Nell'era digitale, la promessa dell'intelligenza artificiale comporta spesso un costo nascosto: la necessità di consegnare dati privati a un server per essere elaborati. Che si tratti di una cartella clinica, di una transazione finanziaria o di una fotografia personale, lo standard attuale richiede la decrittazione delle informazioni per poterle comprendere, lasciandole vulnerabili nel processo. La crittografia omomorfa offre una via d'uscita da questo dilemma. È un metodo matematico che consente a un computer di eseguire calcoli su dati che rimangono bloccati in uno stato cifrato. Il computer può sommare, moltiplicare e analizzare i numeri criptati senza mai vedere i valori originali, restituendo un risultato che, una volta sbloccato, è matematicamente identico a quello che sarebbe stato prodotto dai dati grezzi. Questa tecnologia ha il potenziale per rivoluzionare la privacy, ma per anni è stata troppo lenta per un uso pratico. I calcoli richiesti per mantenere i dati criptati mentre si lavora su di essi sono così pesanti dal punto di vista computazionale che possono richiedere ore o addirittura giorni per elaborare una singola immagine, rendendo la tecnologia inutile per applicazioni in tempo reale come il riconoscimento facciale o la diagnosi di malattie.

Un team di ricercatori spagnoli e portoghesi ha ora sviluppato un nuovo approccio che porta questa tecnologia lenta e teorica nell'ambito del pratico, specificamente per l'analisi delle immagini tramite intelligenza artificiale. Si sono concentrati su un tipo specifico di crittografia chiamato CKKS, progettato per gestire i numeri approssimativi utilizzati nel riconoscimento delle immagini, e hanno costruito un sistema per eseguire questi calcoli su unità di elaborazione grafica, o GPU. Questi sono i potenti chip presenti nei computer e negli smartphone, progettati per gestire enormi quantità di dati simultaneamente. I ricercatori non si sono limitati ad accelerare il codice esistente; hanno ripensato fondamentalmente il modo in cui il computer organizza il lavoro. Invece di trattare i dati criptati come una lunga catena di passaggi individuali e sequenziali, hanno progettato un sistema che elabora interi livelli di una rete di analisi delle immagini tutti in una volta. In questo modo, hanno creato un ponte tra le istruzioni software di alto livello e la velocità pura dell'hardware moderno, permettendo di eseguire compiti complessi di riconoscimento delle immagini su dati criptati in una frazione del tempo precedentemente ritenuto possibile.

Il nucleo del loro lavoro riguarda un metodo chiamato esecuzione a livello di strato (layer-level execution). In una tipica rete di intelligenza artificiale che analizza immagini, i dati passano attraverso una serie di stadi, o strati. Alcuni di questi strati cercano bordi e forme, altri raggruppano pixel simili, e altri ancora combinano le informazioni per prendere una decisione finale. Nei tentativi precedenti di eseguire queste reti su dati criptati, il computer avrebbe dovuto fermarsi dopo ogni singola operazione matematica, riorganizzare i dati e poi iniziare il passaggio successivo. Questo continuo fermarsi e ripartire creava un enorme collo di bottiglia. Il nuovo sistema, che si integra con un popolare framework software chiamato TenSEAL, consente al computer di eseguire un intero strato della rete in un unico impulso continuo. Tratta l'immagine criptata non come una serie di numeri isolati, ma come un grande blocco organizzato che può essere manipolato in parallelo. Questo è simile a come un bibliotecario potrebbe catalogare un singolo libro rispetto al catalogare un'intera scaffalatura in una volta sola; il nuovo metodo permette al computer di catalogare l'intero scaffale simultaneamente, invece di gestire ogni libro uno alla volta.

Per testare questa idea, i ricercatori hanno costruito un insieme di istruzioni specializzate, note come kernel, che dicono alla scheda grafica esattamente come gestire questi grandi blocchi di dati criptati. Hanno testato il loro sistema su due tipi diversi di hardware: un chip server compatto e ad alte prestazioni e un chip più piccolo ed efficiente dal punto di vista energetico, progettato per dispositivi edge come droni avanzati o veicoli autonomi. Hanno confrontato le prestazioni del loro nuovo metodo rispetto a due benchmark: un server standard potente con novantasei core di elaborazione, e una versione precedente del proprio software che girava sullo stesso chip grafico ma utilizzava l'approccio più lento, passo dopo passo. I risultati sono stati sorprendenti. Quando elaboravano le complesse operazioni matematiche richieste per il riconoscimento delle immagini, il nuovo sistema sul chip server compatto era fino a sette volte e mezzo più veloce del massiccio server a novantasei core. Rispetto al vecchio metodo passo dopo passo eseguito sullo stesso chip grafico, il nuovo sistema era fino a duecentocinquantotto volte più veloce per certi tipi di calcoli.

I ricercatori non si sono fermati alla misurazione della velocità pura; hanno anche verificato che il nuovo sistema producesse risultati accurati. Hanno fatto passare due diversi modelli di riconoscimento delle immagini, uno progettato per identificare cifre scritte a mano e un altro per classificare piccoli oggetti, attraverso il loro sistema criptato. Hanno confrontato le risposte finali dell'elaborazione criptata con le risposte dell'elaborazione delle stesse immagini senza crittografia. La differenza era trascurabile. Il sistema criptato forniva le stesse previsioni corrette di quello non criptato, con solo piccolissime variazioni matematicamente attese nei numeri che non influenzavano il risultato finale. Ciò ha confermato che i guadagni di velocità non sono avvenuti a scapito dell'accuratezza o dell'affidabilità. Il sistema ha preservato con successo la privacy dei dati fornendo al contempo gli stessi risultati di alta qualità dei metodi tradizionali.

Uno dei risultati più significativi dello studio è che questo livello di prestazione è raggiungibile anche su dispositivi compatti e edge. Per molto tempo, l'alto costo della crittografia omomorfa ha significato che poteva essere eseguita solo su massicci data center energivori. I ricercatori hanno dimostrato che il loro approccio ottimizzato consente a questi calcoli che preservano la privacy di essere eseguiti efficientemente su hardware più piccoli e portatili. Ciò apre la porta ad applicazioni in cui i dati non devono mai lasciare il dispositivo su cui sono stati creati. Un dispositivo medico potrebbe analizzare la scansione di un paziente localmente senza mai inviare l'immagine grezza a un server cloud, o una telecamera intelligente potrebbe riconoscere un volto senza trasmettere i dati visivi a un database centrale. Lo studio dimostra che la barriera computazionale non è più un muro insormontabile, ma un ostacolo che può essere superato con il giusto design architettonico.

Sebbene il nuovo sistema offra miglioramenti drammatici, i ricercatori hanno notato che non ogni parte del processo beneficia allo stesso modo di questo approccio. Le operazioni più complesse, che comportano la riorganizzazione dei dati criptati per prepararli per il passaggio successivo, consumano ancora una quantità significativa di tempo. In questi casi specifici, il vantaggio del nuovo metodo rispetto all'approccio precedente sulla scheda grafica era meno pronunciato, sebbene comunque sostanziale. Ciò suggerisce che, sebbene la strategia a livello di strato sia un grande salto in avanti, c'è ancora spazio per ulteriori perfezionamenti nel modo in cui le parti più difficili del calcolo vengono gestite. I ricercatori intendono esplorare diversi modi per mappare questi compiti complessi sull'hardware in futuro, con l'obiettivo di spremere ancora più efficienza.

Il lavoro rappresenta un passo tangibile verso un futuro in cui privacy e prestazioni non sono mutuamente esclusive. Riprogettando il modo in cui i dati criptati si muovono attraverso un computer, il team ha dimostrato che è possibile eseguire un'intelligenza artificiale sofisticata su dati bloccati senza sacrificare la velocità. I risultati indicano che l'era dell'apprendimento automatico pratico e che preserva la privacy non è più una lontana possibilità teorica, ma una realtà che può essere implementata sull'hardware che già possediamo. La capacità di elaborare immagini in modo sicuro e veloce su dispositivi compatti suggerisce che la prossima generazione di applicazioni sicure sarà in grado di operare in modo indipendente, mantenendo le informazioni sensibili al sicuro pur fornendo le intuizioni intelligenti che gli utenti moderni si aspettano.