Cifrado homomórfico: ¿cómo aprende la IA a partir de datos que permanecen encriptados?

Un banco quiere usar IA para detectar fraude. Un organismo de gobierno quiere analizar datos censales con un modelo de IA. En ambos casos aparece la misma pregunta, que suele frenar el proyecto antes de empezar: ¿cómo entrenar ese modelo manteniendo los datos sensibles bajo el control de la organización?

El dilema de los datos sensibles y la IA

Entrenar un modelo de IA normalmente implica que el modelo —y quien lo administra— pueda ver los datos con los que aprende. Para datos personales, financieros o de salud, eso agrega un riesgo que muchas organizaciones prefieren evitar, incluso cuando el proveedor de la tecnología es de confianza. La alternativa habitual, dejar esos datos fuera del alcance de la IA, deja sobre la mesa una parte importante del valor que la tecnología podría aportar.

¿Qué es el cifrado homomórfico, explicado simple?

El cifrado homomórfico permite hacer cálculos sobre datos que permanecen encriptados durante todo el proceso. En términos simples: el modelo de IA aprende sobre la información, que permanece encriptada en todo momento para cualquiera que la procese.

Esto es distinto de encriptar datos que se guardan pero se desencriptan para procesarlos. Acá el procesamiento mismo ocurre sobre el dato encriptado, de principio a fin.

¿Qué precisión se gana y qué se mantiene igual?

La pregunta lógica es si este método afecta la calidad del modelo resultante. En productos como Privacy, de Xcapit, la precisión de un modelo entrenado sobre datos encriptados es equivalente a la de uno entrenado con los datos en claro: la diferencia está en el proceso, y el resultado final se mantiene.

¿Dónde se está aplicando ya?

Bancos y fintechs lo usan para colaborar en la detección de fraude entre instituciones, manteniendo los datos de clientes bajo el control de cada una. Organismos de gobierno lo usan para analizar datos censales o impositivos manteniendo el control de la información dentro de sus propios sistemas.

¿Tu organización maneja datos sensibles y evalúa incorporar IA hoy? Esta es una de las decisiones de arquitectura que conviene resolver antes de elegir proveedor.