A carga computacional aumenta significativamente nos casos de uso da Gen AI, onde os modelos precisam ser processados em grandes conjuntos de dados. Por exemplo, treinar um modelo simples de aprendizado de máquina em dados criptografados de forma semelhante pode levar muito mais tempo do que o treinamento normal.
Este desafio é agravado por esquemas de criptografia como Cheon-Kim-Kim-Song (CKKS) ou Brakerski/Fan-VerCauteren (BFV), que precisam lidar com questões como acúmulo de ruído e bootstrapping, especialmente em casos que envolvem computação profunda, como neural inferência. .
Os esforços para reduzir esses requisitos de computação incluem o desenvolvimento de bibliotecas avançadas, como HElib da IBM, Microsoft SEAL e PALISADE, que visam reduzir os tempos de processamento refinando algoritmos de criptografia e métodos de implementação. A pesquisa também se concentra em métodos híbridos, como a combinação de criptografia homomórfica com criptografia leve, como AES, para equilibrar segurança e velocidade.
Essas inovações visam tornar a criptografia homomórfica mais eficiente em aplicações do mundo real, mas escalá-la para os cenários mais exigentes da geração de IA continua sendo um obstáculo significativo. Se forem eficazes, poderão levar a adoção da Gen AI a níveis sem precedentes.
