À l'ère du numérique, la promesse de l'intelligence artificielle s'accompagne souvent d'un coût caché : la nécessité de confier des données privées à un serveur pour qu'elles soient traitées. Qu'il s'agisse d'un dossier médical, d'une transaction financière ou d'une photographie personnelle, la norme actuelle exige de décrypter l'information pour lui donner du sens, la laissant ainsi vulnérable au passage. Le chiffrement homomorphe offre une issue à ce dilemme. Il s'agit d'une méthode mathématique qui permet à un ordinateur d'effectuer des calculs sur des données qui restent verrouillées dans un état brouillé. L'ordinateur peut additionner, multiplier et analyser les nombres chiffrés sans jamais voir les valeurs originales, renvoyant un résultat qui, une fois déverrouillé, est mathématiquement identique à ce qui aurait été produit à partir des données brutes. Cette technologie a le potentiel de révolutionner la confidentialité, mais pendant des années, elle a été trop lente pour un usage pratique. Les calculs requis pour maintenir les données chiffrées tout en travaillant dessus sont si lourds sur le plan computationnel qu'ils peuvent prendre des heures, voire des jours, pour traiter une seule image, rendant la technologie inutile pour les applications en temps réel comme la reconnaissance faciale ou le diagnostic de maladies.

Une équipe de chercheurs espagnols et portugais a maintenant développé une nouvelle approche qui fait passer cette technologie théorique et lente au rang du pratique, spécifiquement pour l'analyse d'images utilisant l'intelligence artificielle. Ils se sont concentrés sur un type spécifique de chiffrement appelé CKKS, conçu pour gérer les nombres approximatifs utilisés dans la reconnaissance d'images, et ils ont construit un système pour exécuter ces calculs sur des processeurs graphiques, ou GPU. Ce sont les puces puissantes que l'on trouve dans les ordinateurs et les smartphones, conçues pour gérer des quantités massives de données simultanément. Les chercheurs n'ont pas simplement accéléré le code existant ; ils ont fondamentalement repensé la manière dont l'ordinateur organise le travail. Au lieu de traiter les données chiffrées comme une longue chaîne d'étapes individuelles et séquentielles, ils ont conçu un système qui traite des couches entières d'un réseau d'analyse d'image d'un seul coup. En faisant cela, ils ont créé un pont entre les instructions logicielles de haut niveau et la vitesse brute du matériel moderne, permettant à des tâches complexes de reconnaissance d'images d'être effectuées sur des données chiffrées en une fraction du temps auparavant jugée possible.

Le cœur de leur travail repose sur une méthode appelée exécution au niveau de la couche (layer-level execution). Dans un réseau d'intelligence artificielle typique qui analyse des images, les données passent par une série d'étapes, ou couches. Certaines de ces couches recherchent des contours et des formes, d'autres regroupent des pixels similaires, et d'autres combinent des informations pour prendre une décision finale. Dans les tentatives précédentes pour exécuter ces réseaux sur des données chiffrées, l'ordinateur devait s'arrêter après chaque opération mathématique individuelle, réorganiser les données, puis démarrer l'étape suivante. Cet arrêt et redémarrage constants créait un goulot d'étranglement massif. Le nouveau système, qui s'intègre à un cadre logiciel populaire appelé TenSEAL, permet à l'ordinateur d'exécuter une couche entière du réseau en une seule rafale continue. Il traite l'image chiffrée non pas comme une série de nombres isolés, mais comme un grand bloc organisé qui peut être manipulé en parallèle. Cela revient à comparer la façon dont un bibliothécaire trie un seul livre par rapport au tri d'une étagère entière de livres à la fois ; la nouvelle méthode permet à l'ordinateur de trier toute l'étagère simultanément, plutôt que de manipuler chaque livre un par un.

Pour tester cette idée, les chercheurs ont construit un ensemble d'instructions spécialisées, connues sous le nom de noyaux (kernels), qui indiquent à la carte graphique exactement comment manipuler ces grands blocs de données chiffrées. Ils ont testé leur système sur deux types de matériel différents : une puce de serveur compacte et performante, et une puce plus petite et économe en énergie conçue pour les appareils de bord (edge devices) comme les drones avancés ou les véhicules autonomes. Ils ont comparé les performances de leur nouvelle méthode à deux références : un serveur standard puissant doté de quatre-vingt-seize cœurs de processeur, et une ancienne version de leur propre logiciel qui fonctionnait sur la même carte graphique mais utilisait l'approche plus lente, étape par étape. Les résultats furent frappants. Lors du traitement des opérations mathématiques complexes requises pour la reconnaissance d'images, le nouveau système sur la puce de serveur compact était jusqu'à sept fois et demie plus rapide que le serveur massif à quatre-vingt-seize cœurs. Comparé à l'ancienne méthode étape par étape tournant sur la même carte graphique, le nouveau système était jusqu'à deux cent cinquante-huit fois plus rapide pour certains types de calculs.

Les chercheurs ne se sont pas contentés de mesurer la vitesse brute ; ils ont également vérifié que le nouveau système produisait des résultats précis. Ils ont fait passer deux modèles de reconnaissance d'images différents, l'un conçu pour identifier des chiffres manuscrits et l'autre pour classer de petits objets, à travers leur système chiffré. Ils ont comparé les réponses finales du traitement chiffré avec les réponses du traitement des mêmes images sans chiffrement. La différence était négligeable. Le système chiffré faisait les mêmes prédictions correctes que le système non chiffré, avec seulement de minuscules variations mathématiquement attendues qui n'influaient pas sur le résultat final. Cela a confirmé que les gains de vitesse ne se faisaient pas au détriment de la précision ou de la fiabilité. Le système a réussi à préserver la confidentialité des données tout en délivrant les mêmes résultats de haute qualité que les méthodes traditionnelles.

L'une des découvertes les plus significatives de l'étude est que ce niveau de performance est réalisable même sur des appareils compacts et de bord. Pendant longtemps, le coût élevé du chiffrement homomorphe signifiait qu'il ne pouvait être exécuté que sur des centres de données massifs et gourmands en énergie. Les chercheurs ont démontré que leur approche optimisée permet à ces calculs préservant la confidentialité de s'exécuter efficacement sur du matériel plus petit et plus portable. Cela ouvre la porte à des applications où les données n'ont jamais besoin de quitter l'appareil sur lequel elles ont été créées. Un dispositif médical pourrait analyser le scanner d'un patient localement sans jamais envoyer l'image brute vers un serveur cloud, ou une caméra intelligente pourrait reconnaître un visage sans transmettre les données visuelles à une base de données centrale. L'étude prouve que la barrière computationnelle n'est plus un mur insurmontable, mais un obstacle qui peut être franchi avec la bonne conception architecturale.

Bien que le nouveau système offre des améliorations spectaculaires, les chercheurs ont noté que toutes les parties du processus ne bénéficient pas de la même manière de cette approche. Les opérations les plus complexes, qui impliquent de réorganiser les données chiffrées pour les préparer à l'étape suivante, consomment toujours une quantité importante de temps. Dans ces cas spécifiques, l'avantage de la nouvelle méthode sur l'ancienne approche de la carte graphique était moins prononcé, bien que substantiel. Cela suggère que, si la stratégie de niveau de couche est un bond en avant majeur, il reste encore de la place pour un affinement de la manière dont les parties les plus difficiles du calcul sont gérées. Les chercheurs prévoient d'explorer différentes manières de mapper ces tâches complexes au matériel à l'avenir, dans le but d'extraire encore plus d'efficacité.

Ce travail représente une étape concrète vers un avenir où la confidentialité et la performance ne sont plus mutuellement exclusives. En redessinant la manière dont les données chiffrées circulent dans un ordinateur, l'équipe a montré qu'il est possible d'exécuter une intelligence artificielle sophistiquée sur des données verrouillées sans sacrifier la vitesse. Les résultats indiquent que l'ère de l'apprentissage automatique respectueux de la vie privée et pratique n'est plus une possibilité théorique lointaine, mais une réalité qui peut être déployée sur le matériel que nous possédons déjà. La capacité de traiter des images de manière sécurisée et rapide sur des appareils compacts suggère que la prochaine génération d'applications sécurisées pourra fonctionner de manière indépendante, en gardant les informations sensibles en sécurité tout en délivrant les analyses intelligentes que les utilisateurs modernes attendent.