Dimensione e quota del mercato del calcolo per il miglioramento della privacy, per tecnologia (crittografia omomorfa, ambienti di esecuzione affidabili, calcolo multipartitico, privacy differenziale, archivi di dati personali); Tipo; Uso finale: analisi della domanda e dell'offerta globale, previsioni di crescita, rapporto statistico 2025-2037

Il mercato dei calcoli per il miglioramento della privacy: fattori di crescita e sfide

Fattori di crescita

• Crescente adozione della PEC nei servizi finanziari: le aziende del settore bancario, insieme a quello assicurativo e sanitario, stanno adottando tecnologie di calcolo che migliorano la privacy per sviluppare transazioni sicure, sistemi di prevenzione delle frodi e meccanismi di scambio di dati. Il calcolo multipartitico sicuro consente a diverse entità di lavorare insieme su progetti di analisi dei dati mantenendo privati ​​i dati di input per soddisfare i requisiti di privacy dei dati e gli standard legali di protezione dei dati. L'utilizzo di SMPC consente agli istituti finanziari di condurre analisi congiunte dei modelli di frode tra le organizzazioni e di proteggere la privacy dei dati dei clienti, migliorando quindi le loro capacità di rilevamento senza compromettere la riservatezza.
  
  Molte istituzioni, tra cui ABN MRO Bank e Rabobank, stanno implementando il sistema antiriciclaggio creato con SMPC, in cui il sistema di punteggio distribuisce le valutazioni dei conti alle reti di transazione, consentendo alle banche di trovare transazioni sconosciute senza violare gli standard sulla privacy. La propagazione dei punteggi di rischio sta favorendo la precisione di rilevamento delle attività sospette mantenendo il tasso di richiamo a tassi significativi, riducendo così significativamente i falsi positivi. Lo sviluppo evidenzia il potenziale dei calcoli multilaterali sicuri per potenziare le misure di sicurezza dei dati nei campi per la gestione delle informazioni sensibili.
   
• Espansione di AI e ML nelle esigenze di privacy: un numero crescente di tecnologie di intelligenza artificiale e machine learning dipende da big dataset contenenti dettagli personali e informazioni sensibili, a causa del loro continuo progresso. Fare affidamento su questo aspetto evidenzia il potenziale delle tecnologie di miglioramento della privacy, inclusa la privacy differenziale e l’apprendimento federato, che rappresentano necessità vitali. Tali PET stanno aiutando le organizzazioni a produrre modelli di formazione sull’intelligenza artificiale per proteggere le informazioni sulla privacy personale e per rendere le organizzazioni più affidabili, promuovendo quindi una più ampia diffusione del sistema di intelligenza artificiale. Anche le istituzioni governative stanno sfruttando i PET per la gestione della privacy dei dati. Ad esempio, nel giugno 2024, la National Science Foundation degli Stati Uniti ha avviato il programma di condivisione pratica dei dati per preservare la privacy. PDaSP è un'iniziativa che mira a commercializzare rapidamente i PET attraverso implementazioni pratiche per migliorare le capacità di condivisione sicura dei dati in diversi settori.
  
  Le organizzazioni tecnologiche stanno creando quadri di intelligenza artificiale innovativi che preservano la privacy e si stanno concentrando sullo sviluppo di approcci di apprendimento federati che consentano a modelli di intelligenza artificiale addestrati di operare in diverse posizioni di set di dati senza esporre il contenuto reale dei dati. Tecnologie come la crittografia omomorfica e il calcolo multipartitico sicuro consentono il continuo sviluppo della sicurezza dei dati e consentono alle aziende di ridurre al minimo i problemi normativi e creare applicazioni avanzate basate sull’intelligenza artificiale per l’assistenza sanitaria, i servizi finanziari e le organizzazioni aziendali. Le aziende che implementano il PET stanno acquisendo vantaggi strategici grazie agli insight dell'intelligenza artificiale che proteggono la privacy degli utenti per sviluppare una base digitale più protetta.

Sfide

• Complessità nell'integrazione con i sistemi esistenti: l'integrazione di soluzioni di calcolo che migliorano la privacy con l'infrastruttura IT esistente richiede passaggi complessi e dispendiosi in termini di risorse. Le organizzazioni moderne mantengono sistemi informativi legacy che non possono funzionare in modo efficiente con le imminenti tecnologie di tutela della privacy, compreso l’apprendimento federato. L'installazione di questi sistemi richiede importanti modifiche del sistema e conoscenze specialistiche insieme a procedure di test approfondite, causando ritardi operativi e aumentando i costi totali. Le aziende hanno difficoltà ad adottare la PEC poiché trovano difficile ottenere un'integrazione fluida tra questi sistemi e gli attuali framework di elaborazione dei dati, anche se desiderano mantenere stabilità ed efficienza invece di aggiungere funzionalità di privacy.
   
• Compromesso tra privacy e prestazioni: la crittografia completamente omomorfica (FHE), così come altre tecniche di calcolo che migliorano la privacy come ambienti di esecuzione attendibili e computazione multi-party, stanno offrendo una solida sicurezza attraverso operazioni su informazioni crittografate. FHE impone notevoli limitazioni prestazionali in quanto richiede un'enorme potenza di elaborazione e ampie risorse di memoria per funzionare. Quando implementati in FHE, i requisiti computazionali diventano elevati e i metodi tradizionali di analisi dei dati si dimostrano significativamente più veloci. I tempi necessari per l'elaborazione tramite tecnologie PEC possono rendere questo metodo inutilizzabile in situazioni che richiedono funzionalità in tempo reale, come frequenti operazioni di mercato e sistemi di rilevamento delle frodi. Molte organizzazioni focalizzate sulla performance stanno evitando di adottare la PEC a causa delle limitazioni di integrazione nei loro settori.