@Walrus 🦭/acc
Integracja Walrus i Seal oznacza olbrzymi przeskok w sposobie obsługi wrażliwych informacji w uczeniu maszynowym. Ta architektura zapewnia, że prywatność pozostaje zachowana przez cały cykl życia pipeline'u AI.
Dane są szyfrowane w miejscu pochodzenia przed zapisaniem jako chronione obiekty na Walrus. Gdy rozpoczyna się zadanie treningowe, Seal pobiera określone zaszyfrowane fragmenty do bezpiecznego enclave, gdzie deszyfrowanie odbywa się wyłącznie podczas aktywnej obliczeń. Ponieważ gradienty są ponownie szyfrowane przed opuszczeniem środowiska, system eliminuje potrzebę centralnego zaufanego operatora.
Ten rozproszony podejście usuwa tradycyjny kompromis między użytecznością danych a bezpieczeństwem użytkownika. Deweloperzy mogą teraz tworzyć potężne modele, jednocześnie gwarantując, że dane surowe pozostają niedostępne dla stron trzecich przez cały czas.
