LMi-MAG25 avril - Flipbook - Page 55
© Baranozdemir - iStock
Le chiffrement homomorphe comprend trois types : partiel (partial homomorphic encryption), limité (somewhat
homomorphic encryption) et intégral (fully homomorphic
encryption, FHE). Chaque type permet différents niveaux
de calcul chiffré : le premier prend en charge une opération, le second permet des opérations limitées à l’évaluation de polynômes de faible degré et le troisième des
calculs arbitraires sur des données chiffrées. En théorie,
le chiffrement homomorphe serait une technologie merveilleuse pour l’IA générative selon M. Dickson... Si l’on
fait abstraction des coûts de calcul faramineux que cette
technologie exige.
La parade quantique aux risques de la GenAI
Interrogé sur l’état actuel du chiffrement homomorphe
dans la lutte contre les risques liés à l’IA générative,
FortiGuard Labs, la branche de Fortinet spécialisée dans
le renseignement sur les menaces, a insisté sur ses promesses. « Le chiffrement homomorphe peut avoir des
implications significatives pour la GenAI, en particulier
pour relever les défis de confidentialité qui découlent
de l’utilisation et de l’entraînement de grands modèles
d’IA », affirme Aamir Lakhani, stratège mondial en sécurité chez FortiGuard Labs. « Les modèles d’IA générative
s’appuient sur de grandes quantités de données, souvent
constituées d’informations sensibles ou propriétaires, et
le traitement de ces données pose des risques d’exposition et d’accès non autorisé. Selon moi, le chiffrement
homomorphe peut clairement s’appliquer à la protection des données sources contre le vol et les attaques par
empoisonnement. »
Cette idée n’est pas seulement théorique. Des entreprises comme Enveil montrent déjà comment exploiter le chiffrement homomorphe dans des applications
pratiques de l’IA. Les solutions phares d’Enveil, comme
ZeroReveal, permettent des recherches chiffrées et des
interactions sécurisées avec les modèles d’IA. Grâce à
leur technologie, les utilisateurs peuvent interroger des
modèles d’IA tout en gardant les requêtes et les réponses
chiffrées, ce qui garantit qu’aucune information sensible
n’est exposée pendant le traitement. « Par exemple, avec
la solution d’Enveil, il est possible de poser des questions
à Google sans que personne sache ce que l’on a demandé
ou quels ont été les résultats, car cela pourrait les aider
à comprendre la demande », a expliqué M. Horvath. De
même, l’éditeur open source Zama a adapté ses solutions de chiffrement homomorphe intégral (FHE) à l’environnement GenAI. Le fait que les données sensibles
restent chiffrées même lorsqu’elles sont traitées par
de grands modèles de langage (LLM) garantit que les
charges de travail de l’IA préservent la confidentialité
des données. Ce qui est particulièrement utile pour l’ap-
Les promesses du chiffrement homomorphe
sont nombreuses tout comme les expérimentations
menées parfois depuis plusieurs années.
prentissage fédéré et les calculs multipartites sécurisés,
où les ensembles de données provenant de différentes
sources sont agrégés sans compromettre la vie privée
des individus.
De la même manière, Microsoft expérimente le chiffrement homomorphe via sa plateforme Azure confidential
computing, en se concentrant sur les charges de travail
d’IA chiffrées dans des secteurs comme la santé et la
finance. Le fournisseur cherche à combler le fossé entre
la sécurité et l’utilité en proposant aux entreprises la
possibilité d’exécuter des modèles d’IA sur des données
chiffrées sans exposer de détails sensibles. IBM a aussi
été précurseur, tirant parti de sa plateforme Helib pour
effectuer des calculs sécurisés sur des données chiffrées.
[Lire l’intégralité de l’article sur lemondeinformatique.fr]
APPROFONDIR
ÉCOUTER EN LIGNE
Podcast
tinyurl.com/podcast-homomorphe
LIRE EN LIGNE
Article
tinyurl.com/article-homomorphe
55
