Dr Luis Bernardo Pulido-Gaytan dari NCI mengatakan penelitiannya tentang model pembelajaran mesin pemeliharaan privasi akan mengarah pada kepercayaan yang lebih besar pada alat AI.
Enkripsi homomorfik (HE) memungkinkan data terenkripsi dianalisis tanpa perlu mendekripsi. Data terenkripsi ini dikenal sebagai ciphertext.
Untuk Dr Luis Bernardo Pulido-Gaytan, ia adalah alat yang berharga untuk keamanan data, terutama di era komputasi kuantum.
Pulido-Gaytan adalah rekan penelitian postdoctoral di pusat kompetensi cloud di National College of Ireland, di mana ia merancang model kognitif pembelajaran mesin privasi di lingkungan cloud menggunakan Cryptosystems He.
“Pemodelan pemeliharaan privasi mewakili area penelitian yang berkembang pesat dengan banyak aplikasi potensial dan manfaat substansial,” Pulido-Gaytan mengatakan kepada siliconrepublic.com.
Dia menerima gelar PhD dalam Ilmu Komputer dari Pusat Penelitian Cicese di Meksiko dan telah terlibat dalam beberapa kelompok penelitian internasional, melakukan magang penelitian di berbagai universitas, termasuk University of Göttingen di Jerman dan Universitas Republik di Uruguay.
Di sini, dia memberi tahu kita lebih banyak tentang dia dan penelitian privasinya.
Ceritakan tentang penelitian Anda saat ini.
Masalah privasi di lingkungan komputasi awan menjadi semakin penting. Praktik keamanan tradisional berhasil melindungi data yang disimpan dan dikirim melalui enkripsi, tetapi tidak selama pemrosesan data ketika dekripsi diperlukan untuk mengambil data, menciptakan risiko untuk sektor dengan peraturan privasi yang ketat seperti perawatan kesehatan, farmasi, pemerintah, keuangan, genomik, dll.
Enkripsi homomorfik (HE) dapat menyelesaikan masalah ini dengan memberi klien perhitungan pada data terenkripsi. Dalam hal ini, pengguna dapat mengembangkan dan menjalankan aplikasi yang melibatkan kumpulan data sensitif pada infrastruktur bersama yang tidak dipercaya tanpa mengungkapkan informasi yang mendasarinya.
Gambar: Luis Bernardo Pulido-Gaytan
Membangun pada prinsip melindungi perhitungan dan bukan hanya data, penelitian saya difokuskan pada kemajuan pembelajaran mesin pemeliharaan privasi dengan secara komprehensif menyelidiki desain model jaringan saraf yang memelihara privasi untuk mengklasifikasikan informasi terenkripsi menggunakan cryptosystems HE berbasis kisi yang memungkinkan pemrosesan data yang aman di lingkungan cloud.
Pemrosesan homomorfik dari model kognitif membutuhkan operasi yang tidak didukung oleh HE, sehingga upaya kami telah berfokus pada merancang fungsi non-linear pengganti yang kompatibel secara kriptografis untuk beroperasi melalui ciphertexts.
Penelitian ini muncul dari minat kami yang lebih luas dalam menyelaraskan ekspansi cepat teknologi berbasis data dengan keharusan untuk melindungi informasi sensitif.
Menurut Anda, mengapa penelitian Anda penting?
Penelitian saya tentang pembelajaran mesin pemeliharaan privasi menggunakan kriptografi berbasis kisi membahas kebutuhan kritis di dunia kita yang semakin didorong oleh data: menyeimbangkan pengejaran analisis inovatif dan akurat dengan perlindungan informasi rahasia.
Dengan memanfaatkannya dalam model jaringan saraf, kami memungkinkan perhitungan dilakukan secara langsung pada ciphertext, sehingga menghilangkan kebutuhan untuk mengekspos data yang mendasarinya. Pendekatan ini sangat relevan di sektor yang diatur oleh peraturan privasi yang ketat, yang berupaya meningkatkan kesadaran akan risiko keamanan data dan pelestarian privasi.
Pembelajaran mesin pemeliharaan privasi dapat menumbuhkan kepercayaan yang lebih besar pada solusi yang digerakkan AI, misalnya rumah sakit dapat dengan aman menerapkan alat diagnostik canggih pada catatan pasien yang dienkripsi, lembaga keuangan dapat mendeteksi penipuan pada sejarah transaksi yang dienkripsi, dan kota-kota pintar dapat mengoptimalkan perencanaan transportasi tanpa mengorbankan data lokasi warga.
Dalam jangka panjang, saya memperkirakan teknologi ini yang mendorong generasi baru layanan AI yang aman dan berbasis cloud di mana analisis data yang kuat dan privasi individu dapat hidup berdampingan secara efektif.
Apa yang menginspirasi Anda untuk menjadi peneliti?
Saya tidak ingat saat yang tepat saya memutuskan untuk menjadi peneliti; Rasanya seperti satu keputusan yang digerakkan oleh rasa ingin tahu mengarah secara alami ke yang lain.
Dalam retrospeksi, saya menyadari bahwa saya selalu menjadi orang yang penasaran. Sejak usia muda, saya terpikat oleh fisika, sering menonton film dokumenter yang menggali topik -topik rumit. Saya terpesona pada bagaimana para ahli tertentu dapat menjelaskan ide -ide rumit dengan kejelasan seperti itu – bahkan jika saya tidak sepenuhnya memahaminya. Saya tersadar bahwa kedalaman pemahaman mereka datang dari investigasi yang berdedikasi bertahun -tahun. Saya ingat berpikir betapa menakjubkannya orang -orang bisa begitu fokus dan bersemangat tentang sudut pengetahuan yang begitu spesifik.
Itu juga merupakan dukungan kolektif di sekitar saya – dorongan keluarga saya yang tak tergoyahkan, para guru yang menginspirasi yang terus saya kagumi, teman -teman yang memotivasi saya di setiap kesempatan, dan pengawas yang menawarkan bimbingan yang tak ternilai.
Sinergi rasa ingin tahu, bimbingan, dan sistem pendukung yang kuat ini menciptakan lingkungan yang ideal bagi saya untuk mengejar karir dalam penelitian. Ini adalah perjalanan mengeksplorasi pertanyaan baru dan berkontribusi pada perluasan pengetahuan yang menurut saya sangat memuaskan.
Apa saja tantangan atau kesalahpahaman terbesar yang Anda hadapi sebagai peneliti di bidang Anda?
Enkripsi homomorfik adalah alat yang menjanjikan untuk keamanan data terhadap ancaman komputer kuantum. Skema berbasis kisi-kisi tersebut mendasarkan keamanan mereka pada kekerasan masalah 'Ring Learning With Errors', yang saat ini aman terhadap serangan dari komputer kuantum.
Setelah bertahun-tahun dianggap murni teoretis, ia sekarang secara teknis layak untuk aplikasi dunia nyata tertentu. Namun, evaluasi terenkripsi dari tugas intensif komputasi – seperti pelatihan model pembelajaran mesin yang kompleks – tetap menjadi tantangan terbuka karena peningkatan yang signifikan dalam kompleksitas komputasi dibandingkan dengan analog mereka yang tidak terenkripsi.
Oleh karena itu, tantangan utama terletak pada menjembatani kesenjangan antara penelitian kriptografi mutakhir dan aplikasi dunia nyata yang kompleks.
Kesalahpahaman terkait adalah bahwa terobosan terjadi dalam semalam; Pada kenyataannya, hasrat dan dedikasi yang tulus, didukung oleh pendanaan dan kolaborasi yang solid, sangat penting untuk kemajuan berkelanjutan dan untuk menerjemahkan kemajuan teoretis ke dalam solusi dunia nyata yang berdampak.
Jangan lewatkan pengetahuan yang Anda butuhkan untuk berhasil. Daftar untuk Singkat HarianPencernaan Silicon Republic tentang Need-to-Know Sci-Tech News.
