Confidential computing i erhvervslivet
Den mest oplagte anvendelse er AI på følsomme data. Virksomheder, der vil bruge generativ AI på kundedata, patientjournaler eller finansielle transaktioner, har brug for garanti for, at data ikke eksponeres under behandlingen. Confidential computing leverer den garanti på hardwareniveau.
I finanssektoren bruger banker teknologien til fælles fraud detection uden at dele rådata med hinanden. Flere institutioner kan træne en fælles AI-model i en TEE, hvor ingen enkelt part kan se de andres data. Resultatet er bedre modeller uden compliance-risiko.
Sundhedssektoren er et andet kerneområde. Hospitaler og forskningsinstitutioner kan samarbejde om AI-drevne analyser af patientdata på tværs af organisationer, uden at bryde GDPR eller patientfortrolighed. Det accelererer forskning i lægemiddeludvikling og personlig behandling markant.
For virksomheder, der opererer under EU AI Act, tilbyder confidential computing en konkret teknisk mekanisme til at dokumentere databeskyttelse i højrisiko AI-systemer. Det er ikke bare god praksis, men en vej til at opfylde regulatoriske krav.
Endelig er der IP-beskyttelse. AI-modeller repræsenterer betydelige investeringer, og under inferens er modelparametre potentielt synlige for den, der hoster modellen. Confidential computing beskytter både inputdata og selve modellen, hvilket gør det muligt at tilbyde AI-as-a-Service uden at eksponere forretningskritisk IP.
Hvad confidential computing ikke er
Confidential computing er ikke en erstatning for kryptering af data i hvile eller under transport. Det er det tredje lag i en komplet krypteringsstrategi. Uden de to andre lag er data stadig sårbar, når den opbevares eller overføres. Virksomheder skal tænke det som end-to-end-kryptering, hvor confidential computing dækker den del, der hidtil har været ubeskyttet.
Det er heller ikke en universalløsning for datasikkerhed. Confidential computing beskytter data under behandling, men det forhindrer ikke fejl i selve applikationen, dårlig adgangsstyring eller social engineering. Det er ét element i en bredere sikkerhedsarkitektur, der også inkluderer AI compliance, logging og overvågning.
Endelig bør man ikke forveksle confidential computing med federated learning. Begge teknologier handler om at beskytte data i samarbejdsscenarier, men de løser problemet forskelligt. Federated learning holder data lokalt og deler kun modelopdateringer. Confidential computing tillader, at data samles og behandles centralt, men i et hardwarebeskyttet miljø. De to tilgange supplerer hinanden og kombineres ofte i praksis.
