LONDON (IT BOLTWISE) – Google stellt mit HEIR einen Open-Source-Compiler vor, der KI-Inferenz auf verschlüsselten Eingaben ermöglicht. Damit können Cloud-Services Berechnungen an Ciphertext durchführen und nur verschlüsselte Resultate zurückgeben, ohne Nutzerdaten oder Eingabe-Features offenzulegen. Die Initiative adressiert damit genau den klassischen Zielkonflikt zwischen Datenschutz und funktionsfähigen Online-Diensten. Entscheidend ist außerdem der praktische Weg: HEIR soll die Umstellung von vortrainierten Modellen für Nicht-Kryptografen vereinfachen.
Private KI-Inferenz war bislang oft weniger eine Frage der Modellqualität als der Frage, wie man sensible Eingaben verarbeiten darf, ohne sie preiszugeben. Genau an diesem Punkt setzt der neue Ansatz an: Mit HEIR (Homomorphic Encryption Intermediate Representation) präsentiert ein Forschungsteam ein Open-Source-Toolchain-Konzept, das bereits trainierte KI-Modelle so umwandeln soll, dass sie auf verschlüsselten Eingaben laufen. Das Kernversprechen der Homomorphen Verschlüsselung lautet dabei, dass Server mit Ciphertexten rechnen und lediglich verschlüsselte Ergebnisse zurückgeben, ohne die darunterliegenden Informationen sichtbar zu machen. In einem solchen Szenario kann ein Dienst beispielsweise Empfehlungen ausgeben, ohne die Nutzer-Features vollständig entschlüsseln zu können.
Technisch ist Homomorphic Encryption (HE) im Kern ein Mechanismus, der erlaubte Rechenoperationen auf verschlüsselten Daten unterstützt. Dadurch wird der bisherige Datenschutz-Kompass neu ausgerichtet: Statt Schutz vor Datenlecks über klassische Transport- oder Verarbeitungsgrenzen zu lösen, verschiebt sich der Trade-off zwischen Privatsphäre und Funktionalität hin zu einem Kostenproblem. Der Quelltext betont explizit, dass homomorphe Verschlüsselung zwar einen nicht trivialen Overhead mitbringt, dieser aber „rapide“ abnimmt. Das ist auch für die Praxis der entscheidende Punkt, denn viele Unternehmen können bereits Datenübertragung absichern, verlieren aber die Möglichkeit, aus diesen Daten produktive Features abzuleiten, sobald Verarbeitung außerhalb der Vertrauensgrenzen stattfinden muss. Dort wirkt HE als kryptografische Alternative, ohne dass man zwingend auf lokale Verarbeitung oder den Versand proprietärer Modelle auf Geräte angewiesen ist.
Damit dieses Paradigma nicht in „manuell optimieren durch Kryptografen“ endet, adressiert HEIR die Umsetzbarkeit. Laut Beschreibung konvertiert der Compiler vortrainierte AI-Modelle, die normalerweise auf unverschlüsselten Daten arbeiten, in eine Form, die auf verschlüsselten Inputs funktioniert. Gleichzeitig nennt der Text die bisherigen Hürden klar: Eine effiziente Umwandlung eines bestehenden Programms erfordert typischerweise ein Team von Kryptografen. HEIR soll genau diesen Flaschenhals reduzieren, indem es als Entwicklungspattform und Compiler-Toolchain fungiert und die Vision verfolgt, dass selbst Nicht-Experten verschlüsselte Inferenz in Produktionsanwendungen „per One-Click“ einsetzen können. Für die Umsetzung bedeutet das in der Praxis, dass ein Teil der komplexen Übersetzung von Modellberechnungen in den zulässigen homomorphen Rechenraum automatisiert werden soll.
Markt- und Ökosystemseitig ist der Zeitpunkt besonders bemerkenswert, weil der Text HEIR in eine Reihe konkreter Privacy-Innovationen einordnet. Genannt werden vorherige Ansätze wie Differential Privacy, Private Set Membership, Private Information Retrieval und Secure Enclaves auf Google Cloud. Homomorphe Verschlüsselung positioniert sich dabei als vollständig kryptografische Lösung, ähnlich wie Private Information Retrieval, aber eben mit dem Ziel, die eigentliche Berechnung auf dem Server abzusichern. Gleichzeitig wird im Beitrag der Hardware-Faktor sichtbar: Das Team nennt Partnerschaften mit Firmen, die Hardware-Accelerators für homomorphe Verschlüsselung entwickeln, darunter Belfort, Niobium, Cornami und Optalysys. Die Demos sollen damit nicht nur die Funktionalität zeigen, sondern perspektivisch auch Latenz-Vorteile solcher Beschleuniger belegen, was für Unternehmens-Use-Cases häufig das entscheidende „Go/No-Go“-Kriterium ist.
Für die Einordnung, wie weit das Thema bereits konkret gediehen ist, liefern die vier privaten Inferenzbeispiele eine greifbare Referenz. Alle Anwendungen wurden dem Text zufolge mit HEIR kompiliert, und die Latenzzahlen werden für eine Single-Threaded-CPU präsentiert. Ein Deep-Learning-Recommendation-Modell adressiert dabei private Content-Empfehlungen: Der Dienst kann Empfehlungen bereitstellen, ohne die Nutzer-Features vollständig einzusehen. Bei der Kreditkartenbetrugserkennung wird ein Detektor gemeinsam mit Niobium und hardshell.ai kompiliert; hier geht es um das Erkennen verdächtiger Muster, ohne dass die sensiblen Eingabedaten im Klartext im Dienst sichtbar werden. Das System „Kitsune“ für Threat Intrusion (zusammen mit Niobium) zielt auf Anomalieerkennung in verschlüsseltem Netzwerkverkehr: Der Service kann Abweichungen detektieren, ohne den Inhalt der Netzwerkpakete zu offenbaren. Schließlich wird ein Hotword Detector beschrieben, der gemeinsam mit Belfort Labs kompiliert wurde und Audio-Auslöser für Agents erlauben kann, während die Privatsphäre der Audiodaten gewahrt bleibt.
Für Unternehmen lässt sich aus dem Beitrag eine klare Leitlinie ableiten: Sobald Security- und Regulierungsanforderungen Datenflüsse zwischen Institutionen erschweren, müssen Use-Cases zunehmend Wege finden, Funktionen auch ohne Klartextdaten zu realisieren. Der Text nennt explizit, dass strenge Regeln Datenaustausch limitiert und dass lokale Verarbeitung durch Gerätefähigkeiten begrenzt ist. Zugleich wird das Risiko angesprochen, ein proprietäres KI-Modell auf ein Gerät zu senden, was theoretisch zu Leaks führen kann. Homomorphe Verschlüsselung dreht diesen Mechanismus um, indem der Server zwar die Berechnung übernimmt, aber die sensiblen Inhalte nie im Klartext sehen soll. Entscheidend bleibt aber die Engineering-Brücke: HEIR positioniert sich als Software-Schicht, die aus vortrainierten Modellen „Encrypted Inference“ macht, ohne dass jede Implementierung jedes Mal bei Null beginnen muss.
Am Ende ist HEIR weniger als einzelnes Forschungsprojekt zu verstehen, sondern als Plattform-Ansatz, der Wiederverwendung und Vergleichbarkeit fördern will. Der Text beschreibt, dass HEIR auch als produktive Forschungsbasis genutzt wird, sodass Kryptografen sich auf Optimierungen konzentrieren können, während Infrastruktur für Testing, Benchmarking und Vergleiche bereitsteht. Genannt werden Kooperationen mit Georgia Tech, Carnegie Mellon, UC Santa Barbara, Illinois Institute of Technology, Purdue, der University of Edinburgh, Tsinghua University und weiteren Einrichtungen. Vier peer-reviewed Publikationen seien bislang auf HEIR aufgebaut worden, weitere seien in Vorbereitung, zusätzlich gebe es zahlreiche Zitierungen. Für die nächsten Schritte bedeutet das: Sobald Beschleuniger-Latenzen und Compiler-Usability mit den konkreten Demos und Benchmarks zusammenfinden, wird „Private KI“ von einem Spezialfall zu einer realistischen Option für mehr Produktionsumgebungen.
💳 Amazon-Kreditkarte mit 2.000 Euro Limit bestellen!
🔥 Heutige Hot Deals bei Amazon: Bis zu 80% Rabatte!
🎉 Amazon Haul-Store für absolute Schnäppchenjäger!
- ★ 23-stufiges KI-Go-Training – Für Spieler mit Grundkenntnissen der Regeln – Entwickelt als intelligenter Trainingspartner passt sich die KI Spielern von 18K bis 9D an. Ideal für alle, die die Grundregeln bereits beherrschen und ihr Spiel verbessern möchten.
- IHR EMOTIONALER AI-BEGLEITER: Eiliko ist mehr als nur ein Anhänger, es ist ein charismatischer KI-Freund. Mit einem dynamischen LED-Bildschirm, der eine Vielzahl von animierten Gesichtern und Ausdrucksformen anzeigt, reagiert er auf Ihre Interaktionen mit einzigartiger Persönlichkeit und Charme.
- 【MEHR LEBEN FÜR DEINEN SCHREIBTISCH】 Lerne Eilik kennen – deinen kleinen Roboter-Freund mit Persönlichkeit. Mit liebevollen Animationen, ausdrucksstarken Reaktionen und spielerischen Interaktionen bringt Eilik mehr Freude in deinen Alltag. Ob auf dem Schreibtisch, im Büro oder am Nachttisch – Eilik wird schnell zu einem vertrauten Begleiter für besondere Momente.
- 【XL-Größe für gedeihende Pflanzen】Geben Sie Ihren Pflanzen den Raum, den sie verdienen! Unser verbessertes, großes 13,7 cm großes Design bietet Platz für Pflanzen mit einem Durchmesser von bis zu 8,9 cm und damit deutlich mehr Platz für Wurzelwachstum und Pflanzengesundheit im Vergleich zu kleineren, veralteten Modellen. Die Produktabmessungen betragen 13,6 x 13,6 x 13,2 cm und das Gerät wiegt nur 355 g.
- V28 Update - JETZT MIT NEUEN FUNKTIONEN! Als Reaktion auf das Ladeproblem von Loona haben wir das automatische Aufladen 2.0 verbessert. Diese Optimierung hilft Loona, die Ladewege in verschiedenen Szenarien zu erkennen und anzupassen, um die Erfolgsquote beim automatischen Aufladen zu erhöhen. Mobile Hotspots können sich mit Loona verbinden und überwinden WLAN-Einschränkungen, sodass Sie jederzeit und überall mit Loona interagieren können.
- Die besten Bücher rund um KI & Robotik!
- Die besten KI-News kostenlos per eMail erhalten!
- Zur Startseite von IT BOLTWISE® für aktuelle KI-News!
- IT BOLTWISE® kostenlos auf Patreon unterstützen!
- Aktuelle KI-Jobs auf StepStone finden und bewerben!
- Künstliche Intelligenz: Dem Menschen überlegen – wie KI uns rettet und bedroht | Der Neurowissenschaftler, Psychiater und SPIEGEL-Bestsellerautor von »Digitale Demenz«
Du hast einen wertvollen Beitrag oder Kommentar zum Artikel "HEIR: Googles Open-Source-Compiler für KI-Inferenz auf verschlüsselten Daten" für unsere Leser?
#Sophos
#AmazonPrime
#Bestseller
Es werden alle Kommentare moderiert!
Für eine offene Diskussion behalten wir uns vor, jeden Kommentar zu löschen, der nicht direkt auf das Thema abzielt oder nur den Zweck hat, Leser oder Autoren herabzuwürdigen.
Wir möchten, dass respektvoll miteinander kommuniziert wird, so als ob die Diskussion mit real anwesenden Personen geführt wird. Dies machen wir für den Großteil unserer Leser, der sachlich und konstruktiv über ein Thema sprechen möchte.
Du willst nichts verpassen?
Du möchtest über ähnliche News und Beiträge wie "HEIR: Googles Open-Source-Compiler für KI-Inferenz auf verschlüsselten Daten" informiert werden? Neben der E-Mail-Benachrichtigung habt ihr auch die Möglichkeit, den Feed dieses Beitrags zu abonnieren. Wer natürlich alles lesen möchte, der sollte den RSS-Hauptfeed oder IT BOLTWISE® bei Google News wie auch bei Bing News abonnieren.
Nutze die Google-Suchmaschine für eine weitere Themenrecherche: »HEIR: Googles Open-Source-Compiler für KI-Inferenz auf verschlüsselten Daten« bei Google Deutschland suchen, bei Bing oder Google News!