0
0
A Enveil lançou sua nova solução de treinamento criptografado, ZeroReveal ML Encrypted Training (ZMET).
O produto pronto para empresas estende o limite da computação confiável, permitindo o aprendizado federado criptografado e o uso seguro de conjuntos de dados diferentes e descentralizados para aplicativos de aprendizado de máquina.
Projetado para abordar pontos problemáticos específicos do cliente, o ZMET permite que as organizações treinem modelos com capacidade criptografada, garantindo que o processo de desenvolvimento do modelo, o próprio modelo e os interesses de todas as partes envolvidas permaneçam protegidos. A expansão do produto, uma extensão do pacote de soluções de aprendizado de máquina da Enveil, vem logo após o anúncio de financiamento da Série B de US$ 25 milhões da empresa.
A ascensão da economia digital está impulsionando uma ampla necessidade do mercado de abranger silos de dados globais e extrair insights por meio do uso de dados seguros e privados, análises e aprendizado de máquina. As soluções ZeroReveal da Enveil capacitam essa transformação digital, mudando o paradigma de como e onde as organizações podem alavancar dados para desbloquear valor.
Um relatório recente do Gartner “Innovation Insight for Federated Machine Learning”, que reconhece a Enveil como um Provedor Representante, destaca esse impulso do mercado: “Até 2025, 80% das maiores organizações globais terão participado pelo menos uma vez do aprendizado de máquina federado (FedML) para criar modelos mais precisos, seguros e ambientalmente sustentáveis” (março de 2022).
“O cenário de negócios digital de hoje exige soluções que expandam o alcance de uma organização sem sacrificar a privacidade ou a segurança”, disse o Dr. Ellison Anne Williams, fundadora e CEO da Enveil. “Ao garantir que os modelos sejam treinados com segurança – e que o próprio modelo e seus resultados associados permaneçam criptografados – o ZeroReveal Machine Learning permite que as organizações aproveitem o ML para obter insights de fontes de dados de forma segura em silos, jurisdições ou limites, mesmo quando usam modelos altamente sensíveis ou dados de treinamento.”
O ZMET utiliza avanços em Tecnologias de Melhoria da Privacidade, ou seja, Computação Multipartidária Segura (SMPC), para modelos de treinamento em uma capacidade criptografada. Este processo de treinamento criptografado permite o aprendizado federado seguro, protegendo o processo de desenvolvimento do modelo, os dados usados para o treinamento, bem como os interesses e intenções das partes envolvidas.
As organizações podem alavancar com confiança dados confidenciais e/ou modelos de ML durante o treinamento sem risco de exposição, oferecendo modelos aprimorados que podem ser usados com mais precisão para obter insights e agregar valor. Os modelos podem ser treinados usando fontes de dados em todos os domínios de segurança e limites organizacionais sem o risco de exposição não intencional.
“Estamos orgulhosos de ser os primeiros em nossa categoria a fornecer um produto de treinamento criptografado com uma postura de segurança concreta e verificável: a ZMET está oferecendo uma capacidade incomparável de obter insights de dados sem a necessidade de confiar em outras partes durante a computação”, disse o Dr. Ryan Carr, Diretor de Tecnologia da Enveil. “Esses recursos de treinamento de aprendizado de máquina que preservam a privacidade são baseados nas necessidades de nossos clientes, projetados para superar obstáculos e agregar valor comercial e de missão para os casos de uso de ML e ciência de dados hoje.”
Em sua essência, o ZeroReveal Machine Learning é um sistema de software de camada proxy de duas partes que permite avaliação e treinamento descentralizados e distribuídos de modelos de aprendizado de máquina criptografados em vários conjuntos de dados. O Enveil protege o conteúdo do modelo de pesquisa, análise ou aprendizado de máquina – e seus resultados correspondentes.
A abordagem descentralizada da empresa permite que os dados sejam alavancados com segurança entre as entidades e em todos os limites organizacionais, jurisdicionais e de segurança, expandindo a utilidade de dados sem a necessidade de mover ou reunir ativos sensíveis.
FONTE: HELPNET SECURITY