Par Ian Gormely
19 octobre 2021
Les chercheurs et le personnel de Vector Institute facilitent la collaboration entre les banques et les hôpitaux grâce à un nouveau système permettant aux institutions de travailler conjointement sur des modèles d'apprentissage automatique (AA) tout en assurant la confidentialité et le respect de la vie privée. Baptisée CaPC (Confidential and Private Collaborative Learning), cette méthode fait partie des technologies de protection de la vie privée (TPVP) présentées aux partenaires des secteurs industriel, de la santé et gouvernemental par les chercheurs et l'équipe d'ingénierie en intelligence artificielle de Vector.
CaPC permet aux organisations de collaborer sans divulguer leurs données d'entrée, leurs modèles ou leurs données d'entraînement. Il existe déjà des systèmes de partage de modèles d'apprentissage machine entre les organisations, dont certains garantissent la confidentialité. Mais Adam Dziedzic, chercheur chez Vector et co-créateur du système, affirme que le leur est « le seul à offrir les deux ».
Détaillé dans l'article « CaPC Learning : Apprentissage collaboratif confidentiel et privé », rédigé par Dziedzic, les chercheurs de Vector Christopher A. Choquette-Choo, Natalie Dullerud et Nicolas Papernot, ainsi que leurs collègues Yunxiang Zhang, Somesh Jha et Xiao Wang, le système combine des outils issus de la cryptographie et de la recherche sur la protection de la vie privée. Il permet la collaboration entre les participants sans qu'il soit nécessaire de fusionner explicitement leurs ensembles d'entraînement ni d'entraîner un modèle central. De cette manière, la précision et l'équité d'un modèle peuvent être améliorées tout en protégeant la confidentialité des données et la vie privée de la personne à qui elles appartiennent. CaPC a été spécifiquement conçu pour les hôpitaux et les banques, car les secteurs de la santé et des finances sont généralement soumis à des réglementations strictes en matière de confidentialité et de protection de la vie privée, mais il pourrait être étendu à d'autres secteurs. Actuellement, le modèle demeure une preuve de concept. « On voulait montrer que c'était possible », explique Dziedzic. « Nous travaillons maintenant à étendre ses capacités afin de pouvoir l'appliquer dans le monde réel. »
Pour faciliter cette transition, CaPC fera partie de la trousse d'outils sectorielle mise à disposition lors du prochain atelier intensif PETs de Vector , aux côtés d'une gamme plus étendue d'implémentations et de démonstrations. Outre CaPC, cet atelier de trois jours proposera des démonstrations d' apprentissage fédéré, de confidentialité différentielle et de chiffrement homomorphe, afin d'aider les partenaires des secteurs de l'industrie, de la santé et des services publics à explorer et à développer des prototypes PET de base en vue d'un déploiement potentiel au sein de leurs organisations. « Nous nous efforçons de combler le fossé entre la recherche de pointe et les applications industrielles en simplifiant la mise en œuvre de ces techniques de pointe en matière de protection de la vie privée », explique Deval Pandya, directeur de l'ingénierie en IA chez Vector.
« Un événement comme celui-ci nous permet non seulement de présenter notre système », explique Dziedzic, qui fera la démonstration de son équipe, « mais aussi de recueillir des commentaires sur les besoins spécifiques du secteur. Ce type de collaboration nous aide à améliorer le système et, nous l'espérons, à le voir mis en pratique. »
Pour en savoir plus sur l'apprentissage collaboratif confidentiel et privé, cliquez ici.
Pour en savoir plus sur la collaboration de Vector avec l'industrie, cliquez ici .
