این محقق در حال توسعه ابزارهای حفظ حریم خصوصی داده برای عصر کوانتومی است

دکتر لوئیس برناردو پولیدو-گایتان از NCI می‌گوید تحقیقاتش در زمینه مدل‌های یادگیری ماشین حفظ حریم خصوصی منجر به اعتماد بیشتر به ابزارهای هوش مصنوعی خواهد شد.

رمزنگاری همومورفیک (Homomorphic Encryption) یا HE به داده‌های رمزگذاری‌شده اجازه می‌دهد تا بدون نیاز به رمزگشایی، تجزیه و تحلیل شوند. این داده‌های رمزگذاری‌شده به عنوان متن رمزشده (ciphertexts) شناخته می‌شوند.

به گفته دکتر لوئیس برناردو پولیدو-گایتان، HE ابزاری ارزشمند برای امنیت داده‌ها، به‌ویژه در عصر محاسبات کوانتومی است.

پولیدو-گایتان، پژوهشگر فوق دکترا در مرکز شایستگی ابر (Cloud Competency Centre) در کالج ملی ایرلند (National College of Ireland) است، جایی که او مدل‌های شناختی یادگیری ماشین حفظ حریم خصوصی را در محیط‌های ابری با استفاده از سیستم‌های رمزنگاری HE طراحی می‌کند.

پولیدو-گایتان به SiliconRepublic.com می‌گوید: «مدل‌سازی حفظ حریم خصوصی، یک حوزه تحقیقاتی با رشد سریع است که کاربردهای بالقوه و مزایای قابل توجهی دارد.»

او دکترای خود را در رشته علوم کامپیوتر از مرکز تحقیقات CICESE در مکزیک دریافت کرده و در چندین گروه تحقیقاتی بین‌المللی شرکت داشته و دوره‌های کارآموزی تحقیقاتی را در دانشگاه‌های مختلف، از جمله دانشگاه گوتینگن در آلمان و دانشگاه جمهوری در اروگوئه، گذرانده است.

در اینجا، او اطلاعات بیشتری در مورد HE و تحقیقاتش در زمینه حفظ حریم خصوصی داده‌ها در اختیار ما قرار می‌دهد.

در مورد تحقیقات فعلی خود برایمان بگویید.

مسائل مربوط به حریم خصوصی در محیط‌های رایانش ابری به طور فزاینده‌ای مهم می‌شوند. شیوه‌های امنیتی سنتی با رمزگذاری، با موفقیت از داده‌های ذخیره شده و منتقل شده محافظت می‌کنند، اما نه در طول پردازش داده‌ها، زمانی که برای بازیابی داده‌ها به رمزگشایی نیاز است و این امر خطراتی را برای بخش‌هایی با مقررات سختگیرانه حریم خصوصی مانند مراقبت‌های بهداشتی، داروسازی، دولت، امور مالی، ژنومیک و غیره ایجاد می‌کند.

رمزنگاری همومورفیک (HE) می‌تواند این مشکلات را با فراهم کردن امکان محاسبه بر روی داده‌های رمزگذاری شده برای مشتری حل کند. در این حالت، کاربران می‌توانند برنامه‌هایی را توسعه و اجرا کنند که شامل مجموعه‌های داده حساس در زیرساخت‌های مشترک غیرقابل اعتماد بدون افشای اطلاعات اساسی باشند.

تحقیقات من در مورد یادگیری ماشین حفظ حریم خصوصی با استفاده از رمزنگاری مبتنی بر شبکه، به یک نیاز حیاتی در دنیای به طور فزاینده مبتنی بر داده ما پاسخ می‌دهد: ایجاد تعادل بین پیگیری تجزیه و تحلیل نوآورانه و دقیق با حفاظت از اطلاعات محرمانه.

با استفاده از HE در مدل‌های شبکه‌های عصبی، ما محاسبات را قادر می‌سازیم تا مستقیماً بر روی متن‌های رمزشده انجام شوند، در نتیجه نیاز به افشای داده‌های اساسی را از بین می‌بریم. این رویکرد به ویژه در بخش‌هایی که تحت حاکمیت مقررات سختگیرانه حریم خصوصی هستند و به دنبال افزایش آگاهی از خطرات امنیتی داده‌ها و حفظ حریم خصوصی هستند، مرتبط است.

یادگیری ماشین حفظ حریم خصوصی می‌تواند اعتماد بیشتری را در راهکارهای مبتنی بر هوش مصنوعی ایجاد کند، به عنوان مثال، بیمارستان‌ها ممکن است با خیال راحت ابزارهای تشخیصی پیشرفته را بر روی سوابق رمزگذاری شده بیماران پیاده‌سازی کنند، مؤسسات مالی می‌توانند تقلب را در سوابق معاملات رمزگذاری شده تشخیص دهند و شهرهای هوشمند می‌توانند برنامه‌ریزی حمل و نقل را بدون به خطر انداختن داده‌های مکانی شهروندان بهینه کنند.

در درازمدت، پیش‌بینی می‌کنم که این فناوری نسل جدیدی از خدمات هوش مصنوعی امن و مبتنی بر ابر را تشویق کند، جایی که تجزیه و تحلیل قوی داده‌ها و حریم خصوصی فردی می‌توانند به طور مؤثری همزیستی داشته باشند.

نمی‌توانم لحظه دقیقی را که تصمیم گرفتم محقق شوم به خاطر بیاورم. به نظر می‌رسد که یک تصمیم مبتنی بر کنجکاوی به طور طبیعی به تصمیم دیگری منجر شد.

در بازنگری، متوجه می‌شوم که همیشه فردی کنجکاو بوده‌ام. از سنین پایین، مجذوب فیزیک بودم و اغلب مستندهایی را تماشا می‌کردم که به موضوعات پیچیده می‌پرداختند. مجذوب این بودم که چگونه برخی از کارشناسان می‌توانند ایده‌های پیچیده را با چنین وضوحی توضیح دهند - حتی اگر من به طور کامل آن‌ها را درک نمی‌کردم. برایم جالب بود که عمق درک آن‌ها از سال‌ها تحقیق اختصاصی ناشی می‌شود. به یاد دارم که فکر می‌کردم چقدر شگفت‌انگیز است که مردم می‌توانند اینقدر متمرکز و پرشور در مورد چنین گوشه خاصی از دانش باشند.

همچنین حمایت جمعی پیرامون من - تشویق بی‌دریغ خانواده‌ام، معلمان الهام‌بخشی که همچنان تحسین‌شان می‌کنم، دوستانی که در هر نوبت به من انگیزه می‌دادند و سرپرستانی که راهنمایی‌های ارزشمندی ارائه می‌کردند - وجود داشت.

این هم‌افزایی کنجکاوی، مربیگری و یک سیستم پشتیبانی قوی، یک محیط ایده‌آل را برای من ایجاد کرد تا شغلی را در زمینه تحقیق دنبال کنم. این سفر کشف سؤالات جدید و مشارکت در گسترش دانش است که من عمیقاً آن را رضایت‌بخش می‌دانم.

رمزنگاری همومورفیک (HE) ابزاری امیدوارکننده برای امنیت داده‌ها در برابر تهدید رایانه کوانتومی است. این طرح‌های مبتنی بر شبکه، امنیت خود را بر اساس سختی مشکل "یادگیری حلقوی با خطاها" (ring learning with errors) قرار داده‌اند که در حال حاضر در برابر حملات رایانه‌های کوانتومی ایمن است.

پس از سال‌ها که صرفاً نظری تلقی می‌شد، HE اکنون از نظر فنی برای برخی از کاربردهای واقعی امکان‌پذیر شده است. با این حال، ارزیابی رمزگذاری شده وظایف محاسباتی فشرده - مانند آموزش مدل‌های پیچیده یادگیری ماشین - به دلیل افزایش قابل توجه در پیچیدگی محاسباتی در مقایسه با موارد غیر رمزگذاری شده، یک چالش باز باقی مانده است.

بنابراین، یک چالش عمده در پر کردن شکاف بین تحقیقات رمزنگاری پیشرفته و کاربردهای پیچیده دنیای واقعی نهفته است.

یک تصور غلط مرتبط این است که پیشرفت‌ها یک شبه رخ می‌دهند. در واقعیت، اشتیاق و فداکاری واقعی، با حمایت مالی قوی و همکاری، برای پیشرفت پایدار و برای تبدیل پیشرفت‌های نظری به راهکارهای مؤثر و دنیای واقعی بسیار مهم است.