Como parte de este compromiso, hace dos años configuramos con código abierto un transpilador de encriptación totalmente homomórfica (FHE), el primero de su tipo, y desde entonces seguimos eliminando las barreras de entrada. La FHE es una poderosa tecnología que te permite realizar cálculos en datos encriptados sin poder acceder a información confidencial o personal. Nos complace compartir nuestros últimos desarrollos, que nacieron de la colaboración con nuestra comunidad de desarrolladores e investigación y nos permitirán ampliar el rango de acción de la FHE.
Hoy presentamos nuevas herramientas que permiten a cualquier persona aplicar las tecnologías de la FHE en los archivos de video. Este avance es importante porque la adopción de videos suele ser costosa y sus tiempos de ejecución, prolongados, lo que limita la capacidad de escalar el uso de la FHE en archivos más grandes y nuevos formatos.
Para ello, ampliaremos nuestro kit de herramientas de FHE de tres nuevas maneras a fin de facilitar a los desarrolladores el uso de la FHE en una gama más amplia de apps, como el aprendizaje automático privado, el análisis de texto y el procesamiento de video antes mencionado. En nuestro kit de herramientas, lanzaremos un nuevo hardware, una biblioteca de encriptación de software y un conjunto de herramientas de compilador de código abierto. Nuestro objetivo es proporcionar estas nuevas herramientas a investigadores y desarrolladores para ayudar a avanzar en cómo se utiliza la FHE para proteger la privacidad y, al mismo tiempo, reducir los costos.
Link to Youtube Video (visible only when JS is disabled)
Creemos que, con más optimización y hardware especializado, habrá una mayor cantidad de casos prácticos para una gran cantidad de tareas similares de aprendizaje automático privado, como el análisis privado de archivos más complejos, como videos largos, o el procesamiento de documentos de texto. Es por eso que lanzamos un compilador de TensorFlow a FHE que le permitirá a cualquier desarrollador compilar sus modelos de aprendizaje automático TensorFlow preparados en una versión FHE de esos modelos.
Una vez que un modelo se compiló en FHE, los desarrolladores pueden usarlo para ejecutar inferencias en datos de usuario encriptados sin tener acceso al contenido de las entradas del usuario o a los resultados de la inferencia. Por ejemplo, nuestro conjunto de herramientas se puede utilizar para compilar un modelo de TensorFlow Lite para FHE, que produzca una inferencia privada en 16 segundos para una red neuronal de 3 capas. Esta es solo una de las formas en que ayudamos a los investigadores a analizar grandes conjuntos de datos sin revelar información personal.
Además, lanzaremos Jaxite, una biblioteca de software para criptografía que permite a los desarrolladores ejecutar la FHE en una variedad de aceleradores de hardware. Jaxite se basa en JAX, una biblioteca de aprendizaje automático multiplataforma de alto rendimiento, que permite a Jaxite ejecutar programas de FHE en unidades de procesamiento de gráficos (GPU) y unidades de procesamiento tensorial (TPU). Originalmente, Google desarrolló JAX para acelerar los cálculos de redes neuronales y descubrió que también se puede utilizar para acelerar los cálculos de FHE.
Finally, we are announcing Homomorphic Encryption Intermediate Representation (HEIR), an open-source compiler toolchain for homomorphic encryption. HEIR is designed to enable interoperability of FHE programs across FHE schemes, compilers, and hardware accelerators. Built on top of MLIR, HEIR aims to lower the barriers to privacy engineering and research. We will be working on HEIR with a variety of industry and academic partners, and we hope it will be a hub for researchers and engineers to try new optimizations, compare benchmarks, and avoid rebuilding boilerplate. We encourage anyone interested in FHE compiler development to come to our regular meetings, which can be found on the HEIR website.
Las organizaciones y los gobiernos de todo el mundo continúan analizando cómo utilizar las tecnologías de mejora de la privacidad (PET) para abordar los desafíos sociales y ayudar a los desarrolladores e investigadores a procesar y proteger de forma segura los datos y la privacidad de los usuarios. En Google, seguimos mejorando y aplicando estas novedosas técnicas en muchos de nuestros productos, a través de nuestra informática protegida, que es un conjunto de herramientas de tecnologías en crecimiento que transforma el concepto de cómo, cuándo y dónde se procesan los datos para garantizar técnicamente su privacidad y seguridad. También continuaremos democratizando el acceso a las PET que desarrollamos, ya que creemos que todos los usuarios de Internet merecen una privacidad de primer nivel.
