Kas var izmantot jūsu datus, kad tie nepieciešami partnerim?

Jūsu partnerim ir nepieciešami jūsu dati. Bet vai viņam tie patiešām ir jāredz?

Šis jautājums maina veidu, kā uzņēmumi var sadarboties ar datiem.

Scotiabank pētīja iespēju ar mākslīgā intelekta palīdzību analizēt naudas plūsmas starp bankām, lai identificētu modeļus, kas varētu būt saistīti ar naudas atmazgāšanu un cilvēku tirdzniecību. Taču iesaistītajām finanšu institūcijām bija problēma, kas pazīstama arī citās nozarēs: analīzei nepieciešamie dati bija sensitīvi, un katrai organizācijai bija pamatots iemesls tos aizsargāt.

Analīzi tomēr bija iespējams veikt, nedodot iesaistītajām pusēm tiešu piekļuvi citu organizāciju sākotnējiem datiem. Microsoft šo pieeju apraksta kā vairāku pušu datu analīzes scenāriju, izmantojot Azure Confidential Computing un Opaque.

Kāpēc sadarbība ar partneri parasti sākas ar datu nodošanu?

Liela daļa uzņēmumu datu apmaiņas joprojām notiek pēc vienkārša principa: viena organizācija nosūta otrai nepieciešamo informācijas kopiju, bet līgums nosaka, kā saņēmējam ar šo kopiju jārīkojas.

Tas var labi darboties ar ikdienas informāciju, kuras izmantošana nerada būtiskus riskus.

Situācija mainās, kad runa ir par komerciāli sensitīviem vai regulētiem datiem - bankas klientu informāciju, mazumtirgotāja pirkumu vēsturi, ražotāja cenu nosacījumiem vai pacientu datiem.

Piemēram, mazumtirgotājs vēlas, lai banka izvērtē, kuri klienti varētu kvalificēties finansējumam.

Bankai šādam vērtējumam nepieciešama informācija par klienta pirkumu paradumiem. Mazumtirgotājam ir iemesls šo informāciju aizsargāt. Savukārt bankai ir savi iemesli aizsargāt izmantotos vērtēšanas modeļus un kritērijus.

Abām pusēm ir kaut kas vērtīgs, ko aizsargāt.

Tradicionāli izvēle ir bijusi vienkārša: datus nodot un uzņemties risku vai datus paturēt un samierināties ar ierobežotāku analīzi.

Konfidenciālā skaitļošana piedāvā vēl vienu iespēju.

Kas mainās, ja partneris var izmantot datus, tos neredzot?

Būtiskākais ir tas, kur notiek aprēķins.

Tā vietā, lai pārvietotu sākotnējos datus uz kopīgu vidi, kur tiem varētu piekļūt cita organizācija, analīzi var veikt aizsargātā skaitļošanas vidē.

Microsoft Scotiabank piemērā apraksta Azure Confidential Computing un Opaque izmantošanu, lai analizētu starpbanku naudas plūsmas naudas atmazgāšanas identificēšanai un iespējamu cilvēku tirdzniecības gadījumu atklāšanai.

Tas maina pašu piekļuves principu.

Tā vietā, lai partnerim dotu plašu piekļuvi datu kopai, organizācija var atļaut konkrētam aprēķinam izmantot konkrētus datus konkrētam mērķim.

Sākotnējie dati paliek aizsargāti konfidenciālajā skaitļošanas vidē, bet sadarbības rezultātā tiek iegūta informācija, kas partneriem patiešām nepieciešama.

To pašu principu var izmantot arī iepriekš minētajā mazumtirgotāja un bankas piemērā.

Bankas modelis varētu analizēt aizsargātus pirkumu datus kontrolētā vidē, bet sadarbības rezultāts būtu tikai iepriekš noteiktā informācija, nevis piekļuve visai datu kopai.

Konkrētā arhitektūra būs atkarīga no izmantošanas scenārija, taču princips paliek nemainīgs:

Aprēķinam tiek dota piekļuve nepieciešamajiem datiem. Paši dati paliek aizsargāti.

Kā tas izskatās ārpus finanšu nozares?

Šāda pieeja nav paredzēta tikai bankām.

Novartis Biome izmantoja BeeKeeperAI risinājumu kopā ar Azure Confidential Computing, lai identificētu pacientus, kuri varētu būt piemēroti retu slimību klīniskajiem pētījumiem. Microsoft šo scenāriju apraksta kā veidu, kā strādāt ar sensitīviem veselības datiem, vienlaikus aizsargājot sākotnējās datu kopas.

Līdzīga problēma pastāv arī ražošanā.

Ražotājs un piegādātājs var vēlēties kopīgi analizēt ražošanas vai jaudas datus. Vairāki loģistikas uzņēmumi var vēlēties identificēt kopīgas maršrutu tendences. Vairākas organizācijas var vēlēties izveidot AI modeli, izmantojot datus, kurus neviena no tām nevēlas ievietot vienā kopīgā datu krātuvē.

Vērtīgā atziņa rodas, apvienojot informāciju.

Taču paši dati joprojām ir sensitīvi.

Konfidenciālā skaitļošana ļauj izveidot tehnisku robežu, kurā noteiktā analīze var notikt, vienlaikus aizsargājot datus to apstrādes laikā. Microsoft šo pieeju apraksta kā risinājumu vairāku pušu datu analīzei situācijās, kad konkurences apsvērumi, regulējums, datu atrašanās vietas prasības vai privātums padara tradicionālo datu koplietošanu sarežģītu.

Kas var izmantot jūsu datus, kad tie nepieciešami partnerim?

Atbildei nav jābūt “tikai mēs paši”.

Tai nav jābūt arī “ikviens, kam mēs tos nosūtām”.

Pastāv precīzāks modelis:

Konkrētam aprēķinam tiek dota piekļuve konkrētiem datiem konkrētam mērķim, un aprēķins notiek vidē, kas aizsargā gan datus, gan pašu aprēķinu.

Tas maina pašu sadarbības sākumpunktu.

Tā vietā, lai jautātu:

“Kurus datus mēs varam droši nodot partnerim?”

labāk jautāt:

“Kas partnerim patiesībā ir jāaprēķina, un vai mēs varam ļaut šo aprēķinu veikt, neatklājot sākotnējos datus?”

Šī atšķirība kļūs arvien nozīmīgāka, uzņēmumiem sadarbojoties pāri organizāciju robežām un vienlaikus strādājot ar regulētiem, komerciāli sensitīviem un AI vajadzībām vērtīgiem datiem.

Nākamajā datu koplietošanas projektā joprojām var būt nepieciešams nosūtīt failu.

Taču pirms jaunas sensitīvu datu kopijas izveidošanas ir vērts uzdot citu jautājumu:

Vai partnerim ir nepieciešami jūsu dati - vai tas, ko jūsu dati var pateikt?