Skip to main content

Apa itu privasi dalam kripto dan AI

Catatan: Dokumen ini adalah terjemahan otomatis dari versi asli bahasa Inggris.

Apa itu privasi dalam kripto dan AI

Privasi dalam konteks kripto dan AI mengacu pada kemampuan untuk memproses, menyimpan, dan mengirimkan data tanpa mengeksposnya kepada pihak yang tidak berwenang. Dalam sistem terdesentralisasi, privasi menjadi tantangan khusus karena blockchain memang dirancang transparan — transaksi, status kontrak pintar, dan data on-chain terlihat oleh publik. Teknologi pelindung privasi memungkinkan komputasi dilakukan atas data sensitif (termasuk input, output, dan bobot model AI) sambil menjaga kerahasiaan data tersebut.

Singkatnya: privasi dalam kripto AI berarti menjalankan komputasi atas data tanpa mengungkapkan data itu sendiri. Pendekatan ini menggabungkan teknik kriptografis dan berbasis perangkat keras untuk melindungi input, output, dan parameter model di lingkungan terdesentralisasi.

Mengapa privasi penting dalam AI terdesentralisasi

Dalam AI terpusat, privasi ditangani melalui kontrol akses, kontrak, dan kepercayaan pada penyedia. Pengguna percaya bahwa perusahaan yang menjalankan model tidak akan menyalahgunakan data mereka. Dalam AI terdesentralisasi, tidak ada satu pihak tepercaya. Penyedia komputasi, validator, dan peserta jaringan lainnya bisa jadi anonim dan tidak tepercaya. Hal ini menimbulkan beberapa tantangan privasi:

  • Privasi input. Pengguna yang mengirimkan rekam medis, data keuangan, atau kueri pribadi ke model AI terdesentralisasi tidak ingin penyedia komputasi melihat input mentahnya.
  • Privasi output. Dalam beberapa skenario, hasil komputasi AI itu sendiri bersifat sensitif — skor risiko, diagnosis, atau sinyal perdagangan yang tidak ingin diungkapkan oleh peminta.
  • Privasi model. Bobot model AI merepresentasikan kekayaan intelektual yang signifikan. Pemilik model yang menggunakan jaringan komputasi terdesentralisasi mungkin tidak ingin penyedia komputasi melihat atau menyalin modelnya.
  • Privasi data pelatihan. Model yang dilatih dengan data kepemilikan atau data pribadi harus melindungi data tersebut, baik selama pelatihan maupun saat penerapan (mencegah ekstraksi melalui kueri adversarial).

Tanpa mekanisme pelindung privasi, AI terdesentralisasi menghadapi ketegangan fundamental: sistem dirancang untuk trustless, tetapi para peserta tetap harus saling percaya untuk tidak melihat data yang mengalir melalui jaringan.

Bagaimana privasi dicapai

Komputasi pelindung privasi dalam kripto AI menggunakan beberapa pendekatan, sering kali dikombinasikan:

Zero-knowledge proof (ZK)

Zero-knowledge proof memungkinkan satu pihak membuktikan bahwa suatu pernyataan benar tanpa mengungkapkan informasi apa pun di luar kebenaran pernyataan itu sendiri. Dalam aplikasi AI, ZK dapat membuktikan bahwa inferensi model dihitung dengan benar tanpa mengungkapkan bobot model atau data input. Pendekatan ini memberikan jaminan kriptografis matematis (trustless) tetapi disertai overhead komputasi yang signifikan, terutama untuk model AI yang kompleks. Lihat halaman khusus tentang ZK untuk detail mengenai zk-SNARK, zk-STARK, dan aplikasinya.

Trusted Execution Environment (TEE)

TEE adalah wilayah prosesor yang terisolasi secara perangkat keras, tempat kode dan data dilindungi dari bagian sistem lainnya — termasuk sistem operasi, hypervisor, bahkan pemilik perangkat keras itu sendiri. TEE memungkinkan model AI berjalan di perangkat keras yang tidak tepercaya sambil menjaga kerahasiaan model dan data. Kompromi yang harus diterima: keamanannya bergantung pada implementasi produsen perangkat keras, bukan pada bukti matematis. Lihat halaman khusus tentang TEE untuk detailnya.

Secure multi-party computation (MPC)

MPC memungkinkan beberapa pihak menghitung suatu fungsi atas input mereka bersama-sama tanpa saling mengungkapkan input tersebut. Dalam AI, MPC dapat memungkinkan inferensi terdistribusi di mana tidak ada satu node pun yang melihat model lengkap atau input lengkap. Overhead komputasinya besar, dan implementasi praktis biasanya melibatkan sejumlah kecil pihak, bukan jaringan besar.

Homomorphic encryption (HE)

Fully homomorphic encryption memungkinkan komputasi dilakukan langsung atas data terenkripsi, menghasilkan hasil terenkripsi yang, ketika didekripsi, cocok dengan hasil komputasi yang sama atas data yang tidak terenkripsi. Secara teori, ini memungkinkan komputasi AI apa pun atas data terenkripsi. Dalam praktiknya, skema HE saat ini jauh lebih lambat (berkali-kali lipat) dibandingkan komputasi plaintext, sehingga penggunaannya terbatas pada operasi sederhana atau model kecil.

Differential privacy

Differential privacy menambahkan noise yang dikalibrasi secara cermat ke data atau output model untuk mencegah identifikasi rekaman individual, sambil mempertahankan sifat statistik dataset. Teknik ini terutama digunakan selama pelatihan model untuk memastikan model tidak menghafal dan kemudian membocorkan contoh pelatihan individual. Ini adalah kerangka matematis, bukan teknik enkripsi.

Perbandingan pendekatan

Pendekatan Melindungi Model kepercayaan Overhead Kematangan
ZK proof Integritas komputasi + privasi data Matematis (trustless) Sangat tinggi Riset aktif; terbukti untuk model kecil
TEE Data runtime + kerahasiaan model Produsen perangkat keras Rendah hingga sedang Siap produksi untuk banyak beban kerja
MPC Privasi input antarpihak Mayoritas jujur di antara pihak Tinggi Diterapkan dalam konteks khusus
HE Privasi data selama komputasi Matematis (trustless) Sangat tinggi Eksperimental untuk beban kerja AI
Differential privacy Privasi data pelatihan Jaminan statistik Rendah Diadopsi luas dalam pipeline pelatihan

Inferensi AI pelindung privasi

Aplikasi paling langsung dalam kripto AI adalah inferensi rahasia: menjalankan model atas data pengguna sedemikian rupa sehingga penyedia komputasi tidak melihat input dan pengguna tidak melihat bobot model. Inilah masalah privasi inti bagi jaringan inferensi AI terdesentralisasi.

Solusi praktis saat ini biasanya menggunakan TEE untuk inferensi rahasia karena overhead-nya dapat dikelola dan teknologinya matang. Pendekatan berbasis ZK (zkML) memberikan jaminan lebih kuat tetapi terbatas pada model yang lebih kecil. Pendekatan MPC dan HE sebagian besar masih eksperimental untuk beban kerja inferensi.

Pipeline inferensi rahasia yang realistis dapat bekerja sebagai berikut:

  1. Pengguna mengenkripsi inputnya atau mengirimkannya ke enclave TEE.
  2. Model berjalan di dalam TEE, di mana operator maupun pengamat eksternal tidak dapat membaca data.
  3. TEE menghasilkan atestasi — bukti kriptografis bahwa komputasi berjalan di dalam enclave asli yang tidak dimodifikasi.
  4. Hasil dikembalikan ke pengguna, dalam bentuk terenkripsi atau melalui saluran aman.

Atestasi memungkinkan pengguna memverifikasi bahwa komputasi terjadi di lingkungan terlindungi tanpa harus memercayai penyedia komputasi.

Mengapa hal ini penting bagi DecAIHub

Privasi adalah perhatian lintas bidang dalam kerangka evaluasi DecAIHub. Proyek dapat menggunakan teknik pelindung privasi dengan beberapa cara:

  • Sebagai komponen AI. Inferensi rahasia, penyajian model privat, atau pelatihan pelindung privasi muncul di bidang komponen AI ketika hal tersebut menjadi inti pipeline AI proyek.
  • Sebagai fitur on-chain. Beberapa proyek menggunakan bukti ZK atau atestasi TEE sebagai artefak on-chain, yang berkontribusi pada dimensi Onchain necessity dari DecAI Fit.
  • Sebagai pembeda. Komputasi pelindung privasi menantang secara teknis. Proyek yang mengimplementasikannya dengan bukti yang dapat diverifikasi (log atestasi TEE, kontrak verifikasi bukti ZK) menunjukkan kedalaman teknis yang nyata.

Saat mengevaluasi klaim privasi, pertanyaan kuncinya adalah: apa mekanisme konkretnya, dan bukti apa yang menunjukkan bahwa mekanisme itu sudah diterapkan? Klaim "privacy-preserving AI" tanpa menyebutkan apakah proyek menggunakan TEE, ZK, MPC, atau pendekatan lain terlalu kabur untuk dievaluasi.

Di mana hal ini muncul dalam kartu proyek DecAIHub

Fitur terkait privasi muncul di beberapa bidang kartu proyek:

  • Komponen AI — nilai seperti "confidential inference," "private model serving," atau "TEE-based execution" menunjukkan mekanisme pelindung privasi.
  • Tag kategori — proyek dapat membawa tag yang menunjukkan penggunaan teknologi privasi di samping kategori AI utamanya.
  • Tabel bukti — bukti Tier-1 untuk privasi mencakup catatan atestasi TEE, kontrak verifier ZK, laporan audit yang dipublikasikan untuk implementasi confidential computing, dan kebijakan penanganan data yang terdokumentasi.

Apa yang tidak dibuktikan oleh privasi semata

  • Privasi tidak membuktikan AI reality. Sebuah proyek dapat mengimplementasikan teknologi privasi canggih tanpa memiliki AI nyata di baliknya.
  • Privasi tidak membuktikan desentralisasi. Satu penyedia terpusat dapat menjalankan layanan inferensi rahasia berbasis TEE. Jaminan privasi tidak bergantung pada apakah sistemnya terdesentralisasi.
  • Privasi tidak membuktikan keamanan. Privasi melindungi data dari akses tidak sah, tetapi tidak melindungi dari bug, kesalahan logika, atau kerentanan lain dalam pipeline AI.
  • Privasi tidak membuktikan Token necessity. Komputasi pelindung privasi dapat bekerja tanpa blockchain atau token. Apakah token menambah nilai yang berarti adalah evaluasi terpisah.
  • Mengklaim privasi tanpa menyebutkan mekanismenya tidak dapat diverifikasi. "Privacy-preserving" tanpa TEE, ZK, MPC, atau pendekatan konkret lainnya adalah klaim pemasaran, bukan klaim teknis.

Jangan bingung dengan

  • ZK (zero-knowledge proof) — teknik kriptografis spesifik yang dapat digunakan untuk privasi, tetapi juga untuk penskalaan (zk-rollup) dan verifikasi (zkML). Privasi adalah konsep yang lebih luas yang mencakup ZK sebagai salah satu alatnya.
  • TEE — pendekatan berbasis perangkat keras untuk confidential computing. TEE adalah salah satu mekanisme untuk mencapai privasi, bukan sinonimnya.
  • Anonimitas — menyembunyikan identitas peserta transaksi. Privasi dalam AI berfokus pada perlindungan data dan komputasi, tidak selalu pada penyembunyian siapa yang bertransaksi.
  • Enkripsi saat disimpan (at rest) — mengenkripsi data yang tersimpan melindunginya dari akses tidak sah tetapi tidak menangani privasi selama komputasi. Komputasi pelindung privasi berarti data tetap terlindungi saat sedang diproses.
  • Kepemilikan data — mengontrol siapa yang memiliki akses ke data berkaitan dengan privasi, tetapi merupakan urusan tata kelola dan kontrol akses, bukan urusan komputasi.

Pertanyaan yang sering diajukan

Apa perbedaan antara privasi dan kerahasiaan dalam kripto AI?

Dalam praktiknya, kedua istilah sering digunakan bergantian. Secara ketat, privasi mengacu pada hak atau kemampuan mengontrol informasi apa yang diungkapkan, sedangkan kerahasiaan mengacu pada kewajiban atau mekanisme yang mencegah pengungkapan tidak sah. Dalam kripto AI, confidential computing (menjalankan komputasi di lingkungan terlindungi) adalah mekanisme yang mencapai tujuan privasi. Ketika sebuah proyek menyebut "confidential inference," biasanya yang dimaksud adalah inferensi berjalan di lingkungan (seperti TEE) yang melindungi data — ini adalah implementasi spesifik dari tujuan privasi yang lebih luas.

Bisakah model AI bersifat privat di blockchain publik?

Komputasi AI itu sendiri tidak berjalan di blockchain — ia berjalan di infrastruktur komputasi off-chain. Blockchain mencatat bukti, atestasi, atau hasil. Privasi dicapai di lapisan komputasi (menggunakan TEE, ZK, atau teknik lain), bukan di lapisan blockchain. Blockchain dapat memverifikasi bahwa komputasi privat dilakukan dengan benar (melalui bukti ZK atau atestasi TEE) tanpa melihat data di baliknya. Catatan on-chain bersifat publik; komputasi dan data di baliknya dapat tetap privat.

Pendekatan privasi mana yang terbaik untuk AI?

Tidak ada satu pendekatan terbaik — masing-masing memiliki kompromi. TEE menawarkan kinerja praktis untuk beban kerja nyata tetapi bergantung pada asumsi kepercayaan perangkat keras. Bukti ZK memberikan jaminan matematis trustless tetapi mahal secara komputasi dan terbatas pada model yang lebih kecil. MPC memungkinkan komputasi bersama tanpa berbagi input tetapi memerlukan koordinasi antarpihak. Sebagian besar sistem produksi saat ini menggunakan TEE untuk inferensi rahasia, dengan bukti ZK digunakan secara selektif untuk verifikasi bernilai tinggi. Pilihannya bergantung pada model ancaman, kebutuhan kinerja, dan sensitivitas data yang terlibat.

Apakah privasi memperlambat inferensi AI?

Tergantung mekanismenya. Inferensi berbasis TEE berjalan dengan kecepatan mendekati native — isolasi perangkat keras menimbulkan overhead minimal. Verifikasi berbasis ZK menambahkan overhead signifikan pada pembuatan bukti (berkali-kali lipat lebih lambat daripada inferensi biasa), meskipun verifikasinya cepat. MPC dan HE sama-sama menimbulkan biaya komputasi besar. Dalam praktiknya, proyek memilih mekanisme privasi yang menyeimbangkan jaminan privasi yang dibutuhkan dengan kinerja yang dapat diterima untuk kasus penggunaannya.

Referensi eksternal

Lihat juga

No comments to display

Back to top