In het digitale tijdperk gaat de belofte van kunstmatige intelligentie vaak gepaard met een verborgen kostenpost: de noodzaak om privégegevens aan een server te overhandigen voor verwerking. Of het nu gaat om een medisch dossier, een financiële transactie of een persoonlijke foto, de huidige standaard vereist het ontsleutelen van informatie om er betekenis aan te geven, waardoor deze in het proces kwetsbaar wordt. Homomorfe encryptie biedt een uitweg uit dit dilemma. Het is een wiskundige methode waarmee een computer berekeningen kan uitvoeren op gegevens die in een versleutelde staat vergrendeld blijven. De computer kan de versleutelde getallen optellen, vermenigvuldigen en analyseren zonder ooit de oorspronkelijke waarden te zien, waarbij een resultaat wordt teruggegeven dat, wanneer ontgrendeld, wiskundig identiek is aan wat geproduceerd zou zijn vanuit de ruwe gegevens. Deze technologie heeft het potentieel om privacy te revolutioneren, maar jarenlang was het te traag voor praktisch gebruik. De berekeningen die nodig zijn om gegevens versleuteld te houden terwijl er aan wordt gewerkt, zijn zo rekenintensief dat ze uren of zelfs dagen kunnen duren om een enkele afbeelding te verwerken, wat de technologie nutteloos maakt voor realtime toepassingen zoals gezichtsherkenning of het diagnosticeren van ziekten.

Een team onderzoekers uit Spanje en Portugal heeft nu een nieuwe aanpak ontwikkeld die deze trage, theoretische technologie naar het domein van de praktijk brengt, specifiek voor het analyseren van afbeeldingen met behulp van kunstmatige intelligentie. Ze richtten zich op een specif type encryptie genaamd CKKS, die is ontworpen om de benaderde getallen te verwerken die worden gebruikt bij beeldherkenning, en ze bouwden een systeem om deze berekeningen uit te voeren op grafische processoren, of GPU's. Dit zijn de krachtige chips die in computers en smartphones worden gevonden en die zijn ontworpen om enorme hoeveelheden gegevens gelijktijdig te verwerken. De onderzoekers hebben niet simpelweg de bestaande code versneld; ze hebben fundamenteel heroverwogen hoe de computer de taken organiseert. In plaats van de versleutelde gegevens te behandelen als een lange keten van individuele, sequentiële stappen, ontwierpen ze een systeem dat volledige lagen van een beeldanalyse-netwerk in één keer verwerkt. Door dit te doen, creëerden ze een brug tussen softwareinstructies op hoog niveau en de rauwe snelheid van moderne hardware, waardoor complexe beeldherkenningstaken op versleutelde gegevens kunnen worden uitgevoerd in een fractie van de tijd die voorheen mogelijk werd geacht.

De kern van hun werk omvat een methode genaamd laag-niveau uitvoering (layer-level execution). In een typisch kunstmatig intelligentienetwerk dat afbeeldingen analyseert, passeert de data een reeks stadia, of lagen. Sommige van deze lagen zoeken naar randen en vormen, andere groeperen vergelijkbare pixels, en andere combineren informatie om een definitieve beslissing te nemen. Bij eerdere pogingen om deze netwerken op versleutelde gegevens uit te voeren, moest de computer na elke afzonderlijke wiskundige operatie stoppen, de gegevens reorganiseren en vervolgens de volgende stap starten. Dit constante stoppen en starten creëerde een enorme bottleneck. Het nieuwe systeem, dat integreert met een populaire softwareframework genaamd TenSEAL, stelt de computer in staat om een volledige laag van het netwerk in één continue burst uit te voeren. Het behandelt de versleutelde afbeelding niet als een reeks geïsoleerde getallen, maar als een groot, georganiseerd blok dat parallel kan worden gemanipuleerd. Dit is vergelijkbaar met hoe een bibliothecaris een enkel boek sorteert versus het tegelijkertijd sorteren van een hele plank vol boeken; de nieuwe methode stelt de computer in staat om de hele plank simultaan te sorteren, in plaats van elk boek één voor één te behandelen.

Om dit idee te testen, bouwden de onderzoekers een set gespecialiseerde instructies, bekend als kernels, die de grafische kaart precies vertellen hoe deze grote blokken versleutelde gegevens moet afhandelen. Ze testten hun systeem op twee verschillende soorten hardware: een compacte, hoogwaardige serverchip en een kleinere, energiezuinige chip ontworpen voor edge-apparaten zoals geavanceerde drones of autonome voertuigen. Ze vergeleken de prestaties van hun nieuwe methode met twee benchmarks: een standaard, krachtige server met zesennegentig processorcores, en een oudere versie van hun eigen software die op dezelfde grafische kaart draaide maar de tragere, stap-voor-stap aanpak gebruikte. De resultaten waren opmerkelijk. Bij het verwerken van de complexe wiskundige operaties die nodig zijn voor beeldherkenning, was het nieuwe systeem op de compacte serverchip tot wel zevenë half keer sneller dan de enorme zesennegentig-core server. Wanneer het werd vergeleken met de oudere, stap-voor-stap methode die op dezelfde grafische kaart draaide, was het nieuwe systeem tot wel tweehonderd en acht-en-vijftig keer sneller voor bepaalde soorten berekeningen.

De onderzoekers stopten niet bij het meten van de ruwe snelheid; ze verifieerden ook dat het nieuwe systeem nauwkeurige resultaten produceerde. Ze lieten twee verschillende beeldherkenningsmodellen, één ontworpen voor het identificeren van handgeschreven cijfers en een andere voor het classificeren van kleine objecten, door hun versleutelde systeem lopen. Ze vergeleken de uiteindelijke antwoorden van de versleutelde verwerking met de antwoorden van het verwerken van dezelfde afbeeldingen zonder encryptie. Het verschil was verwaarloosbaar. Het versleutelde systeem maakte dezelfde correcte voorspellingen als het onversleutelde systeem, met slechts minuscule, wiskundig verwachte variaties in de getallen die de uiteindelijke uitkomst niet beïnvloedden. Dit bevestigde dat de snelheidswinst niet ten koste ging van de nauwkeurigheid of betrouwbaarheid. Het systeem slaagde erin de privacy van de gegevens te waarborgen terwijl het dezelfde hoogwaardige resultaten leverde als traditionele methoden.

Een van de meest significante bevindingen van de studie is dat dit niveau van prestatie zelfs op compacte en edge-apparaten haalbaar is. Lange tijd betekende de hoge kosten van homomorfe encryptie dat het alleen kon worden uitgevoerd in enorme, energieverslindende datacentra. De onderzoekers hebben aangetoond dat hun geoptimaliseerde aanpak deze privacy-bewarende berekeningen efficiënt kan laten draaien op kleinere, meer draagbare hardware. Dit opent de deur naar toepassingen waarbij gegevens nooit het apparaat hoeven te verlaten waar ze zijn gecreëerd. Een medisch apparaat zou de scan van een patiënt lokaal kunnen analyseren zonder ooit de ruwe afbeelding naar een cloudserver te sturen, of een slimme camera zou een gezicht kunnen herkennen zonder de visuele gegevens naar een centrale database te verzenden. De studie bewijst dat de computationele barrière geen onoverkomelijke muur meer is, maar een hindernis die overwonnen kan worden met het juiste architecturale ontwerp.

Hoewel het nieuwe systeem spectaculaire verbeteringen biedt, merkten de onderzoekers op dat niet elk deel van het proces evenveel profiteert van deze aanpak. De meest complexe operaties, die betrokken zijn bij het reorganiseren van de versleutelde gegevens om het voorbereiden op de volgende stap, verbruiken nog steeds een aanzienlijke hoeveelheid tijd. In deze specifieke gevallen was het voordeel van de nieuwe methode ten opzichte van de oudere grafische kaart-aanpak minder uitgesproken, hoewel nog steeds substantieel. Dit suggereert dat hoewel de laag-niveau strategie een grote sprong voorwaarts is, er nog steeds ruimte is voor verdere verfijning in de manier waarop de moeilijkste delen van de berekening worden afgehandeld. De onderzoekers zijn van plan om in de toekomst verschillende manieren te verkennen om deze complexe taken aan de hardware te koppelen, met als doel nog meer efficiëntie uit te persen.

Het werk vertegenwoordigt een tastbare stap naar een toekomst waarin privacy en prestaties niet wederzijds uitsluitend zijn. Door te herontwerpen hoe versleutelde gegevens door een computer bewegen, heeft het team laten zien dat het mogelijk is om geavanceerde kunstmatige intelligentie op vergrendelde gegevens uit te voeren zonder in te boeten op snelheid. De resultaten wijzen erop dat het tijdperk van praktische, privacy-bewarende machine learning niet langer een verre theoretische mogelijkheid is, maar een realiteit die kan worden ingezet op de hardware die we al bezitten. Het vermogen om afbeeldingen veilig en snel op compacte apparaten te verwerken, suggereert dat de volgende generatie beveiligde applicaties onafhankelijk kan opereren, waarbij gevoelige informatie veilig wordt gehouden terwijl er toch de intelligente inzichten worden geleverd die moderne gebruikers verwachten.