NYU Tandon का Orion Framework AI को बिना डेटा डिक्रिप्ट किए एन्क्रिप्टेड डेटा पर ट्रेन करने देता है

कल्पना कीजिए एक अस्पताल मरीज़ों के रिकॉर्ड किसी AI डायग्नोस्टिक मॉडल को दे रहा है, और वह मॉडल कभी भी असली डेटा को देखता तक नहीं। कोई संपादित वर्शन नहीं, कोई कृत्रिम विकल्प नहीं: असली, संवेदनशील रिकॉर्ड, पूरी तरह एन्क्रिप्टेड अवस्था में प्रोसेस होते हैं, सटीक नतीजे देते हैं, और कम्प्यूट लेयर तक एक भी बाइट प्लेनटेक्स्ट नहीं पहुँचता। यह किसी रिसर्च की इच्छा-सूची की काल्पनिक बात नहीं है। यही वह काम है जो NYU Tandon School of Engineering ने Orion नाम के एक फ्रेमवर्क के ज़रिए साबित किया है, और इसके निहितार्थ उन सभी उद्योगों के लिए बेहद महत्वपूर्ण हैं जो ऐसे डेटा पर AI चलाते हैं जिसे वे कानूनी रूप से उजागर नहीं कर सकते।

Orion असल में क्या करता है (और यह कठिन क्यों है)

इस काम के केंद्र में जो तकनीक है, उसे Fully Homomorphic Encryption यानी FHE कहते हैं। यह अवधारणा क्रिप्टोग्राफिक सिद्धांत में दशकों से मौजूद है: यह एन्क्रिप्टेड डेटा पर सीधे गणनाएँ करने की अनुमति देती है, ताकि परिणाम, जब डिक्रिप्ट किया जाए, वही हो जो प्लेनटेक्स्ट पर गणना करने से मिलता। समस्या हमेशा गति की रही है। जैसा कि IEEE Spectrum ने FHE रिसर्च की यात्रा पर रिपोर्ट किया है, यह तकनीक ऐतिहासिक रूप से व्यावहारिक उपयोग के लिए हज़ारों गुना धीमी रही है, और यही कारण है कि यह रिसर्च लैब्स के भीतर रही, न कि प्रोडक्शन सिस्टम में।

Orion इसी परफॉर्मेंस की दीवार का NYU Tandon टीम का जवाब है। PhD छात्र Austin Ebel और Karthik Garimella ने Assistant Professor Brandon Reagen के साथ मिलकर एक ऐसा फ्रेमवर्क बनाया जो सटीकता से समझौता किए बिना सुरक्षित न्यूरल नेटवर्क कम्प्यूटेशन को संभव बनाता है, जैसा कि NYU Tandon School of Engineering ने बताया। मुख्य प्रदर्शन काफी चौंकाने वाला है: शोधकर्ताओं ने YOLO-v1 का उपयोग करके पहली बार उच्च-रिज़ॉल्यूशन FHE ऑब्जेक्ट डिटेक्शन रन हासिल किया, जो 139 मिलियन पैरामीटर वाला एक डीप लर्निंग मॉडल है। पूर्ण होमोमॉर्फिक एन्क्रिप्शन के तहत इतने बड़े पैमाने का मॉडल चलाना, बिना आउटपुट को खराब किए, एक ऐसा नतीजा है जो FHE को सैद्धांतिक जिज्ञासा से व्यावहारिक इंजीनियरिंग टूल की ओर ले जाता है।

"एन्क्रिप्शन की यह सफलता प्राइवेसी-प्रिज़र्विंग AI मॉडल के लिए आधार तैयार करती है। नया AI फ्रेमवर्क सटीकता से समझौता किए बिना सुरक्षित न्यूरल नेटवर्क कम्प्यूटेशन को संभव बनाता है।" (NYU Tandon School of Engineering)

टीम के इस काम को Rotterdam में ASPLOS 2025 में Best Paper पुरस्कार मिला, जो कंप्यूटर साइंस में सबसे प्रतिस्पर्धी सिस्टम्स आर्किटेक्चर वेन्यू में से एक है। इस मान्यता का सार्वजनिक उल्लेख NYU के Senior Vice Provost for Research Juan J. de Pablo ने 3 अप्रैल 2025 को किया। ASPLOS में Best Paper कोई साधारण उपलब्धि नहीं है। इसका अर्थ है कि सिस्टम्स रिसर्च समुदाय, यानी वे लोग जो सब कुछ चलाने वाले हार्डवेयर और सॉफ्टवेयर स्टैक बनाते हैं, ने इस काम को देखा और तय किया कि इसने वास्तव में कुछ बदला है।

अभी नियमित उद्योगों के लिए यह क्यों मायने रखता है

प्रोडक्शन AI में प्राइवेसी की समस्या कोई अमूर्त विषय नहीं है। HIPAA के अधीन स्वास्थ्य सेवा संगठन, GLBA और राज्य-स्तरीय नियमों के जटिल जाल से गुज़रती वित्तीय संस्थाएँ, और GDPR के तहत व्यक्तिगत डेटा संभालने वाले सभी उद्यम एक बुनियादी तनाव का सामना करते हैं: सबसे उपयोगी AI मॉडलों के लिए संवेदनशील ट्रेनिंग डेटा की बड़ी मात्रा चाहिए, लेकिन उस डेटा को ट्रेनिंग पाइपलाइन के सामने रखना कानूनी और सुरक्षा जोखिम पैदा करता है।

मानक उपाय, जैसे अनामीकरण, डिफरेंशियल प्राइवेसी, और फेडरेटेड लर्निंग, प्रत्येक में डेटा उपयोगिता या मॉडल सटीकता में से किसी एक में समझौता शामिल है। FHE, अगर इसे पर्याप्त तेज़ बनाया जा सके, तो इस तनाव को पूरी तरह समाप्त कर देती है। डेटा कभी अपनी एन्क्रिप्टेड अवस्था नहीं छोड़ता, इसलिए अनुपालन का प्रश्न "प्रोसेसिंग के दौरान डेटा को कैसे सुरक्षित रखें" से बदलकर "हमने पहले से ही अनएन्क्रिप्टेड डेटा प्रोसेस नहीं किया" हो जाता है।

यह वास्तव में एक अलग अनुपालन स्थिति है, और नियामक तेज़ी से ऐसे तकनीकी नियंत्रणों में रुचि ले रहे हैं जो नीतिगत वादों की बजाय क्रिप्टोग्राफिक गारंटी देते हैं। XenonStack की प्राइवेसी-प्रिज़र्विंग AI दृष्टिकोणों की समीक्षा के अनुसार, FHE सहित प्राइवेसी-प्रिज़र्विंग AI तकनीकें उन क्षेत्रों में पहले से ही खोजी जा रही हैं जहाँ डेटा संवेदनशीलता पर कोई समझौता नहीं किया जा सकता। "खोजी जा रही हैं" और "प्रोडक्शन में तैनात" के बीच का अंतर ऐतिहासिक रूप से परफॉर्मेंस की समस्या रहा है। Orion का 139-मिलियन-पैरामीटर प्रदर्शन इस अंतर को रात भर में नहीं भरता, लेकिन यह ज़रूर फिर से परिभाषित करता है कि क्या संभव है।

आगे आने वाली इन्फ्रास्ट्रक्चर समस्या

एक फ्रेमवर्क प्रदर्शन, चाहे कितना भी प्रभावशाली हो, एक इन्फ्रास्ट्रक्चर इकोसिस्टम नहीं है। यहीं पर NYU Tandon टीम का समानांतर काम प्रासंगिक हो जाता है। NYU Tandon की परियोजना की घोषणा के अनुसार, वही संस्था Stanford University और City University of New York के सहयोग से National Science Foundation के 3.8 मिलियन डॉलर के अनुदान से वित्त पोषित एक अलग पहल का नेतृत्व कर रही है, जिसका उद्देश्य Cryptolets नाम के प्लेटफॉर्म के तहत प्राइवेसी-प्रिज़र्विंग कम्प्यूटेशन के लिए ओपन-सोर्स हार्डवेयर डिज़ाइन टूल बनाना है।

Cryptolets का आधार सीधा है: आज की सबसे उन्नत क्रिप्टोग्राफिक कम्प्यूटिंग तकनीकें एक महत्वपूर्ण बाधा के कारण रिसर्च लैब्स में बंद हैं, वे रोज़मर्रा के उपयोग के लिए हज़ारों गुना धीमी हैं। NSF-वित्त पोषित परियोजना उस लापता इन्फ्रास्ट्रक्चर को बनाने का लक्ष्य रखती है, विशेष रूप से हार्डवेयर-स्तरीय डिज़ाइन टूल, जो उन तकनीकों को बड़े पैमाने पर व्यावहारिक बना सके।

"आज की सबसे उन्नत क्रिप्टोग्राफिक कम्प्यूटिंग तकनीकें, जो प्राइवेसी-प्रिज़र्विंग कम्प्यूटेशन को सक्षम बनाती हैं, एक महत्वपूर्ण बाधा के कारण रिसर्च लैब्स में बंद हैं: वे रोज़मर्रा के उपयोग के लिए हज़ारों गुना धीमी हैं।" (NYU Tandon School of Engineering)

मिलकर देखें तो Orion और Cryptolets एक ही महत्वाकांक्षा की दो परतें हैं: यह साबित करें कि कम्प्यूटेशन सार्थक पैमाने पर काम करती है, फिर चिप-स्तरीय टूलिंग बनाएँ जो इसे रिसर्च वातावरण के बाहर तेज़ी से चला सके।

AI सुरक्षा, प्राइवेसी इंजीनियरिंग, या कंप्लायंस टेक्नोलॉजी में करियर बनाने वाले सीखने वालों के लिए, यही वह क्षेत्र है जिसे देखना ज़रूरी है। यहाँ की दिलचस्प इंजीनियरिंग समस्याएँ क्रिप्टोग्राफी, कंप्यूटर आर्किटेक्चर, और मशीन लर्निंग सिस्टम्स के चौराहे पर बैठती हैं: ठीक वैसा अंतर-विषयक क्षेत्र जो वास्तव में कठिन और वास्तव में संतोषजनक काम पैदा करता है।

इसका आपके लिए वास्तव में क्या अर्थ है

यदि आप AI, सुरक्षा, या दोनों पढ़ रहे हैं, तो Orion एक उपयोगी केस स्टडी है कि वास्तविक प्राइवेसी इंजीनियरिंग कैसी दिखती है। यह कोई प्राइवेसी पॉलिसी नहीं है। यह किसी कंप्लायंस फॉर्म पर चेकबॉक्स नहीं है। यह गणितीय स्तर पर लागू की गई क्रिप्टोग्राफिक गारंटी है, जिसका अर्थ है कि कम्प्यूटेशन को इंटरसेप्ट करने वाले हमलावर को कुछ भी उपयोगी नहीं मिलता, क्योंकि डेटा को शुरू से ही डिक्रिप्ट नहीं किया गया था।

जैसे-जैसे स्वास्थ्य सेवा, वित्त, और उन क्षेत्रों में AI अपनाना तेज़ हो रहा है जहाँ अंतर्निहित डेटा कानूनी सुरक्षा वहन करता है, यह अंतर बेहद महत्वपूर्ण है। इन क्षेत्रों में सीखने वालों के लिए व्यावहारिक निष्कर्ष यह है: प्राइवेसी-प्रिज़र्विंग AI के टूल उन पाठ्यक्रमों की तुलना में तेज़ी से परिपक्व हो रहे हैं जो उन्हें पढ़ाते हैं। FHE, सिक्योर मल्टी-पार्टी कम्प्यूटेशन, और डिफरेंशियल प्राइवेसी अब केवल शैक्षणिक विषय नहीं रहे। ये इंजीनियरिंग आवश्यकताएँ बनती जा रही हैं, और जो संस्थाएँ ऐसे प्रैक्टिशनर तैयार करती हैं जो इन्हें समझते हैं, उनका महत्वपूर्ण फायदा है।

ASPLOS 2025 में प्रस्तुत और NSF इन्फ्रास्ट्रक्चर फंडिंग द्वारा समर्थित NYU Tandon का Orion काम इस संकेत है कि क्षेत्र सिद्धांत से सिस्टम्स की ओर बढ़ रहा है। अगला कदम यह देखना है कि क्या Cryptolets की हार्डवेयर टूलिंग FHE परफॉर्मेंस को पारंपरिक इन्फरेंस के काफी करीब ला सकती है ताकि यह संवेदनशील तैनाती के लिए एक यथार्थवादी डिफ़ॉल्ट बन सके, न कि महज एक प्रूफ ऑफ कॉन्सेप्ट। जैसे-जैसे यह रिसर्च परिपक्व होती है, यही वह विकास है जिसे ट्रैक करना ज़रूरी है।