Na era digital, a promessa da inteligência artificial frequentemente vem acompanhada de um custo oculto: a necessidade de entregar dados privados a um servidor para serem processados. Seja um registro médico, uma transação financeira ou uma fotografia pessoal, o padrão atual exige a descriptografia das informações para que façam sentido, deixando-as vulneráveis no processo. A criptografia homomórfica oferece uma saída para este dilema. É um método matemático que permite a um computador realizar cálculos em dados que permanecem trancados em um estado embaralhado. O computador pode somar, multiplicar e analisar os números criptografados sem nunca ver os valores originais, retornando um resultado que, ao ser desbloqueado, é matematicamente idêntico ao que teria sido produzido a partir dos dados brutos. Esta tecnologia tem o potencial de revolucionar a privacidade, mas, durante anos, foi lenta demais para o uso prático. Os cálculos necessários para manter os dados criptografados enquanto se trabalha neles são tão computacionalmente pesados que podem levar horas ou até dias para processar uma única imagem, tornando a tecnologia inútil para aplicações em tempo real, como reconhecimento facial ou diagnóstico de doenças.

Uma equipe de pesquisadores da Espanha e de Portugal desenvolveu agora uma nova abordagem que traz esta tecnologia lenta e teórica para o campo do prático, especificamente para a análise de imagens usando inteligência artificial. Eles focaram em um tipo específico de criptografia chamado CKKS, que é projetado para lidar com os números aproximados usados no reconhecimento de imagens, e construíram um sistema para executar esses cálculos em unidades de processamento gráfico, ou GPUs. Estas são os chips poderosos encontrados em computadores e smartphones que são projetados para lidar com quantidades massivas de dados simultaneamente. Os pesquisadores não apenas aceleraram o código existente; eles repensaram fundamentalmente como o computador organiza o trabalho. Em vez de tratar os dados criptografados como uma longa cadeia de etapas individuais e sequenciais, eles projetaram um sistema que processa camadas inteiras de uma rede de análise de imagem de uma só vez. Ao fazer isso, criaram uma ponte entre instruções de software de alto nível e a velocidade bruta do hardware moderno, permitindo que tarefas complexas de reconhecimento de imagem sejam realizadas em dados criptografados em uma fração do tempo anteriormente considerado possível.

O cerne do trabalho deles envolve um método chamado execução em nível de camada. Em uma rede típica de inteligência artificial que analisa imagens, os dados passam por uma série de estágios, ou camadas. Algumas dessas camadas procuram por bordas e formas, outras agrupam pixels semelhantes e outras combinam informações para tomar uma decisão final. Em tentativas anteriores de executar essas redes em dados criptografados, o computador teria que parar após cada única operação matemática, reorganizar os dados e então iniciar o próximo passo. Este constante parar e começar criou um gargalo massivo. O novo sistema, que se integra a uma estrutura de software popular chamada TenSEAL, permite que o computador execute uma camada inteira da rede em um único surto contínuo. Ele trata a imagem criptografada não como uma série de números isolados, mas como um bloco grande e organizado que pode ser manipulado em paralelo. Isso é semelhante a como um bibliotecário poderia classificar um único livro versus classificar uma estante inteira de livros de uma vez; o novo método permite que o computador classifique a estante inteira simultaneamente, em vez de lidar com cada livro um por um.

Para testar esta ideia, os pesquisadores construíram um conjunto de instruções especializadas, conhecidas como kernels, que dizem à placa de vídeo exatamente como lidar com esses grandes blocos de dados criptografados. Eles testaram seu sistema em dois tipos diferentes de hardware: um chip de servidor compacto e de alto desempenho e um chip menor e de baixo consumo de energia projetado para dispositivos de borda (edge devices), como drones avançados ou veículos autônomos. Eles compararam o desempenho de seu novo método contra dois marcos de referência: um servidor padrão e poderoso com noventa e seis núcleos de processador, e uma versão mais antiga de seu próprio software que rodava na mesma placa de vídeo, mas utilizava a abordagem mais lenta, passo a passo. Os resultados foram impressionantes. Ao processar as operações matemáticas complexas necessárias para o reconhecimento de imagens, o novo sistema no chip de servidor compacto foi até sete vezes e meia mais rápido que o enorme servidor de noventa e seis núcleos. Quando comparado ao método antigo, passo a passo, rodando na mesma placa de vídeo, o novo sistema foi até duzentos e cinquenta e oito vezes mais rápido para certos tipos de cálculos.

Os pesquisadores não pararam apenas em medir a velocidade bruta; eles também verificaram se o novo sistema produzia resultados precisos. Eles rodaram dois modelos diferentes de reconhecimento de imagem, um projetado para identificar dígitos manuscritos e outro para classificar pequenos objetos, através de seu sistema criptografado. Eles compararam as respostas finais do processamento criptografado contra as respostas do processamento das mesmas imagens sem criptografia. A diferença foi negligenciável. O sistema criptografado fez as mesmas previsões corretas que o não criptografado, com apenas pequenas variações matematicamente esperadas nos números que não afetaram o resultado final. Isso confirmou que os ganhos de velocidade não vieram à custa da precisão ou confiabilidade. O sistema preservou com sucesso a privacidade dos dados enquanto entregava os mesmos resultados de alta qualidade dos métodos tradicionais.

Uma das descobertas mais significativas do estudo é que este nível de desempenho é alcançável mesmo em dispositivos compactos e de borda. Por muito tempo, o alto custo da criptografia homomórfica significava que ela só poderia ser executada em enormes e vorazes centros de dados. Os pesquisadores demonstraram que sua abordagem otimizada permite que esses cálculos que preservam a privacidade sejam executados de forma eficiente em hardware menor e mais portátil. Isso abre as portas para aplicações onde os dados nunca precisam sair do dispositivo onde foram criados. Um dispositivo médico poderia analisar o exame de um paciente localmente sem nunca enviar a imagem bruta para um servidor na nuvem, ou uma câmera inteligente poderia reconhecer um rosto sem transmitir os dados visuais para um banco de dados central. O estudo prova que a barreira computacional não é mais uma parede intransponível, mas um obstáculo que pode ser superado com o design arquitetônico correto.

Embora o novo sistema ofereça melhorias dramáticas, os pesquisadores observaram que nem toda parte do processo se beneficia igualmente desta abordagem. As operações mais complexas, que envolvem a reorganização dos dados criptografados para preparar o próximo passo, ainda consomem uma quantidade significativa de tempo. Nestes casos específicos, a vantagem do novo método sobre a abordagem de placa de vídeo mais antiga foi menos pronunciada, embora ainda substancial. Isso sugere que, embora a estratégia de nível de camada seja um grande avanço, ainda há espaço para mais refinamentos na forma como as partes mais difíceis do cálculo são tratadas. Os pesquisadores planejam explorar diferentes maneiras de mapear estas tarefas complexas para o hardware no futuro, visando extrair ainda mais eficiência.

O trabalho representa um passo tangível em direção a um futuro onde privacidade e desempenho não são mutuamente exclusivos. Ao redesenhar como os dados criptografados se movem através de um computador, a equipe mostrou que é possível executar inteligência artificial sofisticada em dados trancados sem sacrificar a velocidade. Os resultados indicam que a era do aprendizado de máquina prático e que preserva a privacidade não é mais uma possibilidade teórica distante, mas uma realidade que pode ser implantada no hardware que já possuímos. A capacidade de processar imagens de forma segura e rápida em dispositivos compactos sugere que a próxima geração de aplicações seguras poderá operar de forma independente, mantendo as informações sensíveis seguras enquanto entrega os insights inteligentes que os usuários modernos esperam.