Im digitalen Zeitalter geht das Versprechen der künstlichen Intelligenz oft mit einem verborgenen Preis einher: der Notwendigkeit, private Daten zur Verarbeitung an einen Server zu übergeben. Ob es sich um eine Krankenakte, eine Finanztransaktion oder ein persönliches Foto handelt – der aktuelle Standard erfordert das Entschlüsseln von Informationen, um sie nutzbar zu machen, wodurch sie im Prozess verwundbar werden. Die homomorphe Verschlüsselung bietet einen Ausweg aus diesem Dilemma. Sie ist eine mathematische Methode, die es einem Computer ermöglicht, Berechnungen auf Daten durchzuführen, die in einem verschlüsselten Zustand verbleiben. Der Computer kann die verschlüsselten Zahlen addieren, multiplizieren und analysieren, ohne jemals die ursprünglichen Werte zu sehen, und ein Ergebnis zurückgeben, das nach dem Entschlüsseln mathematisch identisch mit dem ist, das aus den Rohdaten produziert worden wäre. Diese Technologie hat das Potenzial, die Privatsphäre zu revolutionieren, aber jahrelang war sie für die praktische Anwendung zu langsam. Die Berechnungen, die erforderlich sind, um Daten verschlüsselt zu halten, während man mit ihnen arbeitet, sind so rechenintensiv, dass sie Stunden oder sogar Tage benötigen können, um ein einzelnes Bild zu verarbeiten, was die Technologie für Echtzeitanwendungen wie die Gesichtserkennung oder die Diagnose von Krankheiten unbrauchbar macht.

Ein Team von Forschern aus Spanien und Portugal hat nun einen neuen Ansatz entwickelt, der diese langsame, theoretische Technologie in den Bereich des Praktikablen bringt, speziell für die Analyse von Bildern mittels künstlicher Intelligenz. Sie konzentrierten sich auf eine spezifische Art der Verschlüsselung namens CKKS, die darauf ausgelegt ist, die bei der Bilderkennung verwendeten Näherungswerte zu handhaben, und bauten ein System, um diese Berechnungen auf Grafikprozessoren, oder GPUs, auszuführen. Dies sind die leistungsstarken Chips, die in Computern und Smartphones zu finden sind und darauf ausgelegt sind, massive Mengen an Daten gleichzeitig zu verarbeiten. Die Forscher haben nicht einfach nur den bestehenden Code beschleunigt; sie haben grundlegend neu gedacht, wie der Computer die Arbeit organisiert. Anstatt die verschlüsselten Daten als eine lange Kette einzelner, sequenzieller Schritte zu behandeln, entwarfen sie ein System, das ganze Schichten eines Bildanalyse-Netzwerks gleichzeitig verarbeitet. Durch dies schufen sie eine Brücke zwischen Softwareanweisungen auf hoher Ebene und der rohen Geschwindigkeit moderner Hardware, was es ermöglicht, komplexe Bilderkennungsaufgaben auf verschlüsselten Daten in einem Bruchteil der Zeit durchzuführen, die zuvor für möglich gehalten wurde.

Der Kern ihrer Arbeit umfasst eine Methode namens Layer-Level-Execution (Schichtebene-Ausführung). In einem typischen Netzwerk der künstlichen Intelligenz, das Bilder analysiert, fließen die Daten durch eine Serie von Stadien oder Schichten. Einige dieser Schichten suchen nach Kanten und Formen, andere gruppieren ähnliche Pixel zusammen, und andere kombinieren Informationen, um eine endgültige Entscheidung zu treffen. In früheren Versuchen, diese Netzwerke auf verschlüsselten Daten laufen zu lassen, musste der Computer nach jeder einzelnen mathematischen Operation anhalten, die Daten reorganisieren und dann den nächsten Schritt starten. Dieses ständige Anhalten und Starten erzeugte einen massiven Engpass. Das neue System, das mit einem populären Software-Framework namens TenSEAL integriert wird, erlaubt es dem Computer, eine gesamte Schicht des Netzwerks in einem einzigen kontinuierlichen Stoß auszuführen. Es behandelt das verschlüsselte Bild nicht als eine Serie isolierter Zahlen, sondern als einen großen, organisierten Block, der parallel manipuliert werden kann. Dies ist vergleichbar damit, wie ein Bibliothekar ein einzelnes Buch sortiert im Gegensatz dazu, ein ganzes Regal voller Bücher auf einmal zu sortieren; die neue Methode erlaubt es dem Computer, das ganze Regal gleichzeitig zu sortieren, anstatt jedes Buch einzeln zu handhaben.

Um diese Idee zu testen, bauten die Forscher einen Satz spezialisierter Anweisungen, bekannt als Kernel, die der Grafikkarte genau sagen, wie sie diese großen Blöcke verschlüsselter Daten handhaben soll. Sie testeten ihr System auf zwei verschiedenen Arten von Hardware: einem kompakten, leistungsstarken Server-Chip und einem kleineren, energieeffizienten Chip, der für Edge-Geräte wie fortschrittliche Drohnen oder autonome Fahrzeuge konzipiert ist. Sie verglichen die Leistung ihrer neuen Methode mit zwei Benchmarks: einem Standard-Server mit neunundsechzig Prozessor-Kernen und einer älteren Version ihrer eigenen Software, die auf derselben Grafikkarte lief, aber den langsameren Schritt-für-Schritt-Ansatz verwendete. Die Ergebnisse waren beeindruckend. Bei der Verarbeitung der komplexen mathematischen Operationen, die für die Bilderkennung erforderlich sind, war das neue System auf dem kompakten Server-Chip bis zu siebeneinhalb Mal schneller als der massive sechsundneunzig-Kern-Server. Im Vergleich zur älteren Schritt-für-Schritt-Methode, die auf derselben Grafikkarte lief, war das neue System bei bestimmten Arten von Berechnungen bis zu zweihundertachtundfünfzig Mal schneller.

Die Forscher hörten nicht beim Messen der reinen Geschwindigkeit auf; sie verifizierten auch, dass das neue System korrekte Ergebnisse liefert. Sie ließen zwei verschiedene Bilderkennungsmodelle – eines, das darauf ausgelegt ist, handgeschriebene Ziffern zu identifizieren, und ein anderes zur Klassifizierung kleiner Objekte – durch ihr verschlüsseltes System laufen. Sie verglichen die Endergebnisse der verschlüsselten Verarbeitung mit den Antworten aus der Verarbeitung derselben Bilder ohne Verschlüsselung. Der Unterschied war vernachlässigbar. Das verschlüsselte System traf dieselben korrekten Vorhersagen wie das unverschlüsselte, mit nur winzigen, mathematisch erwartbaren Variationen in den Zahlen, die das Endergebnis nicht beeinflussten. Dies bestätigte, dass die Geschwindigkeitsgewinne nicht auf Kosten der Genauigkeit oder Zuverlässigkeit gingen. Das System bewahrte erfolgreich die Privatsphäre der Daten, während es dieselbe hohe Qualität der Ergebnisse wie traditionelle Methoden lieferte.

Eine der bedeutendsten Erkenntnisse der Studie ist, dass dieses Leistungsniveau selbst auf kompakten Geräten und Edge-Geräten erreichbar ist. Lange Zeit bedeutete die hohen Kosten der homomorphen Verschlüsselung, dass sie nur in massiven, stromhungrigen Rechenzentren ausgeführt werden konnte. Die Forscher demonstrierten, dass ihr optimierter Ansatz es ermöglicht, diese privatsphäre-wahrenden Berechnungen effizient auf kleinerer, tragbarer Hardware auszuführen. Dies öffnet die Tür für Anwendungen, bei denen Daten das Gerät, auf dem sie erstellt wurden, nie verlassen müssen. Ein medizinisches Gerät könnte den Scan eines Patienten lokal analysieren, ohne jemals das Rohbild an einen Cloud-Server zu senden, oder eine intelligente Kamera könnte ein Gesicht erkennen, ohne die visuellen Daten an eine zentrale Datenbank zu übertragen. Die Studie beweist, dass die rechnerische Barriere kein unüberwindbares Hindernis mehr ist, sondern eine Hürde, die mit dem richtigen architektonischen Design überwunden werden kann.

Obwohl das neue System dramatische Verbesserungen bietet, stellten die Forscher fest, dass nicht jeder Teil des Prozesses gleichermaßen von diesem Ansatz profitiert. Die komplexesten Operationen, die eine Reorganisation der verschlüsselten Daten vorbereiten, um sie für den nächsten Schritt bereit zu machen, verbrauchen immer noch eine beträchtliche Menge an Zeit. In diesen spezifischen Fällen war der Vorteil der neuen Methode gegenüber dem älteren Grafikarten-Ansatz weniger ausgeprägt, wenn auch immer noch substanziell. Dies deutet darauf hin, dass die Layer-Level-Strategie zwar ein großer Sprung nach vorn ist, es aber noch Raum für weitere Verfeinerungen gibt, wie die schwierigsten Teile der Berechnung gehandhabt werden. Die Forscher planen, in Zukunft verschiedene Wege zu erforschen, um diese komplexen Aufgaben auf die Hardware abzubilden, mit dem Ziel, noch mehr Effizienz herauszuholen.

Die Arbeit stellt einen greifbaren Schritt in Richtung einer Zukunft dar, in der Privatsphäre und Leistung keine Gegensätze sind. Durch das Redesign der Art und Weise, wie verschlüsselte Daten durch einen Computer fließen, hat das Team gezeigt, dass es möglich ist, hochentwickelte künstliche Intelligenz auf verschlüsselten Daten laufen zu lassen, ohne die Geschwindigkeit zu opfern. Die Ergebnisse deuten darauf hin, dass die Ära des praktischen, privatsphäre-wahrenden maschinellen Lernens keine ferne theoretische Möglichkeit mehr ist, sondern eine Realität, die mit der Hardware, die wir bereits besitzen, eingesetzt werden kann. Die Fähigkeit, Bilder sicher und schnell auf kompakten Geräten zu verarbeiten, legt nahe, dass die nächste Generation sicherer Anwendungen in der Lage sein wird, unabhängig zu operieren und sensible Informationen sicher zu halten, während sie dennoch die intelligenten Erkenntnisse liefern, die moderne Nutzer erwarten.