Teidän AI tietää liikaa: Luottamuksellinen AI ei ole enää valinnainen

Generatiiviset mallit siirtyvät tutkimuslaboratorioista säännöllisiin liiketoimintaprosesseihin — ja hiljainen, rakenteellinen heikkous kasvaa rinnan niiden kanssa.

Otetaan esimerkiksi Microsoft Copilot pääsi lähes kolmeen miljoonaan herkkiin tietoihin joka organisaatiota kohden vuoden 2025 ensimmäisen puoliskon aikana. Nämä luvut tarkoittavat, että on olemassa järjestelmällinen ongelma siinä, miten AI:ta lähestytään. Yritykset ovat rakentaneet voimakkaita moottoreita datan prosessointiin, mutta he eivät ole asettaneet riittäviä suojaustoimia käyttämilleen tiedoille.

Laajat kielen mallit ja avustustyökalut laskenvat usein asiakirjoja, viestejä ja tietokantoja ilman mitään laitteistopohjaisia suojaustoimia. Tämä aukko, joka paljastaa “tiedon käytön aikana” inference-ajan, uhkaa nyt suoraan yrityksiä, jotka priorisoivat yksityisyyden, vaatimustenmukaisuuden ja asiakastiedon.

Tässä kohtaa luottamuksellinen laskenta tulee kuvaan. Prosessi käyttää laitteistopohjaista luotettua suorituympäristöä (TEEs) pitämään koodia ja tietoja turvassa, kun niitä käytetään. Nämä TEE:t ovat eristetyt muistialueet, jotka ovat suojattu isäntäkoneen käyttöjärjestelmältä ja hypervisorilta.

Tämä suojaus muuttaa turvallisuusmallia, jolloin salaisuudet voidaan prosessoida ilman, että ne paljastetaan pinon loppuosalle. Microsoft ja muut pilvipalveluntarjoajat tarjoavat nyt yksityistä inferenceä ja virtuaalikoneita (VM), jotka integroivat inference TEE:hen.

Miksi yksityisyys on tärkeää sääntöjen ja hallinnon kannalta

Perinteinen salaus suojaa yleensä tietoja, jotka ovat joko levossa tai siirrossa, ja tiedot, jotka ovat aktiivisesti prosessoidaan, eivät nauti samanlaista suojaa, vaikka se on se paikka, jossa generatiivinen AI vuorovaikuttaa eniten yksityisten syötteiden kanssa.

Aikaisemmin vuoden aikana Cornellin yliopiston tutkijoiden tutkimus paljasti, miten laitteistopohjainen eristys ja todennus voivat auttaa vähentämään luottamuksen tarvetta osapuolten välillä. Lisäksi viime vuonna analyytikot arvioivat, että yksityisen laskennan infrastruktuurin arvo oli yli 13 miljardia dollaria, ja ennusteiden mukaan kasvu on vielä nopeampaa, 350,04 miljardiin dollariin vuoteen 2032 mennessä.

Yksinkertaisesti sanottuna, enemmän ihmisiä käyttää teknologiaa, jolloin sääntelijät ja vaatimustenmukaisuustiimit ovat kiinnostuneita AI-järjestelmistä kuin koskaan aiemmin. Tämän vuoksi kehys, joka takaa, että herkkä tieto ei koskaan jää suojatun suorituksen aikana, tekee auditin jäljille helpommin seurattavaksi, vähentäen oikeudellisten ongelmien riskiä.

Yksityisyyden puute voi kuitenkin hidastaa sääntelijöiden hyväksymistä AI:sta tiukasti säädellyissä aloissa.

Reaaliset tilanteet, joissa yksityisyys on välttämätöntä

On useita yritystilanteita, jotka osoittavat, miksi luottamuksellinen AI ei ole ylellisyys, vaan jokaisen organisaation välttämättömyys.

Esimerkiksi rahoituksessa tämä voisi koskea instituutioita, jotka tarvitsevat suorittaa petos- ja riskimallien suorittamista asiakkaan transaktiohistoriasta ilman, että ulkopuoliset mallin operoijat pääsevät käsiksi alkuperäisiin tietoihin.

Terveyspuolella voi olla tilanteita, joissa diagnostiikka-mallien on toimittava suojatuilla kliinisillä tiedoilla säilyttäen potilaiden yksityisyyden ja täyttäen tiukat sääntelyvelvoitteet. Lisäksi hallitukset ja puolustusvirastot saattavat vaatia todennettua suoritusta, jotta ne voivat suorittaa herkkää työmääräää kolmannen osapuolen pilvessä.

On myös tutkimusputkia, jotka yhdistävät useista lähteistä peräisin olevia tietoja, erityisesti federoidun terveydenhuollon tutkimuksen, joka voi jatkua vain, jos jokainen osapuoli on varma, että heidän syötteensä pysyvät lukukelvottomina laskennan aikana.

On myös akateemista ja teollista tutkimusta, joka jatkaa asiakirjojen yksityisyyttä koskevien lähestymistapojen dokumentoimista lääketieteellisissä työnkulkuissa, jotka sopivat hyvin luottamuksellisen suorituksen kanssa.

Miten luottamuksellinen suoritus todella suojaa tietoja käytön aikana

Luottamuksellinen suoritus riippuu kahdesta toisiinsa liittyvästä järjestelmästä: laitteistopohjaisesta eristyksestä ja todennuksesta. Laitteistopohjainen eristys estää ohjelmistoja ulkopuolelta lukemasta turvallisen eristyksen muistia.

Todennus on verifioitavalla tavalla tarkistaa koodia, joka suoritetaan eristyksessä, ja että eristys itsessään on aito. Nämä ominaisuudet antavat mallin omistajalle mahdollisuuden osoittaa, että malli toimii syötteillä verifioidussa, sinetöidyssä ympäristössä ja että tulokset tulevat ulos vain sen jälkeen, kun eristyksen säännöt on noudatettu.

Tuloksena on sopimus tiedon omistajien, mallin operoijien ja pilvipalveluntarjoajien välillä, joka tekee epätodennäköisemmäksi, että heidän on tarve käyttää vastakkaisia oikeudellisia kierrettäjiä tai turvautua hauraisiin politiikkakäsittelyyn.

Realistiset rajoitukset ja esteet

Tietysti luottamuksellisen AI:n omaksuminen tulee omalla haasteellaan. Todennus ja laitteistopohjainen eristys tekevät käyttöönoton monimutkaisemmaksi, koska on aukko ekosysteemissä perinteisen mallinpalvelun ja eristyksen tietoisen suorituksen välillä. Jotkut eristyksen suoritusympäristöt aiheuttavat suuria kustannuksia, maksavat jopa kymmenen kertaa enemmän suorittaa, ja siinä voi olla myös suorituskyvyn kompromisseja riippuen työn määrästä.

Lisäksi kustannukset ovat korkeammat kuin ne olisivat olleet yksinkertaiselle pilvinferenssille, mikä voi tehdä vaikeaksi pienille yrityksille ymmärtää lukuja. On myös ongelma muuttuvista yhteensopivuusstandardeista, jotka saattavat jättää jotkut varhaiset omaksujat alttiina jumiutumiselle toimittajiensa kanssa.

Haasteet ovat kuitenkin vain väliaikaisia insinööritöitä, jotka voidaan ratkaista. Pilvipalveluntarjoajat ja piirisuunnittelijat julkaisevat jatkuvasti uusia tuotteita, ja ohjelmistoprojektit kehittävät välimäärää, joka yhdistää nykyiset ML-pinot ja TEE:t.

Jos jotkut yritykset ajattelevat, että standardisalauksella ja pääsyoikeuksilla on tarpeeksi, he ovat suuremmassa vaarassa, koska he ovat haavoittuvia, kun mallit käsittelevät suuria määriä herkkää tietoa.

Kutsu yritysten käytäntöjen muutoksiin

Risikenhallintatiimit tarvitsevat muuttaa sääntöjä siitä, miten ostaa ja käyttää AI:ta. Tiedon luokittelu ja hallinto ovat edelleen tärkeitä, mutta niiden on oltava teknisten takeiden tukena, kun niitä käytetään.

Sopimukset kolmannen osapuolen mallintarjoajien kanssa pitäisi edellyttää heiltä todisteita todennuksesta. Hankintatiimit pitäisi pyytää suorituskykybaselin ja tarkastettuja vaihtoehtoja luottamukselliselle suoritukselle. Punainen tiimi -harjoitukset pitäisi sisältää eristyksen tietoisen testaamisen osana työtään. Nämä vaiheet siirtävät vastuun ad hoc -sitoumuksista tarkistettaviin ohjauksiin.

Lisäksi julkisen politiikan ja teollisuuden standardiryhmien on asetettava odotuksia. Tarkastajat, vaatimustenmukaisuusviranomaiset ja sääntelijät pitäisi vaatia verifioitavissa olevia suoritusaikaisia suojaustoimia säädellyille työmäärille.

Nämä säännöt vähentävät myöhemmin tapahtuvia rikkomuksia ja antavat alan vapauden innovoida ilman oikeudellisia ongelmia. Tämä antaa rahoitus-, terveydenhuolto- ja julkisen sektorin työnkulkujen käyttää uusia malleja ilman mitään sääntelyesteitä.

Luottamuksellisuus on nyt standardi

Generatiivinen AI on muodostunut hyödylliseksi työkaluksi yrityksille, jotka käsittelevät erittäin yksityisiä tietoja. Tämä todellisuus tarkoittaa, että luottamuksellinen suoritus ei ole enää vain niukka vaihtoehto; se on välttämätöntä käytäntöä kaikille AI-järjestelmille, jotka käsittelevät säädeltyjä, omistajien tai henkilökohtaisia tietoja.

On jo työkaluja saatavilla, kuten TEE:t, todennuspalvelut ja yksityiset VM-tarjoukset, ja taloudelliset edut paranevat nopeasti. Vaihtoehtona on jättää herkkät varat auki inference-ajan vuotamiselle, mikä voi aiheuttaa oikeudellisia, taloudellisia ja maineeseen liittyviä vaikutuksia, joita yritykset eivät enää voi hyväksyä. Esimerkiksi IBM:n 2025 vuoden tietovuotojen kustannusraportin mukaan keskimääräinen maailmanlaajuinen tietovuodon kustannus saavutti lähes 5 miljoonan dollarin, ja säännökset kuten GDPR asettavat sakkoja jopa 20 miljoonan euron luokkaa vakavissa rikkomuksissa.

Yritykset, jotka asettavat yksityisyyden etusijalle AI-hallinnossa, ovat etuoikeutettuja: he voivat suorittaa perusteellisempia, vaatimustenmukaisia testejä ja käyttää malleja aloissa, joissa ulkopuolinen innovaatio oli aiemmin estynyt. Lyhyesti sanottuna, tiedon suojaaminen mallien suorittamisen aikana ei ole este omaksumiselle; se on vastuullisen, skaalautuvan AI:n perusta liiketoiminnassa ja hallinnossa.