आपका AI बहुत कुछ जानता है: गोपनीय AI अब वैकल्पिक नहीं है

जनरेटिव मॉडल शोध प्रयोगशालाओं से नियमित व्यवसायिक प्रक्रियाओं में स्थानांतरित हो रहे हैं — और एक मौन, संरचनात्मक कमजोरी उनके साथ बढ़ रही है।

इस एक उदाहरण पर विचार करें: माइक्रोसॉफ्ट कोपायलट ने 2025 के पहले छमाही में लगभग तीन मिलियन संवेदनशील रिकॉर्ड प्रति संगठन तक पहुंचा। ऐसे आंकड़े बताते हैं कि एआई के दृष्टिकोण में एक प्रणालीगत समस्या है। कंपनियों ने डेटा प्रोसेस करने के लिए शक्तिशाली इंजन बनाए हैं, लेकिन उन्होंने जिस डेटा का उपयोग किया है उसके लिए पर्याप्त सुरक्षा उपाय नहीं लगाए हैं।

बड़े भाषा मॉडल और सहायक उपकरण अक्सर दस्तावेज़, संदेश, और डेटाबेस को किसी भी हार्डवेयर-आधारित सुरक्षा के बिना गणना करते हैं। यह अंतर, जो “डेटा का उपयोग” को अनुमान के दौरान प्रकट करता है, अब व्यवसायों को सीधे खतरा पहुंचाता है जो गोपनीयता, अनुपालन, और ग्राहक विश्वास को प्राथमिकता देते हैं।

यहीं पर गोपनीय कंप्यूटिंग आती है। प्रक्रिया हार्डवेयर-सहायता प्राप्त विश्वसनीय निष्पादन वातावरण (TEE) का उपयोग करती है ताकि कोड और डेटा को सुरक्षित रखा जा सके जब वे उपयोग में हों। ये TEE अलग मेमोरी क्षेत्र हैं जो होस्ट ऑपरेटिंग सिस्टम और हाइपरवाइज़र से सुरक्षित हैं।

यह सुरक्षा मॉडल को बदलता है, जिससे गुप्त जानकारी को बिना प्रकट किए प्रोसेस किया जा सकता है। माइक्रोसॉफ्ट और अन्य क्लाउड प्रदाता अब निजी अनुमान और वर्चुअल मशीन (VM) प्रदान करते हैं जो TEE के भीतर अनुमान को एकीकृत करते हैं।

गोपनीयता नियमों और शासन के लिए क्यों महत्वपूर्ण है

पारंपरिक एन्क्रिप्शन आमतौर पर डेटा को सुरक्षित रखता है जो या तो आराम में है या संचरण में, डेटा जो सक्रिय रूप से संसाधित किया जा रहा है उसे समान सुरक्षा का आनंद नहीं मिलता, हालांकि यह वह जगह है जहां जनरेटिव एआई निजी इनपुट के साथ सबसे अधिक बातचीत करता है।

साल की शुरुआत में, कॉर्नेल विश्वविद्यालय के शोधकर्ताओं द्वारा ट्रस्टेड कंप्यूट यूनिट पर एक अध्ययन प्रकट किया गया कि हार्डवेयर-समर्थित अलगाव और प्रमाणीकरण कैसे पार्टियों के बीच विश्वास की आवश्यकता को कम करने में मदद कर सकता है। इसके अलावा, पिछले साल, विश्लेषकों ने अनुमान लगाया कि निजी कंप्यूटिंग इन्फ्रास्ट्रक्चर का मूल्य 13 अरब डॉलर से अधिक था, जिसका अनुमान 2032 तक 350.04 अरब डॉलर तक तेजी से बढ़ने का है।

साधारण शब्दों में, अधिक लोग इस प्रौद्योगिकी का उपयोग कर रहे हैं, जिससे नियामक और अनुपालन टीमें एआई प्रणालियों में पहले से अधिक रुचि ले रही हैं। इस प्रकार, एक ढांचा जो सुनिश्चित करता है कि संवेदनशील डेटा कभी भी सुरक्षित निष्पादन के दौरान मॉडल प्रश्नों के दौरान छोड़ दिया जाता है, यह ऑडिट ट्रेल्स को बहुत आसान बना देगा, जिससे कानूनी समस्याओं का जोखिम कम हो जाएगा।

हालांकि, यदि रनटाइम सुरक्षा मानक नहीं बनती है, तो यह अंतर नियामकों को उन क्षेत्रों में एआई को स्वीकार करने में अधिक समय ले सकता है जो कसकर नियंत्रित हैं।

वास्तविक जीवन की स्थितियां जहां गोपनीयता आवश्यक है

उद्यम सценारियों की कई स्थितियां हैं जो दिखाती हैं कि गोपनीय एआई क्यों एक विलासिता नहीं है, बल्कि हर संगठन के लिए आवश्यक है।

उदाहरण के लिए, वित्त में, यह संस्थानों पर लागू हो सकता है जिन्हें ग्राहक लेनदेन इतिहास के खिलाफ धोखाधड़ी का पता लगाने और जोखिम मॉडल चलाने की आवश्यकता होती है बिना बाहरी मॉडल ऑपरेटरों को कच्चे रिकॉर्ड तक पहुंच प्रदान किए।

स्वास्थ्य सेवा में, ऐसी स्थितियां हो सकती हैं जहां निदान मॉडल को सुरक्षित नैदानिक डेटा पर काम करना होगा जबकि रोगी गोपनीयता को बनाए रखना और सख्त नियामक दायित्वों को पूरा करना। इसके अलावा, सरकारें और रक्षा एजेंसियां तीसरे पक्ष के क्लाउड पर संवेदनशील वर्कलोड चलाने के लिए प्रमाणित निष्पादन की आवश्यकता हो सकती है।

इसके अलावा, कई स्रोतों से डेटासेट को जोड़ने वाले शोध पाइपलाइनें हैं, विशेष रूप से संघीय स्वास्थ्य अनुसंधान जो केवल तभी आगे बढ़ सकता है जब प्रत्येक भागीदार को विश्वास हो कि उनके इनपुट गणना के दौरान अपठनीय रहेंगे।

इसके अलावा, अकादमिक और उद्योग अनुसंधान ने गोपनीय निष्पादन के साथ जोड़कर चिकित्सा कार्य प्रवाह के लिए गोपनीयता-संरक्षित एमएल दृष्टिकोणों का दस्तावेजीकरण जारी रखा है।

गोपनीय निष्पादन वास्तव में डेटा-इन-उपयोग को कैसे सुरक्षित रखता है

गोपनीय निष्पादन दो जुड़े हुए प्रणालियों पर निर्भर करता है: हार्डवेयर अलगाव और प्रमाणीकरण। हार्डवेयर अलगाव सुरक्षित एन्क्लेव के बाहर सॉफ्टवेयर को एन्क्लेव मेमोरी पढ़ने से रोकता है।

प्रमाणीकरण एक सत्यापन योग्य तरीका है जिसका उपयोग एन्क्लेव के भीतर चलने वाले कोड और एन्क्लेव की वास्तविकता की जांच के लिए किया जा सकता है। ये सुविधाएं मॉडल मालिक को यह दिखाने की अनुमति देती हैं कि एक मॉडल एक सत्यापित, सीलबंद वातावरण में इनपुट के साथ काम करेगा और आउटपुट केवल तभी निकलेंगे जब एन्क्लेव के नियमों का पालन किया जाएगा।

परिणाम डेटा मालिकों, मॉडल ऑपरेटरों और क्लाउड प्रदाताओं के बीच एक समझौता है जो उन्हें प्रतिकूल कानूनी कार्यों की आवश्यकता को कम करता है या नीतिगत जिम्मेदारी से बचने के लिए।

वास्तविक सीमाएं और बाधाएं

बिल्कुल, गोपनीय एआई को अपनाने से अपनी चुनौतियां आती हैं। प्रमाणीकरण और एन्क्लेव में काम करने में सक्षम हार्डवेयर तैनाती को जटिल बना देता है, यह देखते हुए कि पारंपरिक मॉडल-सर्विंग टूलिंग और एन्क्लेव-जागरूक रनटाइम के बीच एक पारिस्थितिकी अंतर है। कुछ एन्क्लेव रनटाइम भारी ओवरहेड्स लगाते हैं, लागत दस गुना अधिक हो सकती है, और प्रदर्शन में समझौता हो सकता है काम की मात्रा के आधार पर।

इसके अलावा, लागत वर्तमान में सादे क्लाउड अनुमान की तुलना में अधिक है, जो छोटे व्यवसायों के लिए संख्या को समझना मुश्किल बना सकता है। इसके अलावा, इंटरऑपरेबिलिटी मानकों में परिवर्तन का मुद्दा है, जो कुछ शुरुआती अपनाने वालों को उनके विक्रेताओं के साथ फंसने के जोखिम में डाल सकता है।

हालांकि, ये मुद्दे केवल अस्थायी इंजीनियरिंग समस्याएं हैं जिन्हें हल किया जा सकता है। क्लाउड प्रदाता और चिप निर्माता नए उत्पादों के साथ आते रहते हैं, और सॉफ्टवेयर परियोजनाएं मध्यवर्ती सॉफ्टवेयर बना रही हैं जो वर्तमान एमएल स्टैक और टीईई को जोड़ती हैं।

यदि कुछ भी हो, तो मानक एन्क्रिप्शन और एक्सेस नियंत्रण के लिए पर्याप्त मानने वाली कंपनियां अधिक जोखिम में हैं क्योंकि वे मॉडल के बड़े पैमाने पर संवेदनशील रिकॉर्ड संसाधित होने पर कमजोर होंगी।

उद्यम अभ्यास परिवर्तन के लिए एक आह्वान

जोखिम प्रबंधन टीमों को एआई की खरीद और उपयोग के नियमों को बदलने की आवश्यकता है। डेटा वर्गीकरण और शासन अभी भी महत्वपूर्ण हैं, लेकिन जब वे उपयोग में हों तो उन्हें तकनीकी गारंटी द्वारा समर्थित होना चाहिए।

तीसरे पक्ष के मॉडल प्रदाताओं के साथ अनुबंध प्रमाणीकरण का प्रमाण मांगना चाहिए। खरीद टीमों को प्रदर्शन बेसलाइन और ऑडिट किए गए विकल्पों के लिए गोपनीय निष्पादन की मांग करनी चाहिए। रेड-टीम अभ्यास में एन्क्लेव-जागरूक परीक्षण को अपने काम के हिस्से के रूप में शामिल करना चाहिए। ये चरण जिम्मेदारी को अनौपचारिक प्रतिबद्धताओं से जांच योग्य नियंत्रणों में स्थानांतरित करते हैं।

इसके अलावा, सार्वजनिक नीति और उद्योग मानक समूहों को अपेक्षाएं निर्धारित करनी चाहिए। ऑडिटर, अनुपालन अधिकारी, और नियामकों को नियंत्रित डेटा के श्रेणियों के लिए सत्यापन योग्य रनटाइम सुरक्षा की मांग करनी चाहिए।

ये नियम बाद में होने वाले उल्लंघनों की संख्या को कम करेंगे और क्षेत्र को कानूनी समस्याओं के बारे में चिंता किए बिना नवाचार की स्वतंत्रता प्रदान करेंगे। यह वित्त, स्वास्थ्य सेवा, और सार्वजनिक क्षेत्र के कार्य प्रवाह को नए मॉडलों का उपयोग करने की अनुमति देगा बिना किसी नियामक बाधा के।

गोपनीयता मानक के रूप में

जनरेटिव एआई निजी जानकारी से संबंधित व्यवसायों के लिए एक उपयोगी उपकरण बन गया है। यह वास्तविकता बताती है कि गोपनीय निष्पादन अब एक आला विकल्प नहीं है; यह नियमित अभ्यास होना चाहिए किसी भी एआई प्रणाली के लिए जो नियंत्रित, स्वामित्व या व्यक्तिगत डेटा को संभालती है।

उपकरण पहले से ही उपलब्ध हैं, जैसे कि TEE, प्रमाणीकरण सेवाएं, और निजी VM ऑफरिंग, और अर्थशास्त्र तेजी से बेहतर हो रहे हैं। दूसरा विकल्प संवेदनशील संपत्तियों को अनुमान-समय रिसाव के लिए खुला रखना है, जो कानूनी, वित्तीय और प्रतिष्ठा प्रभावों का कारण बन सकता है जो व्यवसाय अब बर्दाश्त नहीं कर सकते। उदाहरण के लिए, आईबीएम की 2025 डेटा उल्लंघन लागत रिपोर्ट के अनुसार, औसत वैश्विक उल्लंघन लागत पांच मिलियन डॉलर तक पहुंच गई, जिसमें जीडीपीआर जैसे नियम उतने ही गंभीर उल्लंघनों के लिए 20 मिलियन यूरो तक के जुर्माना लगाते हैं।

कंपनियां जो एआई शासन में गोपनीयता को प्राथमिकता देती हैं उन्हें एक लाभ होगा: वे अधिक व्यापक, अनुपालन परीक्षण चला सकती हैं और उन क्षेत्रों में मॉडल का उपयोग कर सकती हैं जहां बाहरी नवाचार पहले प्रतिबंधित था। संक्षेप में, मॉडल चलाते समय डेटा की रक्षा करना गोद लेने के लिए एक बाधा नहीं है; यह व्यवसाय और सरकार में जिम्मेदार, मापनीय एआई के लिए आधार है।