L'IA confère à l'informatique confidentielle un rôle bien plus important

Au cours de la première phase de l’adoption de l’IA en entreprise, les sociétés se sont surtout inquiétées du sort réservé aux informations une fois que les employés les avaient copiées-collées dans un chatbot. Cette préoccupation était compréhensible, car les modèles peuvent traiter des contrats, des dossiers clients, du code source et des informations financières internes que les organisations ne publieraient jamais délibérément. À mesure que l’IA évolue, passant de requêtes ponctuelles à des systèmes qui analysent en continu de grands volumes de données confidentielles, la protection des informations lors de leur stockage ou de leur transmission ne suffit plus à résoudre l’intégralité du problème.

Le chiffrement fonctionne déjà bien dans ces deux domaines. Les entreprises chiffrent les données stockées sur les disques et dans les bases de données, tandis que des protocoles réseau sécurisés protègent les informations transitant entre les systèmes. La difficulté apparaît lorsque l'ordinateur doit exploiter ces informations, car le traitement classique nécessite que les données soient accessibles en mémoire.

L'informatique confidentielle comble cette lacune en créant des environnements d'exécution protégés au sein même du matériel. Les données peuvent ainsi rester isolées pendant leur traitement par les applications, ce qui limite la capacité d'autres logiciels, d'administrateurs ou d'infrastructures compromises à inspecter ce qui se passe à l'intérieur de l'environnement protégé.

L'IA élargit le champ d'application, car les organisations souhaitent de plus en plus que les modèles exploitent leurs informations les plus précieuses. Un assistant générique peut fonctionner à partir de données publiques, tandis que les systèmes d'entreprise performants ont besoin d'historiques clients, de documents techniques, de dossiers juridiques et de recherches exclusives.

Le fait de transmettre toutes ces données à une infrastructure à laquelle l'organisation ne peut pas faire confiance de manière indépendante constitue un obstacle évident à l'adoption de cette technologie. Les entreprises peuvent reconnaître les avantages de l'IA en termes de productivité tout en limitant les applications susceptibles de générer le plus de valeur, car les informations sous-jacentes sont trop sensibles.

Les environnements confidentiels peuvent restreindre cette exigence de confiance. Un fournisseur de services cloud fournit le matériel informatique, mais des contrôles techniques limitent sa capacité à inspecter les données traitées au sein de la charge de travail protégée.

Ce concept s'avère particulièrement utile lorsque plusieurs organisations souhaitent analyser ensemble des informations sans se communiquer mutuellement leurs ensembles de données brutes. Les banques pourraient, par exemple, étudier les tendances en matière de fraude à l'échelle interinstitutionnelle, tout en préservant une séparation plus stricte concernant les informations relatives à chaque client.

Les secteurs de la santé et de la recherche offrent des opportunités comparables, car les organisations disposent souvent d'ensembles de données dont la valeur combinée dépasse ce que chaque acteur pourrait tirer de manière indépendante. Les règles de protection de la vie privée et la sensibilité commerciale rendent difficile la simple mise en commun de ces informations.

L'informatique confidentielle ne supprime pas ces restrictions juridiques. Une organisation doit toujours disposer d'un motif légal pour traiter des données à caractère personnel, tandis que l'isolation technique ne peut pas pallier une mauvaise gouvernance ou une collecte excessive de données.

Cette technologie dépend également de la mise en œuvre matérielle et logicielle. Un environnement protégé peut tout de même contenir des applications vulnérables, et les attaquants peuvent cibler les interfaces par lesquelles les données entrent ou sortent plutôt que de tenter de contourner le chiffrement sous-jacent.

L'attestation revêt donc une importance particulière, car les organisations ont besoin de preuves attestant que le code attendu s'exécute bien au sein de l'environnement sécurisé prévu avant d'y envoyer des informations sensibles. Le système valide ainsi efficacement sa configuration avant de recevoir les données.

Les modèles d'IA constituent un atout supplémentaire que les organisations pourraient souhaiter protéger : le modèle lui-même. Les entreprises qui investissent dans des modèles propriétaires ou des systèmes optimisés peuvent recourir à des environnements confidentiels afin de réduire le risque que les fournisseurs d'infrastructure ou d'autres locataires accèdent à la propriété intellectuelle intégrée dans les poids des modèles.

Les fournisseurs de modèles peuvent utiliser la même architecture dans le sens inverse. Un fournisseur peut souhaiter que ses clients exploitent un modèle propriétaire de grande valeur sur des données sensibles, sans pour autant leur révéler les poids du modèle ni recevoir leurs données brutes.

Cet accord crée une forme de confidentialité réciproque dans laquelle chaque partie apporte quelque chose de précieux sans pour autant obtenir un accès illimité aux ressources de l’autre. L’IA commerciale a de plus en plus besoin de telles structures, car les collaborations les plus fructueuses impliquent souvent des organisations qui ne peuvent pas simplement échanger tout ce qu’elles possèdent.

Les performances restent un aspect pratique à prendre en compte. Les mécanismes de sécurité peuvent entraîner une surcharge de calcul, alors que les charges de travail liées à l'IA nécessitent déjà des accélérateurs coûteux et d'importantes quantités de mémoire.

Les fabricants de matériel et les fournisseurs de services cloud intègrent donc de manière plus directe des capacités de calcul confidentiel dans les processeurs et accélérateurs modernes, ce qui permet de réduire le compromis entre isolation et performances.

La gestion des clés reste tout aussi importante, car le chiffrement dépend en fin de compte de celui qui contrôle l'accès. Un environnement protégé sophistiqué n'apporte guère d'avantages si les clés sont stockées sans précaution ou si les administrateurs disposent de droits plus étendus que ceux prévus par le modèle de sécurité.

Les entreprises doivent recenser ces éléments responsabilités entre les fournisseurs de services cloud, les éditeurs de modèles et les équipes internes. L'IA d'entreprise combine souvent plusieurs services, ce qui signifie que les données sensibles peuvent transiter par des modèles d'intégration, des bases de données vectorielles et des API externes avant que le modèle final ne génère une réponse.

La protection d'un maillon de cette chaîne ne peut pas compenser la vulnérabilité d'un autre maillon situé ailleurs. L'architecture de sécurité doit suivre les données depuis leur source d'origine, à travers toutes les étapes de traitement, jusqu'aux systèmes où les résultats sont stockés.

L'informatique confidentielle ne remplacera pas les contrôles d'accès, le chiffrement ni les mesures habituelles de cybersécurité. Elle remédie à une faiblesse spécifique qui devient de plus en plus évidente à mesure que les ordinateurs traitent des informations de plus en plus sensibles sur des infrastructures qui n'appartiennent pas aux organisations.

L'IA d'entreprise confère à cette faiblesse une importance commerciale. Les entreprises souhaitent que les modèles puissent traiter les informations qu'elles protègent le plus soigneusement ; cela signifie que la prochaine étape de l'adoption de l'IA dépendra en partie de la capacité des organisations à exploiter des données précieuses sans en perdre le contrôle pendant le traitement.