Oggigiorno le aziende vogliono sfruttare appieno il machine learning per ottenere insight preziosi, ma sono sempre più vincolate da normative sulla privacy e da preoccupazioni legate alla esposizione di dati sensibili. In risposta a queste esigenze, abbiamo ideato HEDEL: Homomorphically Encrypted Distributed Ensemble Learning.
Questa nuova architettura, basata su crittografia omomorfica e apprendimento distribuito, permette l’addestramento di modelli di machine learning direttamente su dati cifrati, senza mai accedere ai dati in chiaro. E lo fa in modo efficiente, sicuro e collaborativo. Il lavoro scientifico (paper) basato su HEDEL è stato accettato dal comitato scientifico per essere presentato alla 2025 International Joint Conference on Neural Networks(IJCNN), che si terrà a Roma dal 30 Giugno al 5 Luglio 2025.
Cosa rende HEDEL speciale?
HEDEL combina due tecnologie chiave:
Transfer Learning: Cioè adattare un modello già allenato a dati nuovi. Riduce drasticamente il costo computazionale del training, poiché richiede solo poche epoche per raggiungere alte prestazioni.
Multi-Key Homomorphic Encryption (MKHE): consente a più partecipanti di condividere dati e modelli cifrati mantenendo un controllo rigoroso sull'accesso e sull'utilizzo. Ogni partecipante, infatti, può fermare l’uso dei dati/modelli che condivide quando vuole.
La combinazione di queste tecniche non era mai stata proposta prima in letteratura, e rappresenta un importante traguardo scientifico raggiunto da Dhiria.
Perché le aziende dovrebbero interessarsi a HEDEL?
HEDEL è progettato per scenari in cui più attori vogliono collaborare senza però voler esporre dati sensibili. La collaborazione è fondamentale specialmente quando si hanno pochi dati a disposizione, in questi casi la collaborazione garantisce di avere abbastanza dati per ottenere predizioni di qualità.
Vediamo alcune applicazioni concrete:
1. Settore Sanitario: diagnosi predittiva collaborativa
Un ospedale può allenare un modello predittivo utilizzando i dati cifrati dei propri pazienti, per poi combinarlo con modelli forniti da altre cliniche (anch’essi cifrati). Nessuna struttura condivide i dati in chiaro, ma tutti beneficiano di un modello globale più accurato. Perfetto per scenari di ricerca clinica multi-centro o cooperazione pubblico-privato.
2. Banche e Fintech: rilevamento frodi a prova di privacy
Immagina più istituti bancari che collaborano per rilevare attività sospette. Con HEDEL, possono allenare un sistema antifrode combinando le proprie competenze (modelli) e i dati cifrati dei clienti, senza mai condividere informazioni sensibili. Un vantaggio importante in questo caso è anche la protezione della proprietà intellettuale dei modelli antifrode, che non sono accessibili apertamente da tutti ma solo fino a che c’è il consenso attivo di ogni partecipante.
3. Industria Manifatturiera: manutenzione predittiva federata
Diversi fornitori di impianti industriali possono condividere modelli predittivi per identificare guasti e anomalie nei macchinari, mentre i dati raccolti in fabbrica restano cifrati e riservati. Questo approccio potenzia l’intelligenza collettiva del settore, riducendo i tempi di fermo macchina per tutti senza compromettere la riservatezza.
HEDEL rappresenta una svolta nel modo in cui pensiamo al machine learning in contesti sensibili. Abilita nuove forme di collaborazione tra aziende, garantendo al contempo:
massimo rispetto della privacy
protezione della proprietà intellettuale
buona accuratezza predittiva
Se la vostra azienda lavora con dati sensibili e cerca soluzioni per sfruttare al massimo il machine learning senza compromessi sulla sicurezza, HEDEL è una tecnologia da sfruttare.
