Главными предпосылками к возникновению подхода гомоморфного шифрования стали:

• распространение облачных технологий
• необходимость расшифрования данных для обработки
• возрастающие риски утечек
• потребность в данных

Основные индустриальные домены и кейсы, требующие сохранять приватность данных при обработке фокусируются в здравоохранении, финансах, биометрии, таргетной рекламе, социологических исследованиях, геолокации и собственно машинном обучении, как сквозной технологии всех вышеперечисленных.

Преимущества гомоморфного шифрования:

• доказуемая стойкость на требуемом уровне
• результат обработки данных остается зашифрованным
• выход сети также зашифрован

Области гомоморфного шифрования, которые всё ещё представляют вызов:

• увеличение объема данных, что влечет рост трафика (до 6000 раз)
• значительное увеличение вычислительных затрат, и, как следствие, увеличение времени обработки каждого экземпляра данных (до 1000 раз)
• некоторое ухудшение характеристик ML-решения

FHE представляется полезным для шифрования небольших объемов данных (текст, табличные данные), выполнения несложных вычислений над зашифрованными данными и конфиденциального инференса.

Использование решений для конфиденциальных вычислений позволит:

1. Улучшить качество существующих ML-моделей за счет привлечения данных от новых владельцев в защищенном виде.
2. Выделить свой ML-продукт среди конкурентов за счет обеспечения конфиденциальности данных и избежать репутационных издержек от утечки данных.
3. Выполнить требования законодательства к безопасности данных и избежать последствий в виде штрафов или ограничений на работу бизнеса.
4. Обеспечить выполнение требований собственного ИБ, Compliance или Legal, предотвратив последствия в виде остановки проекта.
5. Напрямую монетизировать свои датасеты владельцам данных, не опасаясь кражи и утечек данных, регуляторных или юридических последствий.