KI verleiht dem vertraulichen Rechnen eine weitaus größere Bedeutung

In der ersten Phase der Einführung von KI in Unternehmen machten sich die Firmen Gedanken darüber, was mit Informationen geschah, nachdem Mitarbeiter diese in einen Chatbot eingefügt hatten. Diese Sorge war verständlich, da die Modelle Verträge, Kundendaten, Quellcode und interne Finanzinformationen verarbeiten können, die Unternehmen niemals absichtlich veröffentlichen würden. Da sich die KI von gelegentlichen Abfragen hin zu Systemen entwickelt, die kontinuierlich große Mengen an firmeneigenen Daten analysieren, reicht der Schutz von Informationen während der Speicherung oder Übertragung nicht mehr aus, um das gesamte Problem abzudecken.

In diesen beiden Bereichen funktioniert die Verschlüsselung bereits gut. Unternehmen verschlüsseln Daten auf Festplatten und in Datenbanken, während sichere Netzwerkprotokolle die zwischen den Systemen übertragenen Informationen schützen. Schwieriger wird es, wenn ein Computer die Informationen nutzen muss, da die Daten für die herkömmliche Datenverarbeitung im Arbeitsspeicher zugänglich sein müssen.

Confidential Computing schließt diese Lücke, indem es geschützte Ausführungsumgebungen innerhalb der Hardware schafft. Daten können isoliert bleiben, während Anwendungen sie verarbeiten, wodurch die Möglichkeit für andere Software, Administratoren oder kompromittierte Infrastrukturen eingeschränkt wird, zu überprüfen, was innerhalb der geschützten Umgebung geschieht.

KI erweitert die Relevanz, da Unternehmen zunehmend Modelle einsetzen möchten, die mit ihren wertvollsten Informationen arbeiten. Ein allgemeiner Assistent kann mit öffentlich zugänglichen Daten arbeiten, während nützliche Unternehmenssysteme Kundenhistorien, technische Dokumente, Rechtsakten und firmeneigene Forschungsergebnisse benötigen.

Die Übermittlung all dieser Daten an eine Infrastruktur, der die Organisation nicht uneingeschränkt vertrauen kann, stellt ein offensichtliches Hindernis für die Einführung dar. Unternehmen erkennen zwar die Produktivitätsvorteile der KI an, schränken jedoch gleichzeitig den Einsatz jener Anwendungen ein, die den größten Nutzen bringen könnten, da die zugrunde liegenden Informationen zu sensibel sind.

In vertraulichen Umgebungen kann diese Vertrauensanforderung eingeschränkt werden. Ein Cloud-Anbieter stellt die Rechenhardware bereit, doch technische Kontrollmaßnahmen schränken seine Möglichkeiten ein, die Daten zu überprüfen, die innerhalb der geschützten Workload verarbeitet werden.

Dieses Konzept erweist sich als besonders nützlich, wenn mehrere Organisationen gemeinsam Informationen analysieren möchten, ohne ihre Rohdatensätze gegenseitig offenzulegen. Banken könnten beispielsweise institutionsübergreifende Betrugsmuster untersuchen und dabei eine strengere Trennung der Daten einzelner Kunden gewährleisten.

Das Gesundheitswesen und die Forschung bieten vergleichbare Chancen, da Organisationen häufig über Datensätze verfügen, deren Gesamtwert größer ist als das, was jeder einzelne Teilnehmer für sich allein gewinnen könnte. Datenschutzbestimmungen und geschäftliche Sensibilität erschweren jedoch eine einfache Bündelung der Informationen.

Vertrauliches Rechnen hebt diese rechtlichen Beschränkungen nicht auf. Eine Organisation benötigt nach wie vor einen rechtmäßigen Grund für die Verarbeitung personenbezogener Daten, und technische Isolierung kann mangelhafte Unternehmensführung oder übermäßige Datenerhebung nicht ausgleichen.

Die Technologie hängt zudem von der Hardware- und Software-Implementierung ab. Eine geschützte Umgebung kann dennoch anfällige Anwendungen enthalten, und Angreifer könnten es eher auf die Schnittstellen abgesehen haben, über die Daten ein- oder ausgehen, anstatt zu versuchen, die zugrunde liegende Verschlüsselung zu knacken.

Die Zertifizierung gewinnt daher an Bedeutung, da Unternehmen Nachweise benötigen, dass der erwartete Code in der erwarteten sicheren Umgebung ausgeführt wird, bevor sie sensible Informationen dorthin übermitteln. Das System weist seine Konfiguration nach, bevor es die Daten empfängt.

KI-Modelle bringen ein weiteres Gut mit sich, das Unternehmen möglicherweise schützen möchten: das Modell selbst. Unternehmen, die in eigene Modelle oder feinabgestimmte Systeme investieren, können vertrauliche Umgebungen nutzen, um das Risiko zu verringern, dass Infrastrukturanbieter oder andere Nutzer auf das in den Modellgewichten enthaltene geistige Eigentum zugreifen.

Modellanbieter können dieselbe Architektur in umgekehrter Richtung nutzen. Ein Anbieter möchte möglicherweise, dass Kunden ein wertvolles proprietäres Modell auf sensible Daten anwenden, ohne dabei die Modellgewichte gegenüber dem Kunden offenzulegen oder die Rohdaten des Kunden zu erhalten.

Diese Vereinbarung schafft eine Form der gegenseitigen Vertraulichkeit, bei der jede Seite etwas Wertvolles beisteuert, ohne uneingeschränkten Zugriff auf die Ressourcen der anderen Seite zu erhalten. Die kommerzielle KI benötigt zunehmend solche Strukturen, da die nützlichsten Kooperationen oft zwischen Organisationen stattfinden, die nicht einfach alles austauschen können, was sie besitzen.

Die Leistung bleibt ein praktischer Aspekt. Sicherheitsmechanismen können einen Rechenaufwand verursachen, während KI-Workloads bereits teure Beschleuniger und große Speicherkapazitäten erfordern.

Hardwarehersteller und Cloud-Anbieter integrieren daher Funktionen für vertrauliches Rechnen direkter in moderne Prozessoren und Beschleuniger, wodurch der Kompromiss zwischen Isolation und Leistung verringert wird.

Die Schlüsselverwaltung bleibt ebenso wichtig, da die Verschlüsselung letztendlich davon abhängt, wer den Zugriff kontrolliert. Eine ausgeklügelte, geschützte Umgebung bringt kaum Vorteile, wenn Schlüssel nachlässig aufbewahrt werden oder Administratoren über umfassendere Berechtigungen verfügen, als es das Sicherheitsmodell vorsieht.

Unternehmen müssen diese erfassen Aufgaben über Cloud-Anbieter, Modellanbieter und interne Teams hinweg. Bei Unternehmens-KI werden häufig mehrere Dienste kombiniert, was bedeutet, dass sensible Daten möglicherweise durch Einbettungsmodelle, Vektordatenbanken und externe APIs geleitet werden, bevor das endgültige Modell eine Antwort liefert.

Der Schutz eines Teils dieser Kette kann eine ungeschützte Komponente an anderer Stelle nicht ausgleichen. Die Sicherheitsarchitektur muss die Daten von ihrer ursprünglichen Quelle über alle Verarbeitungsstufen hinweg bis hin zu den Systemen verfolgen, in denen die Ergebnisse gespeichert werden.

Vertrauliches Rechnen wird Zugriffskontrollen, Verschlüsselung oder herkömmliche Cybersicherheit nicht ersetzen. Es behebt eine spezifische Schwachstelle, die immer deutlicher zutage tritt, da Computer zunehmend sensible Informationen auf Infrastrukturen verarbeiten, die nicht im Besitz der jeweiligen Organisationen sind.

Durch den Einsatz von KI in Unternehmen gewinnt diese Schwachstelle an wirtschaftlicher Bedeutung. Unternehmen möchten, dass Modelle mit den Informationen arbeiten, die sie am sorgfältigsten schützen. Das bedeutet, dass die nächste Stufe der KI-Einführung teilweise davon abhängt, ob Organisationen wertvolle Daten nutzen können, ohne während der Berechnung die Kontrolle darüber abzugeben.