डिजिटल युग में, आर्टिफिशियल इंटेलिजेंस का वादा अक्सर एक छिपी हुई लागत के साथ आता है: डेटा को प्रोसेस करने के लिए उसे किसी सर्वर को सौंपने की आवश्यकता। चाहे वह कोई मेडिकल रिकॉर्ड हो, वित्तीय लेनदेन हो, या कोई व्यक्तिगत तस्वीर, वर्तमान मानक जानकारी को समझने के लिए उसे डिक्रिप्ट (decrypt) करने की मांग करते हैं, जिससे प्रक्रिया के दौरान वह असुरक्षित हो जाती है। होमॉर्मोरफिक एन्क्रिप्शन (Homomorphic encryption) इस दुविधा का एक समाधान प्रदान करता है। यह एक गणितीय विधि है जो कंप्यूटर को उस डेटा पर गणना करने की अनुमति देती है जो एक कूटबद्ध (scrambled) अवस्था में लॉक रहता है। कंप्यूटर मूल मानों को देखे बिना एन्क्रिप्टेड नंबरों को जोड़ सकता है, गुणा कर सकता है और उनका विश्लेषण कर सकता है, और एक ऐसा परिणाम वापस करता है जो, अनलॉक होने पर, गणितीय रूप से बिल्कुल वैसा ही होता है जैसा कि कच्चे डेटा से प्राप्त होता। यह तकनीक गोपनीयता में क्रांति लाने की क्षमता रखती है, लेकिन वर्षों से, यह व्यावहारिक उपयोग के लिए बहुत धीमी रही है। डेटा को एन्क्रिप्टेड रखते हुए उस पर काम करने के लिए आवश्यक गणनाएँ इतनी भारी होती हैं कि उन्हें एक एकल छवि को प्रोसेस करने में घंटों या यहाँ तक कि दिन भी लग सकते हैं, जिससे यह तकनीक चेहरे पहचानने या बीमारियों के निदान जैसे वास्तविक समय (real-time) के अनुप्रयोगों के लिए बेकार हो जाती है।

स्पेन और पुर्तगाल के शोधकर्ताओं की एक टीम ने अब एक नया दृष्टिकोण विकसित किया है जो इस धीमी, सैद्धांतिक तकनीक को व्यावहारिक क्षेत्र में लाता है, विशेष रूप से आर्टिफिशियल इंटेलिजेंस का उपयोग करके छवियों के विश्लेषण के लिए। उन्होंने एक विशिष्ट प्रकार के एन्क्रिप्शन पर ध्यान केंद्रित किया जिसे CKVA कहा जाता है, जो इमेज रिकग्निशन में उपयोग किए जाने वाले अनुमानित नंबरों को संभालने के लिए डिज़ाइन किया गया है, और उन्होंने इन गणनाओं को ग्राफिक्स प्रोसेसिंग यूनिट्स (GPUs) पर चलाने के लिए एक प्रणाली बनाई। ये वे शक्तिशाली चिप्स हैं जो कंप्यूटर और स्मार्टफोन में पाए जाते हैं और जो एक साथ बड़ी मात्रा में डेटा को संभालने के लिए डिज़ाइन किए गए हैं। शोधकर्ताओं ने केवल मौजूदा कोड को तेज़ नहीं किया; उन्होंने मौलिक रूप से इस बात पर पुनर्विचार किया कि कंप्यूटर काम को कैसे व्यवस्थित करता है। एन्क्रिप्टेड डेटा को व्यक्तिगत, क्रमिक चरणों की एक लंबी श्रृंखला के रूप में मानने के बजाय, उन्होंने एक ऐसी प्रणाली डिज़ाइन की जो एक छवि विश्लेषण नेटवर्क के पूरे स्तरों (layers) को एक साथ प्रोसेस करती है। ऐसा करके, उन्होंने उच्च-स्तरीय सॉफ्टवेयर निर्देशों और आधुनिक हार्डवेयर की कच्ची गति के बीच एक सेतु बनाया, जिससे जटिल इमेज रिकग्निशन कार्यों को पहले की तुलना में बहुत कम समय में एन्क्रिप्टेड डेटा पर किया जाना संभव हो सका।

उनके कार्य का मुख्य हिस्सा 'लेयर-लेवल एग्जीक्यूशन' (layer-level execution) नामक एक विधि है। छवियों का विश्लेषण करने वाले एक विशिष्ट आर्टिफिशियल इंटेलिजेंस नेटवर्क में, डेटा चरणों या परतों (layers) की एक श्रृंखला से गुजरता है। इनमें से कुछ परतें किनारों और आकृतियों को देखती हैं, कुछ समान पिक्सेल को एक साथ समूहबद्ध करती हैं, और अन्य अंतिम निर्णय लेने के लिए जानकारी को जोड़ती हैं। एन्क्रिप्टेड डेटा पर इन नेटवर्कों को चलाने के पिछले प्रयासों में, कंप्यूटर को हर एक गणितीय ऑपरेशन के बाद रुकना पड़ता था, डेटा को पुनर्गठित करना पड़ता था, और फिर अगला चरण शुरू करना पड़ता था। इस निरंतर रुकने और शुरू होने की प्रक्रिया ने एक बड़ा अवरोध (bottleneck) पैदा कर दिया था। नई प्रणाली, जो 'TenSEAL' नामक एक लोकप्रिय सॉफ्टवेयर फ्रेमवर्क के साथ एकीकृत है, कंप्यूटर को नेटवर्क के पूरे स्तर को एक निरंतर विस्फोट (burst) में निष्पादित करने की अनुमति देती है। यह एन्क्रिप्टेड छवि को अलग-थलग नंबरों की एक श्रृंखला के रूप में नहीं, बल्कि एक बड़े, संगठित ब्लॉक के रूप में मानती है जिसे समानांतर (parallel) रूप से संचालित किया जा सकता है। यह इस तरह है जैसे एक लाइब्रेरियन एक समय में एक किताब को छाँटने के बजाय किताबों की पूरी शेल्फ को एक साथ छाँटता है; नया तरीका कंप्यूटर को एक-एक करके किताबें संभालने के बजाय पूरी शेल्फ को एक साथ छाँटने की अनुमति देता है।

इस विचार का परीक्षण करने के लिए, शोधकर्ताओं ने 'कर्नेल' (kernels) नामक निर्देशों का एक सेट बनाया, जो ग्राफिक्स कार्ड को बताता है कि इन एन्क्रिप्टेड डेटा के बड़े ब्लॉकों को ठीक से कैसे संभालना है। उन्होंने अपने सिस्टम का परीक्षण दो अलग-अलग प्रकार के हार्डवेयर पर किया: एक कॉम्पैक्ट, उच्च-प्रदर्शन वाला सर्वर चिप और एक छोटा, ऊर्जा-कुशल चिप जिसे ड्रोन या स्वायत्त वाहनों जैसे एज डिवाइसेस (edge devices) के लिए डिज़ाइन किया गया है। उन्होंने अपने नए तरीके की तुलना दो बेंचमार्क के विरुद्ध की: एक मानक, शक्तिशाली सर्वर जिसमें निन्यानवे सोलह प्रोसेसर कोर थे, और उनके अपने सॉफ्टवेयर का एक पुराना संस्करण जो उसी ग्राफिक्स कार्ड पर चलता था लेकिन धीमे, स्टेप-बाय-स्टेप दृष्टिकोण का उपयोग करता था। परिणाम चौंकाने वाले थे। इमेज रिकग्निशन के लिए आवश्यक जटिल गणितीय संचालन को प्रोसेस करते समय, कॉम्पैक्ट सर्वर चिप पर नया सिस्टम, निन्यानवे सोलह कोर वाले विशाल सर्वर की तुलना में सात और आधा गुना अधिक तेज़ था। उसी ग्राफिक्स कार्ड पर चल रहे पुराने, स्टेप-बाय-स्टेप तरीके की तुलना में, नया सिस्टम कुछ प्रकार की गणनाओं के लिए दो सौ अट्ठावन गुना तक तेज़ था।

शोधकर्ताओं ने केवल कच्चे वेग (speed) को मापने पर ही नहीं रोका; उन्होंने यह भी सत्यापित किया कि नया सिस्टम सटीक परिणाम देता है। उन्होंने अपने एन्क्रिप्टेड सिस्टम के माध्यम से दो अलग-अलग इमेज रिकग्निशन मॉडल, एक हस्तलिखित अंकों की पहचान करने के लिए और दूसरा छोटी वस्तुओं को वर्गीकृत करने के लिए, चलाए। उन्होंने एन्क्रिप्टेड प्रोसेसिंग से प्राप्त अंतिम उत्तरों की तुलना बिना एन्क्रिप्शन के उन्हीं छवियों को प्रोसेस करने से प्राप्त उत्तरों से की। अंतर नगण्य था। एन्क्रिप्टेड सिस्टम ने अन-एन्क्रिप्टेड सिस्टम की तरह ही सही भविष्यवाणियाँ कीं, जिसमें संख्याओं में केवल मामूली, गणितीय रूप से अपेक्षित भिन्नता थी जो अंतिम परिणाम को प्रभावित नहीं करती थी। इसने पुष्टि की कि गति में वृद्धि सटीकता या विश्वसनीयता की कीमत पर नहीं आई थी। सिस्टम ने पारंपरिक तरीकों के समान उच्च-गुणवत्ता वाले परिणाम देते हुए डेटा की गोपनीयता को सफलतापूर्वक सुरक्षित रखा।

अध्ययन का सबसे महत्वपूर्ण निष्कर्ष यह है कि इस स्तर का प्रदर्शन कॉम्पैक्ट और एज डिवाइसेस पर भी प्राप्त किया जा सकता है। लंबे समय तक, होमॉर्मोरफिक एन्क्रिप्शन की उच्च लागत का अर्थ था कि इसे केवल विशाल, शक्ति-गहन डेटा केंद्रों पर ही चलाया जा सकता था। शोधकर्ताओं ने प्रदर्शित किया कि उनका अनुकूलित दृष्टिकोण इन गोपनीयता-संरक्षण गणनाओं को छोटे, अधिक पोर्टेबल हार्डवेयर पर कुशलतापूर्वक चलाने की अनुमति देता है। यह उन अनुप्रयोगों के द्वार खोलता है जहाँ डेटा को उस डिवाइस को छोड़ने की आवश्यकता नहीं होती जहाँ इसे बनाया गया था। एक मेडिकल डिवाइस मरीज के स्कैन का स्थानीय स्तर पर विश्लेषण कर सकता है बिना कच्ची छवि को क्लाउड सर्वर पर भेजे, या एक स्मार्ट कैमरा चेहरे को पहचान सकता है बिना दृश्य डेटा को केंद्रीय डेटाबेस पर प्रसारित किए। अध्ययन सिद्ध करता है कि कम्प्यूटेशनल बाधा अब एक अजेय दीवार नहीं है, बल्कि एक बाधा है जिसे सही आर्किटेक्चरल डिज़ाइन के साथ पार किया जा सकता है।

हालाँकि नया सिस्टम नाटकीय सुधार प्रदान करता है, शोधकर्ताओं ने नोट किया कि प्रक्रिया के हर हिस्से को इस दृष्टिकोण से समान लाभ नहीं मिलता है। सबसे जटिल संचालन, जिनमें अगले चरण के लिए एन्क्रिप्टेड डेटा को पुनर्गठित करना शामिल है, अभी भी काफी समय लेते हैं। इन विशिष्ट मामलों में, पुराने ग्राफिक्स कार्ड दृष्टिकोण पर नए तरीके का लाभ कम स्पष्ट था, हालांकि पर्याप्त था। यह सुझाव देता है कि जबकि लेयर-लेवल रणनीति एक बड़ी छलांग है, सबसे कठिन कार्यों को संभालने के तरीके में अभी भी सुधार की गुंजाइश है। शोधकर्ता भविष्य में इन जटिल कार्यों को हार्डवेयर पर मैप करने के विभिन्न तरीकों का पता लगाने की योजना बना रहे हैं, जिसका लक्ष्य और भी अधिक दक्षता प्राप्त करना है।

यह कार्य एक ऐसे भविष्य की ओर एक मूर्त कदम है जहाँ गोपनीयता और प्रदर्शन एक-दूसरे के पूरक हैं। एन्क्रिप्टेड डेटा को कंप्यूटर के माध्यम से कैसे संचालित किया जाता है, इसे फिर से डिज़ाइन करके, टीम ने दिखाया है कि गति से समझौता किए बिना लॉक किए गए डेटा पर परिष्कृत आर्टिफिशियल इंटेलिजेंस चलाना संभव है। परिणाम संकेत देते हैं कि व्यावहारिक, गोपनीयता-संरक्षण मशीन लर्निंग का युग अब केवल एक दूर का सैद्धांतिक संभावना नहीं है, बल्कि एक वास्तविकता है जिसे हमारे पास मौजूद हार्डवेयर पर तैनात किया जा सकता है। कॉम्पैक्ट उपकरणों पर छवियों को सुरक्षित और तेज़ी से प्रोसेस करने की क्षमता बताती है कि अगली पीढ़ी के सुरक्षित अनुप्रयोग स्वतंत्र रूप से कार्य करने में सक्षम होंगे, जिससे संवेदनशील जानकारी को सुरक्षित रखते हुए भी आधुनिक उपयोगकर्ताओं से अपेक्षित बुद्धिमान अंतर्दृष्टि (insights) प्रदान की जा सकेगी।