Como parte desse compromisso, abrimos o código do primeiro transpilador de criptografia totalmente homomórfica (FHE, na sigla em inglês) há dois anos e continuamos a remover barreiras ao longo do caminho. A FHE é uma tecnologia poderosa que permite realizar cálculos em dados criptografados sem ser capaz de acessar informações confidenciais ou pessoais. Temos o prazer de compartilhar nossos desenvolvimentos mais recentes, que nasceram da colaboração com a comunidade de desenvolvedores e pesquisa para ajudar a expandir o que pode ser feito com FHE.
Hoje, apresentamos novas ferramentas que permitem a qualquer pessoa aplicar tecnologias FHE a arquivos de vídeo. Esse avanço é importante porque a adoção de vídeo muitas vezes pode ser cara e incorrer em longos tempos de execução, limitando a capacidade de dimensionar o uso da FHE para arquivos maiores e novos formatos.
Para isso, expandimos nosso kit de ferramentas FHE em três novas maneiras para facilitar aos desenvolvedores o uso da FHE para uma gama mais ampla de aplicativos, como no aprendizado de máquina privado, na análise de texto e no processamento de vídeo mencionado anteriormente. Como parte do nosso kit de ferramentas, estamos lançando um novo hardware, uma biblioteca de criptografia de software e um conjunto de ferramentas de compilador de código aberto. Nosso objetivo é oferecer essas novas ferramentas a pesquisadores e desenvolvedores para ajudar a avançar no modo como a FHE é usada para proteger a privacidade e, ao mesmo tempo, reduzir custos.
Link to Youtube Video (visible only when JS is disabled)
Acreditamos que, com mais otimização e hardware especializado, haverá uma quantidade maior de casos de uso para uma infinidade de tarefas privadas de aprendizado de máquina semelhantes, como análise privada de arquivos mais complexos, como vídeos longos, ou processamento de documentos de texto. Por isso, estamos lançando um compilador TensorFlow para FHE, que vai permitir a qualquer desenvolvedor compilar os modelos treinados de aprendizado de máquina do TensorFlow em uma versão FHE desses modelos.
Depois que um modelo é compilado para FHE, os desenvolvedores podem usá-lo para executar inferências em dados criptografados do usuário sem ter acesso ao conteúdo das entradas do usuário ou aos resultados da inferência. Por exemplo, nosso conjunto de ferramentas pode ser usado para compilar um modelo do TensorFlow Lite para FHE, produzindo uma inferência privada em 16 segundos para uma rede neural de 3 camadas. Essa é apenas uma das maneiras como ajudamos os pesquisadores a analisar grandes conjuntos de dados sem revelar informações pessoais.
Além disso, estamos lançando o Jaxite, uma biblioteca de software para criptografia que permite aos desenvolvedores executar a FHE em uma variedade de aceleradores de hardware. O Jaxite é criado com base no JAX, uma biblioteca de aprendizado de máquina multiplataforma de alto desempenho, que permite ao Jaxite executar programas FHE em unidades de processamento gráfico (GPUs, na sigla em inglês) e Unidades de Processamento de Tensor (TPUs, na sigla em inglês). O Google desenvolveu originalmente o JAX para acelerar cálculos de redes neurais e descobriu que ele também pode ser usado para acelerar 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.
Organizações e governos em todo o mundo continuam a explorar como usar PETs para enfrentar desafios sociais e ajudar desenvolvedores e pesquisadores a processar e proteger com segurança os dados e a privacidade dos usuários. No Google, continuamos melhorando e aplicando essas novas técnicas em muitos dos nossos produtos, por meio da nossa computação protegida, que é um kit de ferramentas crescente de tecnologias que transforma como, quando e onde os dados são processados para garantir tecnicamente a privacidade e a segurança. Também continuaremos a democratizar o acesso a PETs que desenvolvemos, porque acreditamos que todo usuário da Internet merece privacidade de alto nível.
