Zama Concrete ML：简化 Python 机器学习的同态加密
Zama 创建开源工具，将完全同态加密 (FHE) 带给区块链和人工智能开发人员。FHE 是一种加密技术，允许在加密数据上进行计算，而无需解密或访问私钥。这种方法在需要强大隐私保护的行业中非常宝贵，例如医疗保健、金融、广告和国防。FHE 不仅确保了将机器学习任务外包到云端的信任，而且还促进了多方之间的协作分析，同时在整个过程中保持数据的安全和私密性。
Concrete ML：一个具有经典 API 的用户友好的 Python 包
为了简化 FHE 的采用，其中涉及复杂且资源密集的技术堆栈，我们开发了简化 FHE 集成到应用程序中的工具。由于 Python 是构建机器学习 (ML) 应用程序的事实标准，因此在 Python 中创建一个开源 FHE 库是一个显而易见的选择。该库具有与熟悉的 ML 库非常相似的 API，使其易于机器学习从业人员使用。
对于经典的机器学习模型，我们从 scikit-learn 的 API 中汲取了灵感，scikit-learn 是一个领先的 ML 库，支持多种模型，包括线性模型、决策树和随机森林。
对于深度学习模型，我们决定通过 ONNX 这个机器学习互操作性的开放标准来支持 PyTorch。
最后，对于 DataFrames，Concrete ML 从 pandas 中汲取了灵感。
使用 Concrete ML 构建
我们的 ML 框架 和 FHE 编译器 都是开源的。最近，外部开发人员使用我们的库构建了令人兴奋的 FHE 应用程序，例如 Shazam 的加密版本，其中歌曲在与数据库匹配之前进行加密，以及 加密的 DNA 祖先分析解决方案，该解决方案在整个过程中保持 DNA 的加密状态。
准备好开始使用 FHE 构建了吗？
- 阅读 Concrete ML 文档
- 探索 全面的教程和演示
关于作者
Andrei Stoian 博士是 Zama 机器学习团队的负责人。他在此职位上的主要职责是监督 Concrete ML 的开发，Concrete ML 是 Zama 基于完全同态加密的隐私保护机器学习工具包。过去，Andrei 致力于嵌入式系统上用于视频分析和卫星图像处理的机器学习工具和算法。Andrei 合著了 20 多篇关于机器学习应用的论文，并拥有多项专利。
Benoit Chevallier-Mames 担任 Zama 的云和机器学习副总裁。他在密码学研究和安全实施方面花费了 20 多年，涉及侧信道安全、可证明安全、白盒密码学和完全同态加密等广泛领域。Benoit 合著了 15 多篇同行评审论文，并且是 50 多项专利的合著者。他拥有巴黎高等师范学院/巴黎大学的博士学位和 CentraleSupelec 的硕士学位。