Անվտանգ բազմակողմանի հաշվարկով AI՝ գաղտնի vendor‑ների հարցագրման պատասխանների համար

Ներածություն

Անվտանգության հարցագրերը համարվում են B2B SaaS պայմանագրերըարգելանա: Նրանք պահանջում են մանրամասն տեղեկատվություն՝ ենթակառուցվածքի, տվյալների մշակման, միջանկյալ պատասխանի և համաձայնության կառավարման մասին: Vendor‑ները պետք է պատասխանեն տասնյակներով նմանատիպ հարցագրերին քառամյակում, յուրաքանչյուրից պահանջելով ապացուցներ, որոնք կարող են պարունակել զգայուն ներքին տվյալներ՝ ենթակառուցվածքի նկարագրություն, առաջնագրված մուտքագրման տվյալներ կամ սեփական պրոցեսների նկարագրություններ:

Ավանդական AI‑ով շարժված ավտոմատացումը, ինչպիսին է Procurize AI Engine, զգալիորեն արագացնում է պատասխանի ստեղծումը, բայց սովորաբար պահանջում է կենտրոնացված հասք «ավուր» աղբյուրային նյութին: Դեռ այդկենտրոնացումը ստեղծում է երկու հիմնական ռիսկերը.

1. Տվյալների утечки – Եթե AI մոդելն կամ ներքևի պահվածքը դաժանավորվի, գաղտնի ընկերության տեղեկությունները կարող են բացահայտվել:
2. Կանոնադրամների չհամաձայնություն – Կանոններ, ինչպիսիք են GDPR, CCPA և առաջադեմ տվյալների‑սովեիրութեանս մոտեցումները, սահմանում են, թե որտեղ և ինչպես կարելի է մշակել անհատական կամ սեփական տվյալները:

Մուտքի Secure Multiparty Computation (SMPC)‑ը—կրիպտոգրադսական պրոտոկոլ, որը թույլատրում է մի քանի կողմերը համատեղ հաշվարկել ֆունկցիա՝ պահպանելով յուրաքանչյուրը սեփական տվյալները լուրը: SMPC‑ը գեներացիոն AI‑ի հետ միացրելով, մենք կարող ենք արտածել ճշգրիտ, աուդիտվող հարցագրման պատասխաններ` առանց երբեւէ անբայերը «բացվածք» ուղութեամբ բացահայտելու:

Այս հոդվածը քննարկում է տեխնիկական հիմքերը, պրակտիկ ներդրման քայլերը և բիզनेस‑ուսանալի արդյունքները Secure‑SMPC‑AI շղթայով, ձևավորված Procurize հարթակի համար:

Կարևոր միտում. SMPC‑ով կապված AI-ն ապահովում է ավտոմատացման արագությունը և զրո‑գծերի գաղտնիության ապահովում, փոփոխում է SaaS‑ին-iṣẹքների մոտեցումը անվտանգություն հարցագրման հարցերին:

1. Secure Multiparty Computation-ի հիմունքները

Secure Multiparty Computation թույլատրում է մասնակիցների բազմությունից, ում յուրաքանչյուրը ունի անձնական ինպուտ, հաշվարկել համընդհանուր ֆունկցիա f, համաձայն՝

• ճշտություն – Բոլոր կողմերը ստանում են ճիշտ արդյունք f(x₁, x₂, …, xₙ):
• գաղտնիություն – Ոչ մի կողմ սովորում իր խաղչի մասին ոչինչ, բացի այն, որ պետք է շարունակվի արդյունքից:

SMPC‑ի պրոտոկոլները բաժանվում են երկու գլխավոր տեսակների՝

Մեր իրավիճակում – տեքստի հանարից, սեմանտիկ համեմատություն և ապացուցների համադրման – առավելագույնով է հավելյալ գաղտնի բաժանումը, որովհետև այն արդյունավետորեն կառավարում է բարձր չափի վեկտորների հաշվարկները, օգտագործելով ժամանակակից MPC շրջանակները, ինչպիսիք են MP‑SPDZ, CrypTen կամ Scale‑MPC:

2. Ճարտարապետության ընդհանուր տեսապատկերը

Ստորև ներկայացված է Mermaid‑դիագրամ, որը ցույց է տալիս SMPC‑ով մնացած AI-ի ամբողջական ընթացքը Procurize-ում.

  graph TD
    A["Data Owner (Company)"] -->|Encrypt & Share| B["SMPC Node 1 (AI Compute)"]
    A -->|Encrypt & Share| C["SMPC Node 2 (Policy Store)"]
    A -->|Encrypt & Share| D["SMPC Node 3 (Audit Ledger)"]
    B -->|Secure Vector Ops| E["LLM Inference (Encrypted)"]
    C -->|Policy Retrieval| E
    D -->|Proof Generation| F["Zero‑Knowledge Audit Proof"]
    E -->|Encrypted Answer| G["Answer Aggregator"]
    G -->|Revealed Answer| H["Vendor Questionnaire UI"]
    F -->|Audit Trail| H

Բաղադրամասերի բացատրություն

• Data Owner (Company) – Տիրողը պահում է սեփական փաստաթղթեր (SOC 2 հաշվետվություններ, ենթակառուցվածքի նկարագրություններ): Գրանցման առաջ միակողմանի գաղտնի‑բաժանում կատարում է, պահպանում լուծված հատվածները SMPC‑նոդների միջև:
• SMPC Nodes – Անհանգիստ կերպով հաշվարկում են բաժինների վրա: Նոդ 1 կատարում է LLM‑հաշվարկ (օր. Llama‑2) ը՝ կոդավորված. Նոդ 2 պահպանում է պոլիսի գիտելիքի գրաֆ (ISO 27001 կառավարման)՝ նաև գաղտնի բաժիններով: Նոդ 3 պահպանել անճիշտ ստուգված հաշվետվություն (բլոկչեյն կամ append‑only log)՝ չբացահայտում գործառելի տվյալները:
• LLM Inference (Encrypted) – մոդելը ստանում է կոդավորված վեկտորներ, արտադրում է կոդավորված պատասխանների վեկտորներ և վերադարձնում է դրանք հավաքչուն:
• Answer Aggregator – միշտ վերակազմավորում է բացատուող պատասխանը միայն երբ ամբողջ հաշվարկն ավարտված է, այնպես, որ միջանկյալ գծի լողանցում չկա:
• Zero‑Knowledge Audit Proof – Նոդ 3 ստեղծում է կռիվ‑ներկայացնում ապացույց, որ ցուցադրում է, որ պատասխանը ստացվել է նշված պոլիսի աղբյուրներից առանց նրանց բացահայտելու:

3. Անձակային աշխատանքային համակարգը

3.1 ներմուծում և գաղտնի‑բաժանում

1. Փաստաթղթների նորմալիզացիա – PDF‑ները, Word‑երը և կոդի հատվածները փոխանցվում են պարզ‑տեքստ և առաջադրվում են:
2. Վեկտորիզացիա – Խափամակիչ (օր. MiniLM) գեներացնում է խոշոր վեկտորներ յուրաքանչյուր պարբերության համար:
3. Աւարտածի գաղտնի‑բաժանում – Յուրաքանչյուր վեկտոր v բաժանվում է պատահական բաժիններով v₁, v₂, v₃, որներէ v = v₁ + v₂ + v₃ (mod p).
4. Բաշխում – Բաժինները ուղարկվում են TLS‑ով երեք SMPC‑նոդների:

3.2 պոլիսի կոնտեքստի ապահով հետքբ retrieving

• Պոլիսի գիտելիքի գրաֆը (կառավարման հատկանիշները, քարտեզը ստանդարտների հետ) բաժանված է անցնող հատվածների վրա:
• Երբ հարցագրություն (օր. “Նկարագրեք տվյալների հանգստի գաղտնիությունը”) կապում է, համակարգը օգտագործում է անհատական սեթ‑հատուկացում՝ տեղաչափում համապատասխան պոլիսի պարբերություններ՝ բացահայտելով ամբողջ գրաֆը:

3.3 կոդավորված LLM‑հաշվարկ

• Կոդավորված ներմուծված վեկտորները և հանված պոլիսի վեկտորները ուղարկվում են պրիվատություն‑ուրարկելող տրանսֆորմեր, որոնք աշխատում են բաժինների վրա:
• FHE‑ընդունական attention և MPC‑օպտիմալ softmax ապահովում են առավելագույն հավանական պատասխանների շարադրությունը, առակավորվելով գաղտնի միջավայրում:

3.4 վերակազմավորում և աուդիտբանական ապացույց

• once the encrypted answer tokens are ready, the Answer Aggregator sums the shares և վերակազմավորում է բացի տեքստ:
• Simultaneously, Node 3 produces a Zero‑Knowledge SNARK՝ ապացույց, որ պատասխանը օգտագործել է ճիշտ պոլիսի հատվածները և չի վերաբերող raw data‑ի բացահայտմանը:

3.5 Արտածում օգտագործողին

• Վերջնական պատասխանը հայտնվում է Procurize UI‑ում՝ հավաքելով կարմրագիրը‑բինդ՝ ցույց տալու, որ պարզաբանումը ստուգված է:
• Սցնուուերի կարող են օգտագործելով հանրային ստուգիչը վճարել այդ բանալիի միջոցով, առանց պահանջի բացահայտված փաստաթղթեր.

4. Անհատական ապահովի երաշխիքները

5. Կատարողականի օրինակներ

Բարձրացում

• Batching – բազմաթիվ հարցագրման տարրերը միաժամանակ հաշվարկինուզարշում:
• Hybrid protocol – Գաղտնի բաժանումը օգտագործվում է տուլումական հաշվարկների համար, իսկ garbled circuits‑ը օգտագործվում է ոչ‑ծրագրային գործողությունների համար:
• Edge deployment – մեկ SMPC‑նոդը տեղադրվել է անխափան առերկում, ինչը նվազեցնում է արտաքին ամպի վրա վարկը:

6. Procurize‑ի հետ համակցում

Procurize‑ը արդեն պարունակում է.

• Document Repository – Համակարգված ինտերնետային պահոց ապահովագրված փաստաթղթեր համար:
• Questionnaire Builder – UI‑ը, որտեղ հնարավոր է հորինել, նշանակել և հետևել հարցագրումներին:
• AI Engine – Ֆին‑տյունված LLM, ինչը օգտագործվում է պատասխանների համար:

SMPC‑AI‑ին ներդնելու քայլերը.

1. SMPC‑Mode‑ը միացրեք – ადმინისტրատորը աջվածում է հարմարքի կարգավորումներում:
2. SMPC‑ նոդների առաջարկում – Դեպի Docker‑կոնտեյներները (Node 1‑3) տեղադրվեք procurize/smpc-node պատճենը: Կոնտեյները ինքնաբար գրանցում են համակարգի օրդերներին:
3. Պոլիսի գրաֆի սահմանում – Գերազանցումից առած պոլիսի քարտեզը JSON‑LD‑ով, համակարգը կարտածի կոդված և բաժանված տարբերակները:
4. Ասպառույթի ապացույցների կարգավորում – Տրամադրվի հասարակական ստուգիչ բանալի; UI‑ը ավտոմատ կերպով կցուցի ապացույցի պաթեները:
5. Անհրաժեշտ LLM‑ը սևծածկումը – Տրուալ տվյալների միացումն առանց‑բացահայտված, իսկ LLM‑ը բեռնում է Node 1‑ի sealed enclave (Intel SGX)՝ լրիվ գաղտնիության համար:

7. Իրական պրակտիկ օրինակը. FinTech‑ի Vendor‑գործադիրի քննություն

Կազմակերպություն – FinFlow, միջին չափանի FinTech SaaS‑սպասարք:

Խիստ խնդիր – Քարտագրված բանկային գործընկերները պահանջում էին դատական տվյալների‑կրկնության ամբողջական զեկույց: Բանական բանալիները և բանալինների կառավարումը որոշված են, և չեն կարող լինել երրորդ կողմի AI‑ում:

Այլընտրանք – FinFlow‑ն տեղադրեց SMPC‑AI‑նոդները՝ Node 1-ը Azure Confidential Compute‑ի VM‑ում, Node 2‑ը տեղակիրում, Node 3‑ը Hyperledger Fabric‑ի զուգպաշտում:

• Դոկումենտը (5 MB) գաղտնի‑բաժնված է SMPC‑նոդների միջև:
• Հարցագրման “Նկարագրեք բանալիների ռոտացիոն պլան” պատասխանը ամբողջացնում էր 4.2 վայրկյան՝ վերբերված ապացույցի հետ:
• Բանկի աուդիտորները հաստատեցին ապացույցը՝ ուղղակիորեն առանց տեսնել FinFlow‑ի անբանաքյոր պոլիսները:

Արդյունք – Աուդիտի ամբողջական ժամկետը 7 ցված քանի 2 ժամ դարձավ, ոչ մի «համապատասխանություն» չհայտնվեց:

8. Ապագա կողմերը

Եզրակացություն

Secure Multiparty Computation-ը, հարմարեցված գեներացիոն AI‑ի հետ, առաջարկում է գաղտնիության‑առաջին, աուդիտվող և չափսայնված լուծում անվտանգաթվական հարցագրման ավտոմատացման համար: Այն պարունակուում է երկու հիմնական պահանջով`

1. Արագություն – Պատասխանի միջամտների և գործների արագացում՝ պայմանագրերի անընդհատնությունը:
2. Անվտանգություն – Բաղկայական տվյալները երբեք չի թողում սեփական վերահսկողությունից՝ ռիսկի և կանոնների խախտումից պահպանում:
3. Վստահություն – Կրիպտոգրադսական ապացույցները թույլատրում են հաճախորդներին և աուդիտորներին համոզվել, որ պատասխանները ստեղծված են համապատասխանող պոլիսից՝ բացահայտումուող տվյալների բացահայտում շահագործելով:

SMPC‑AI‑ի ներածում Procurize-ում հնարավոր է դարձնի ըստակիչը՝ ակնկալված ուղիղ բեռնագոծժարդին, պահպանումս վերածյալ privacy‑ի բարձրագույն չափը, և նորաձևություն՝ բրուսում շուկայի կտրոնը:

Տես նաև

• Procurize Blog: AI‑Powered Compliance Integration Into CI/CD Workflows