier cryptographiquement que les participants n’ont pas accès aux données ou aux modèles, y compris lors du traitement. En utilisant l’ACC, les solutions peuvent protéger les données et la propriété intellectuelle des modèles de l’opérateur cloud, du fournisseur de solutions et des participants à la collaboration de données.

Quels sont les exemples de cas d’usage du secteur d’activité ?

En utilisant l’ACC, clients et partenaires développent des solutions d’analyse de données multiparties préservant la confidentialité, parfois appelées « clean rooms confidentielles ». Ces solutions peuvent être des solutions entièrement nouvelles conçues pour être confidentielles ou des solutions clean room existantes rendues confidentielles grâce à l’utilisation de l’ACC.

• Scotiabank - A prouvé l’utilisation de l’IA sur les flux d’argent interbancaires pour identifier le blanchiment d’argent et signaler les cas de traite des êtres humains, en utilisant l’informatique confidentielle Azure et un partenaire de solution, Opaque.
• Nestlé Biome a utilisé une solution partenaire de BeeKeeperAI exécutée sur ACC afin de trouver des candidats aux essais cliniques pour les maladies rares.
• Les principaux fournisseurs de paiement intègrent les données de plusieurs banques pour détecter la fraude et les anomalies.
• Les services d’analyse de données et les solutions de salle blanche utilisent l’ACC pour renforcer la protection des données et répondre aux besoins de conformité des clients de l’UE et aux réglementations européennes en matière de confidentialité.

Pourquoi recourir à l’informatique confidentielle ?

Les salles blanches de données ne sont pas un concept totalement nouveau. Cependant, les avancées en informatique confidentielle offrent davantage d’opportunités pour tirer parti de l’échelle cloud avec des ensembles de données plus larges, sécuriser la propriété intellectuelle des modèles d’IA et mieux respecter les réglementations en confidentialité des données. Dans les cas précédents, certaines données peuvent être inaccessibles pour des raisons telles que :

• Désavantages concurrentiels ou réglementation empêchant le partage de données entre entreprises du secteur.
• L’anonymisation qui réduit la qualité des insights sur les données, ou qui est trop coûteuse et fastidieuse.
• Les données qui sont liées à certains emplacements et ne sont pas traitées dans le cloud en raison de problèmes de sécurité.
• Les procédures juridiques coûteuses ou longues couvrent la responsabilité si les données sont exposées ou détournées.

Ces réalités peuvent entraîner des jeux de données incomplets ou inefficaces qui entraînent des insights moins pertinents, ou plus de temps nécessaire à l’apprentissage et à l’utilisation de modèles IA.

Quelles sont les considérations à prendre en compte lors de la création d’une solution de salle blanche ?

Analyse par lots vs. pipelines de données en temps réel : Considérez la taille des ensembles de données et la rapidité des insights lors de la conception ou de l’utilisation d’une solution en salle blanche. Lorsque les données sont disponibles « hors ligne », vous pouvez les charger dans un environnement de calcul vérifié et sécurisé pour un traitement analytique des données sur de grands volumes de données, voire sur l’ensemble des données. Cette approche d’analyse par lots permet d’évaluer de grands ensembles de données avec des modèles et algorithmes qui ne sont pas censés fournir un résultat immédiat. Par exemple, l’analyse par lots fonctionne bien lorsqu’on fait de l’inférence ML sur des millions de dossiers médicaux afin de trouver les meilleurs candidats pour un essai clinique. D’autres solutions nécessitent des analyses en temps réel sur les données, comme lorsque des algorithmes et des modèles cherchent à identifier la fraude lors de transactions quasi en temps réel entre plusieurs entités.

Participation sans confiance : Un facteur majeur dans les salles blanches confidentielles est la capacité de ne faire confiance à aucune partie impliquée, des fournisseurs de données aux développeurs de code et de modèles, aux fournisseurs de solutions et aux administrateurs de l’opérateur d’infrastructure. Des solutions peuvent être fournies lorsque les données et la propriété intellectuelle du modèle sont protégées contre toutes les parties. Lors de l’intégration ou de la création d’une solution, les participants doivent considérer à la fois ce qu’ils souhaitent protéger et contre qui protéger le code, les modèles et les données.

Apprentissage fédéré : L’apprentissage fédéré consiste à créer ou utiliser une solution où les modèles s’exécutent dans le locataire du propriétaire des données, et où les insights sont agrégés dans un locataire central. Dans certains cas, les modèles peuvent même fonctionner sur des données extérieures à Azure, l’agrégation de modèles se produisant toujours dans Azure. Souvent, l’apprentissage fédéré itère sur les données à mesure que les paramètres du modèle s’améliorent après l’agrégation des insights. Les coûts d’itération et la qualité du modèle doivent être pris en compte dans la solution et les résultats attendus.

Résidence et sources de données : les clients ont des données stockées dans plusieurs clouds et locaux. La collaboration peut inclure des données et des modèles provenant de différentes sources. Les solutions de salle blanche peuvent faciliter les données et les modèles provenant d’Azure à partir de ces autres emplacements. Lorsque les données ne peuvent pas se déplacer vers Azure à partir d’un magasin de données local, certaines solutions de salle blanche peuvent s’exécuter sur le site où résident les données. La gestion et les stratégies peuvent être alimentées par un fournisseur de solutions commun, le cas échéant.

Intégrité du code et registres confidentiels : En utilisant la technologie des registres distribués (DLT) fonctionnant sur l’informatique confidentielle Azure, vous pouvez construire des solutions qui fonctionnent sur un réseau à travers les organisations. La logique du code et les règles analytiques sont ajoutées uniquement lorsqu’il y a consensus entre les différents participants. Toutes les mises à jour du code sont enregistrées pour audit, via une journalisation inviolable activée par Azure Confidential Computing.

Quelles sont les options pour bien démarrer ?

Salles blanches confidentielles Azure (préversion)

Azure Confidential Clean Rooms (ACCR) est conçu pour les organisations qui souhaitent partager de manière sécurisée des données sensibles à la vie privée, telles que des informations personnelles identifiables (PII) ou des informations de santé protégées (PHI), avec d’autres organisations afin d’obtenir des insights critiques pour l’entreprise, d’ajuster des modèles ML avec des données sensibles d’autres organisations pour une meilleure précision, ou de réaliser des analyses sécurisées sur des données conjointes avec des organisations partenaires. ACCR utilise des conteneurs confidentiels sur Azure Container Instances pour vous assurer que vos données restent protégées contre d’autres collaborateurs et des opérateurs Azure. Il a des applications couvrant de multiples secteurs tels que la santé, la publicité, la banque et les services financiers, ainsi que la vente au détail.

Vous pouvez vous inscrire à l’aperçu ACCR en soumettant ce formulaire.

Offres de plateforme ACC facilitant la mise en place des salles blanches confidentielles

Remontez vos manches et créez une solution de salle blanche aux données directement sur ces offres de services d’informatique confidentielle.

Les conteneurs confidentiels sur Azure Container Instances (ACI) et les pools de nœuds de machines virtuelles confidentielles offrent une solution de conteneurs pour créer des solutions de salle blanche confidentielle. Les options d’enclave Intel SGX restent disponibles pour des scénarios spécialisés.

Les machines virtuelles confidentielles fournissent une plateforme de machines virtuelles pour les solutions de salle blanche confidentielle.

Azure SQL AE dans des enclaves sécurisées fournit un service de plateforme permettant de chiffrer des données et des requêtes dans SQL qui peuvent être utilisées dans les salles blanches confidentielles et d’analytique données multiparties.

Confidential Consortium Framework est une infrastructure open source permettant de créer des services avec état hautement disponibles qui utilisent le calcul centralisé pour faciliter l’utilisation et les performances, tout en fournissant une confiance décentralisée. Elle permet à plusieurs parties d’exécuter un calcul auditable sur des données confidentielles sans se faire confiance ou sans opérateur privilégié.

Solutions partenaires ACC prenant en charge les salles blanches confidentielles

Utilisez un partenaire qui développe une solution d’analyse de données multipartite sur la plateforme Azure de calcul confidentiel.

• Anjuna fournit une plateforme d’informatique confidentielle pour permettre divers cas d’usage, notamment des salles blanches sécurisées, pour que les organisations partagent des données pour une analyse conjointe, telle que le calcul des scores de risque de crédit ou le développement de modèles Machine Learning, sans exposer d’informations sensibles.
• BeeKeeperAI propose une IA médicale via une plateforme de collaboration sécurisée pour les propriétaires d’algorithmes et les administrateurs de données. BeeKeeperAI utilise des analyses respectueuses de la vie privée sur des données protégées multi-institutionnelles dans un environnement d’informatique confidentielle.
• Decentriq fournit des salles blanches de données SaaS basées sur l’informatique confidentielle qui permettent une collaboration sécurisée des données sans partager de données. Les salles blanches de la science des données permettent une analyse multiparties flexible et des salles blanches sans code pour les médias et la publicité permettent l’activation et l’analytique d’audience conformes basées sur les données utilisateur internes. Les salles blanches confidentielles sont décrites plus en détail dans cet article sur le blog Microsoft.
• Duality Technologies permet l’analyse multipartie et l’IA sur des données que les participants ne peuvent pas centraliser. Il combine l’informatique confidentielle et des environnements d’exécution de confiance, un chiffrement entièrement homomorphe, un apprentissage fédéré et une confidentialité différentielle selon les besoins de chaque charge de travail, tandis que chaque jeu de données reste sous le contrôle de son propriétaire à travers les départements ou organisations. Les cas d’utilisation incluent la recherche clinique interinstitutionnelle et la recherche sur les données probantes concrètes, la détection de fraude et l’analyse de lutte contre le blanchiment d’argent.
• Fortanix fournit une plateforme d’informatique confidentielle capable de permettre une IA confidentielle, incluant la collaboration de plusieurs organisations pour des analyses multipartites.
• Opaque fournit une plateforme d’informatique confidentielle pour l’analytique collaborative et l’IA, ce qui permet d’effectuer des analyses évolutives collaboratives tout en protégeant les données de bout en bout et en permettant aux organisations de se conformer aux obligations juridiques et réglementaires.