Skip to main content

Qu'est-ce que la confidentialité dans la crypto et l'IA

Remarque : Ce document est une traduction automatique de la version originale anglaise.

Qu'est-ce que la confidentialité dans la crypto et l'IA

La confidentialité (privacy) dans le contexte de la crypto et de l'IA désigne la capacité à traiter, stocker et transmettre des données sans les exposer à des parties non autorisées. Dans les systèmes décentralisés, la confidentialité est particulièrement difficile à assurer, car les blockchains sont transparentes par conception — les transactions, les états des smart contracts et les données on-chain sont publiquement visibles. Les technologies de préservation de la confidentialité permettent d'effectuer des calculs sur des données sensibles (y compris les entrées, les sorties et les poids des modèles d'IA) tout en gardant ces données confidentielles.

En bref : la confidentialité dans la crypto IA signifie exécuter des calculs sur des données sans révéler les données elles-mêmes. Elle combine des techniques cryptographiques et matérielles pour protéger les entrées, les sorties et les paramètres des modèles dans des environnements décentralisés.

Pourquoi la confidentialité est importante dans l'IA décentralisée

Dans l'IA centralisée, la confidentialité est gérée par des contrôles d'accès, des contrats et la confiance envers le fournisseur. Les utilisateurs font confiance à l'entreprise qui exploite le modèle pour ne pas détourner leurs données. Dans l'IA décentralisée, il n'existe pas de partie de confiance unique. Les fournisseurs de calcul, les validateurs et les autres participants du réseau peuvent être anonymes et non fiables. Cela crée plusieurs défis en matière de confidentialité :

  • Confidentialité des entrées. Un utilisateur qui soumet un dossier médical, des données financières ou une requête personnelle à un modèle d'IA décentralisé ne veut pas que le fournisseur de calcul voie l'entrée brute.
  • Confidentialité des sorties. Dans certains scénarios, le résultat d'un calcul d'IA est lui-même sensible — un score de risque, un diagnostic ou un signal de trading que le demandeur ne veut pas voir divulgué.
  • Confidentialité du modèle. Les poids d'un modèle d'IA représentent une propriété intellectuelle importante. Un propriétaire de modèle utilisant un réseau de calcul décentralisé peut ne pas vouloir que le fournisseur de calcul voie ou copie le modèle.
  • Confidentialité des données d'entraînement. Les modèles entraînés sur des données propriétaires ou personnelles doivent protéger ces données, à la fois pendant l'entraînement et en déploiement (en empêchant leur extraction par des requêtes adversariales).

Sans mécanismes de préservation de la confidentialité, l'IA décentralisée fait face à une tension fondamentale : le système est conçu pour fonctionner sans confiance (trustless), mais les participants doivent quand même se faire confiance mutuellement pour ne pas regarder les données qui circulent dans le réseau.

Comment la confidentialité est obtenue

Le calcul préservant la confidentialité dans la crypto IA utilise plusieurs approches, souvent combinées :

Preuves à divulgation nulle de connaissance (ZK)

Les preuves à divulgation nulle de connaissance permettent à une partie de prouver qu'une affirmation est vraie sans révéler aucune information au-delà de la véracité de l'affirmation elle-même. Dans les applications d'IA, le ZK peut prouver qu'une inférence de modèle a été calculée correctement sans révéler les poids du modèle ni les données d'entrée. Cette approche fournit une garantie cryptographique mathématique (trustless), mais s'accompagne d'une surcharge de calcul importante, en particulier pour les modèles d'IA complexes. Voir la page dédiée sur le ZK pour les détails sur les zk-SNARKs, les zk-STARKs et leurs applications.

Environnements d'exécution de confiance (TEE)

Un TEE est une région d'un processeur isolée au niveau matériel, où le code et les données sont protégés du reste du système — y compris le système d'exploitation, l'hyperviseur et même le propriétaire du matériel. Les TEE permettent d'exécuter des modèles d'IA sur du matériel non fiable tout en gardant le modèle et les données confidentiels. Le compromis est que la sécurité dépend de l'implémentation du fabricant de matériel plutôt que de preuves mathématiques. Voir la page dédiée sur le TEE pour les détails.

Calcul multipartite sécurisé (MPC)

Le MPC permet à plusieurs parties de calculer conjointement une fonction sur leurs entrées sans révéler ces entrées les unes aux autres. Dans l'IA, le MPC peut permettre une inférence distribuée où aucun nœud ne voit le modèle complet ni l'entrée complète. La surcharge de calcul est substantielle, et les implémentations pratiques impliquent généralement un petit nombre de parties plutôt que de grands réseaux.

Chiffrement homomorphe (HE)

Le chiffrement entièrement homomorphe permet d'effectuer des calculs directement sur des données chiffrées, produisant un résultat chiffré qui, une fois déchiffré, correspond au résultat du même calcul effectué sur des données non chiffrées. En théorie, cela permet n'importe quel calcul d'IA sur des données chiffrées. En pratique, les schémas HE actuels sont plus lents de plusieurs ordres de grandeur que le calcul en clair, ce qui limite leur usage à des opérations simples ou à de petits modèles.

Confidentialité différentielle

La confidentialité différentielle ajoute un bruit soigneusement calibré aux données ou aux sorties du modèle pour empêcher l'identification d'enregistrements individuels, tout en préservant les propriétés statistiques du jeu de données. Elle est principalement utilisée pendant l'entraînement du modèle pour garantir que le modèle ne mémorise pas puis ne divulgue pas d'exemples d'entraînement individuels. Il s'agit d'un cadre mathématique plutôt que d'une technique de chiffrement.

Comparaison des approches

Approche Protège Modèle de confiance Surcharge Maturité
Preuves ZK Intégrité du calcul + confidentialité des données Mathématique (trustless) Très élevée Recherche active ; petits modèles prouvés
TEE Données à l'exécution + confidentialité du modèle Fabricant du matériel Faible à modérée Prêt pour la production pour de nombreuses charges de travail
MPC Confidentialité des entrées entre parties Majorité honnête parmi les parties Élevée Déployé dans des contextes spécialisés
HE Confidentialité des données pendant le calcul Mathématique (trustless) Très élevée Expérimental pour les charges de travail d'IA
Confidentialité différentielle Confidentialité des données d'entraînement Garantie statistique Faible Largement adoptée dans les pipelines d'entraînement

Inférence d'IA préservant la confidentialité

L'application la plus immédiate dans la crypto IA est l'inférence confidentielle : exécuter un modèle sur les données d'un utilisateur de sorte que ni le fournisseur de calcul ne voie l'entrée, ni l'utilisateur ne voie les poids du modèle. C'est le problème central de confidentialité pour les réseaux d'inférence d'IA décentralisés.

Les solutions pratiques actuelles utilisent généralement les TEE pour l'inférence confidentielle, car la surcharge est gérable et la technologie est mature. Les approches basées sur le ZK (zkML) offrent des garanties plus fortes mais sont limitées à des modèles plus petits. Les approches MPC et HE restent largement expérimentales pour les charges de travail d'inférence.

Un pipeline réaliste d'inférence confidentielle pourrait fonctionner comme suit :

  1. L'utilisateur chiffre son entrée ou l'envoie à une enclave TEE.
  2. Le modèle s'exécute à l'intérieur du TEE, où ni l'opérateur ni les observateurs externes ne peuvent lire les données.
  3. Le TEE produit une attestation — une preuve cryptographique que le calcul s'est exécuté à l'intérieur d'une enclave authentique et non modifiée.
  4. Le résultat est renvoyé à l'utilisateur, chiffré ou via un canal sécurisé.

L'attestation permet à l'utilisateur de vérifier que le calcul s'est déroulé dans un environnement protégé sans faire confiance au fournisseur de calcul.

Pourquoi c'est important pour DecAIHub

La confidentialité est une préoccupation transversale dans le cadre d'évaluation de DecAIHub. Les projets peuvent utiliser des techniques de préservation de la confidentialité de plusieurs manières :

  • En tant qu'AI component. L'inférence confidentielle, le service privé de modèles ou l'entraînement préservant la confidentialité apparaissent dans le champ AI component lorsqu'ils sont centraux dans le pipeline d'IA du projet.
  • En tant que fonctionnalité on-chain. Certains projets utilisent des preuves ZK ou des attestations TEE comme artefacts on-chain, contribuant à la dimension Onchain necessity de DecAI Fit.
  • En tant que facteur de différenciation. Le calcul préservant la confidentialité est techniquement exigeant. Les projets qui l'implémentent avec des preuves vérifiables (journaux d'attestation TEE, contrats de vérification de preuves ZK) démontrent une profondeur technique réelle.

Lors de l'évaluation des affirmations de confidentialité, la question clé est : quel est le mécanisme concret, et quelles preuves existent de son déploiement ? Une affirmation d'« IA préservant la confidentialité » sans préciser si le projet utilise le TEE, le ZK, le MPC ou une autre approche est trop vague pour être évaluée.

Où cela apparaît dans les cartes projet DecAIHub

Les fonctionnalités liées à la confidentialité apparaissent dans plusieurs champs des cartes projet :

  • AI component — des valeurs comme « confidential inference », « private model serving » ou « TEE-based execution » indiquent des mécanismes de préservation de la confidentialité.
  • Étiquettes de catégorie — les projets peuvent porter des étiquettes indiquant leur usage de technologies de confidentialité en plus de leur catégorie AI principale.
  • Tableau des preuves — les preuves Tier-1 pour la confidentialité incluent les enregistrements d'attestation TEE, les contrats de vérification ZK, les rapports d'audit publiés pour les implémentations d'informatique confidentielle et les politiques documentées de traitement des données.

Ce que la confidentialité seule ne prouve pas

  • La confidentialité ne prouve pas l'AI reality. Un projet peut implémenter une technologie de confidentialité sophistiquée sans avoir aucune IA réelle derrière.
  • La confidentialité ne prouve pas la décentralisation. Un fournisseur centralisé unique peut exploiter un service d'inférence confidentielle basé sur TEE. La garantie de confidentialité est indépendante du caractère décentralisé ou non du système.
  • La confidentialité ne prouve pas la sécurité. La confidentialité protège les données contre les accès non autorisés, mais ne protège pas contre les bugs, les erreurs de logique ou d'autres vulnérabilités dans le pipeline d'IA.
  • La confidentialité ne prouve pas la Token necessity. Le calcul préservant la confidentialité peut fonctionner sans blockchain ni token. Savoir si le token apporte une valeur significative est une évaluation distincte.
  • Revendiquer la confidentialité sans préciser le mécanisme n'est pas vérifiable. « Préservant la confidentialité » sans TEE, ZK, MPC ou autre approche concrète est une affirmation marketing, pas une affirmation technique.

Ne pas confondre avec

  • ZK (preuves à divulgation nulle de connaissance) — une technique cryptographique spécifique qui peut être utilisée pour la confidentialité, mais aussi pour la mise à l'échelle (zk-rollups) et la vérification (zkML). La confidentialité est un concept plus large qui inclut le ZK comme l'un de ses outils.
  • TEE — une approche matérielle de l'informatique confidentielle. Le TEE est un mécanisme pour obtenir la confidentialité, pas un synonyme de celle-ci.
  • Anonymat — cacher l'identité des participants aux transactions. La confidentialité dans l'IA se concentre sur la protection des données et du calcul, pas nécessairement sur le fait de cacher qui effectue les transactions.
  • Chiffrement au repos — chiffrer les données stockées les protège des accès non autorisés mais ne traite pas la confidentialité pendant le calcul. Le calcul préservant la confidentialité signifie que les données restent protégées pendant leur traitement.
  • Propriété des données — contrôler qui a accès aux données est lié à la confidentialité mais relève de la gouvernance et du contrôle d'accès plutôt que du calcul.

Questions fréquentes

Quelle est la différence entre confidentialité et confidentialité contractuelle (privacy vs confidentiality) dans la crypto IA ?

En pratique, les termes sont souvent utilisés de manière interchangeable. Strictement, la privacy désigne le droit ou la capacité de contrôler quelles informations sont divulguées, tandis que la confidentiality désigne l'obligation ou le mécanisme qui empêche la divulgation non autorisée. Dans la crypto IA, l'informatique confidentielle (exécuter des calculs dans un environnement protégé) est un mécanisme qui atteint l'objectif de confidentialité. Quand un projet dit « inférence confidentielle », cela signifie généralement que l'inférence s'exécute dans un environnement (comme un TEE) qui protège les données — c'est une implémentation spécifique de l'objectif plus large de confidentialité.

Les modèles d'IA peuvent-ils être privés sur une blockchain publique ?

Le calcul d'IA lui-même ne s'exécute pas sur la blockchain — il s'exécute sur une infrastructure de calcul off-chain. La blockchain enregistre des preuves, des attestations ou des résultats. La confidentialité est obtenue au niveau de la couche de calcul (en utilisant le TEE, le ZK ou d'autres techniques), pas au niveau de la couche blockchain. La blockchain peut vérifier qu'un calcul privé a été effectué correctement (via une preuve ZK ou une attestation TEE) sans voir les données sous-jacentes. L'enregistrement on-chain est public ; le calcul et les données qui le sous-tendent peuvent rester privés.

Quelle approche de confidentialité est la meilleure pour l'IA ?

Il n'existe pas d'approche unique qui soit la meilleure — chacune a ses compromis. Les TEE offrent des performances pratiques pour des charges de travail réelles mais dépendent d'hypothèses de confiance envers le matériel. Les preuves ZK fournissent des garanties mathématiques sans confiance mais sont coûteuses en calcul et limitées à des modèles plus petits. Le MPC permet un calcul conjoint sans partager les entrées mais nécessite une coordination entre les parties. La plupart des systèmes en production aujourd'hui utilisent les TEE pour l'inférence confidentielle, avec des preuves ZK utilisées de manière sélective pour la vérification à forte valeur. Le choix dépend du modèle de menace, des exigences de performance et de la sensibilité des données concernées.

La confidentialité ralentit-elle l'inférence d'IA ?

Cela dépend du mécanisme. L'inférence basée sur TEE s'exécute à une vitesse quasi native — l'isolation matérielle introduit une surcharge minimale. La vérification basée sur le ZK ajoute une surcharge importante à la génération de preuves (plusieurs ordres de grandeur plus lente que l'inférence simple), bien que la vérification soit rapide. Le MPC et le HE introduisent tous deux des coûts de calcul substantiels. En pratique, les projets choisissent le mécanisme de confidentialité qui équilibre la garantie de confidentialité requise avec des performances acceptables pour leur cas d'usage.

Références externes

Voir aussi

No comments to display

Back to top