Kerangka Orion dari NYU Tandon Memungkinkan AI Berlatih pada Data Terenkripsi Tanpa Perlu Mendekripsinya

Bayangkan sebuah rumah sakit yang memasukkan rekam medis pasien ke dalam model diagnostik AI, dan model tersebut tidak pernah sekalipun melihat data aslinya. Bukan versi yang disunting, bukan pengganti sintetis: rekam medis yang sesungguhnya dan bersifat sensitif, diproses dalam kondisi terenkripsi sepenuhnya, menghasilkan hasil yang akurat tanpa satu byte pun data teks biasa pernah menyentuh lapisan komputasi. Ini bukan sekadar khayalan dari daftar keinginan para peneliti. Inilah yang berhasil didemonstrasikan oleh NYU Tandon School of Engineering melalui sebuah kerangka kerja bernama Orion, dan implikasinya bagi setiap industri yang menjalankan AI pada data yang secara hukum tidak boleh diekspos sangatlah besar.

Apa yang Sebenarnya Dilakukan Orion (dan Mengapa Ini Sangat Sulit)

Teknik yang menjadi inti dari penelitian ini adalah fully homomorphic encryption, atau FHE. Konsep ini sudah ada selama beberapa dekade dalam teori kriptografi: teknik ini memungkinkan komputasi dilakukan langsung pada data yang terenkripsi, sehingga hasilnya, ketika didekripsi, sama persis dengan hasil yang akan diperoleh jika komputasi dilakukan pada versi teks biasa. Masalahnya selalu terletak pada kecepatan. Seperti yang pernah dilaporkan oleh IEEE Spectrum mengenai perkembangan penelitian FHE, teknologi ini secara historis ribuan kali lebih lambat dari yang dibutuhkan untuk penerapan praktis, dan itulah tepatnya mengapa teknologi ini masih berada di dalam laboratorium penelitian, bukan digunakan dalam sistem produksi nyata.

Orion adalah jawaban tim NYU Tandon atas hambatan performa tersebut. Mahasiswa doktoral Austin Ebel dan Karthik Garimella, bekerja bersama Asisten Profesor Brandon Reagen, membangun sebuah kerangka kerja yang memungkinkan komputasi jaringan saraf yang aman tanpa mengorbankan akurasi, menurut NYU Tandon School of Engineering. Demonstrasi utamanya sungguh mengesankan: para peneliti berhasil menjalankan deteksi objek FHE beresolusi tinggi pertama sepanjang sejarah menggunakan YOLO-v1, sebuah model deep learning dengan 139 juta parameter. Menjalankan model sebesar itu di bawah enkripsi homomorfik penuh, tanpa menurunkan kualitas output, adalah jenis hasil yang mengangkat FHE dari sekadar keingintahuan teoretis menjadi alat rekayasa yang benar-benar mungkin diwujudkan.

"Terobosan enkripsi ini meletakkan fondasi bagi model AI yang menjaga privasi. Kerangka kerja AI baru memungkinkan komputasi jaringan saraf yang aman tanpa mengorbankan akurasi." (NYU Tandon School of Engineering)

Karya tim ini meraih penghargaan Best Paper di ASPLOS 2025 di Rotterdam, salah satu ajang arsitektur sistem paling bergengsi dalam ilmu komputer, sebuah pengakuan yang diumumkan secara publik oleh Senior Vice Provost for Research NYU, Juan J. de Pablo, pada 3 April 2025. Best Paper di ASPLOS bukan sekadar penghargaan partisipasi. Artinya, komunitas riset sistem, yaitu para orang yang membangun tumpukan perangkat keras dan perangkat lunak yang menjadi fondasi segalanya, telah menilai karya ini dan memutuskan bahwa ia benar-benar membuat perbedaan.

Mengapa Ini Penting bagi Industri yang Diregulasi Saat Ini

Masalah privasi dalam AI produksi bukanlah sesuatu yang abstrak. Organisasi layanan kesehatan yang tunduk pada HIPAA, lembaga keuangan yang menavigasi GLBA dan jaringan regulasi tingkat negara bagian yang semakin kompleks, serta perusahaan mana pun yang menangani data pribadi di bawah GDPR menghadapi ketegangan struktural: model AI yang paling berguna membutuhkan volume besar data pelatihan yang sensitif, tetapi mengekspos data tersebut ke dalam jalur pelatihan menciptakan tanggung jawab hukum dan keamanan.

Solusi alternatif yang umum digunakan, seperti anonimisasi, differential privacy, dan federated learning, masing-masing melibatkan kompromi pada utilitas data atau akurasi model. FHE, jika dapat dibuat cukup cepat, menghilangkan ketegangan tersebut sepenuhnya. Data tidak pernah meninggalkan kondisi enkripsinya, sehingga pertanyaan tentang kepatuhan berubah dari "bagaimana kita melindungi data selama pemrosesan" menjadi "kita tidak pernah memproses data yang tidak terenkripsi sejak awal." Itu adalah postur kepatuhan yang benar-benar berbeda, dan para regulator semakin tertarik pada kontrol teknis yang memberikan jaminan kriptografis, bukan sekadar janji kebijakan.

Teknik AI yang menjaga privasi termasuk FHE sudah mulai dijelajahi di berbagai sektor di mana sensitivitas data tidak dapat dikompromikan, menurut gambaran umum pendekatan AI yang menjaga privasi dari XenonStack. Kesenjangan antara "sedang dijelajahi" dan "diterapkan dalam produksi" secara historis disebabkan oleh masalah performa. Demonstrasi 139 juta parameter milik Orion tidak menutup kesenjangan itu dalam semalam, tetapi ia menggambar ulang batas dari apa yang kini bisa dilakukan.

Masalah Infrastruktur yang Akan Datang Berikutnya

Sebuah demonstrasi kerangka kerja, seberapa pun impresifnya, bukanlah sebuah ekosistem infrastruktur. Di sinilah pekerjaan paralel tim NYU Tandon menjadi relevan. Institusi yang sama memimpin sebuah inisiatif terpisah yang didanai oleh hibah sebesar 3,8 juta dolar dari National Science Foundation, bekerja sama dengan Stanford University dan City University of New York, untuk membangun alat desain perangkat keras sumber terbuka bagi komputasi yang menjaga privasi di bawah sebuah platform bernama Cryptolets, menurut pengumuman proyek dari NYU Tandon.

Premis Cryptolets sangat langsung: teknologi komputasi kriptografis paling canggih saat ini terjebak di laboratorium penelitian oleh satu hambatan kritis, yaitu ribuan kali terlalu lambat untuk penggunaan sehari-hari. Proyek yang didanai NSF ini bertujuan membangun infrastruktur yang selama ini hilang, khususnya alat desain di tingkat perangkat keras, yang dapat membuat teknologi tersebut praktis pada skala besar.

Dilihat secara bersamaan, Orion dan Cryptolets mewakili dua lapisan dari ambisi yang sama: membuktikan bahwa komputasi bekerja pada skala yang bermakna, lalu membangun perangkat di tingkat chip untuk membuatnya cukup cepat agar bisa dijalankan di luar lingkungan penelitian.

"Teknologi komputasi kriptografis paling canggih saat ini, yang memungkinkan komputasi yang menjaga privasi, terjebak di laboratorium penelitian oleh satu hambatan kritis: ribuan kali terlalu lambat untuk penggunaan sehari-hari." (NYU Tandon School of Engineering)

Bagi para pelajar yang sedang membangun karier di bidang keamanan AI, rekayasa privasi, atau teknologi kepatuhan, inilah batas terdepan yang layak untuk terus diperhatikan. Masalah rekayasa yang menarik di sini berada di persimpangan kriptografi, arsitektur komputer, dan sistem machine learning: tepat seperti wilayah lintas disiplin yang menghasilkan pekerjaan yang benar-benar menantang sekaligus benar-benar berharga.

Apa Artinya Ini Bagi Kamu

Jika kamu sedang mempelajari AI, keamanan, atau keduanya, Orion adalah studi kasus yang berguna untuk memahami seperti apa rekayasa privasi yang sesungguhnya. Ini bukan kebijakan privasi. Ini bukan centang pada formulir kepatuhan. Ini adalah jaminan kriptografis yang ditegakkan di tingkat matematis, artinya seorang penyerang yang mencegat komputasi tidak akan mendapatkan apa pun yang berguna, karena data tersebut tidak pernah didekripsi sejak awal.

Perbedaan itu sangatlah penting seiring dengan semakin cepatnya adopsi AI di layanan kesehatan, keuangan, dan domain mana pun di mana data yang mendasarinya memiliki perlindungan hukum. Bagi para pelajar di bidang-bidang ini, kesimpulan praktisnya adalah sebagai berikut: alat-alat untuk AI yang menjaga privasi berkembang lebih cepat daripada kurikulum yang mengajarkannya. FHE, komputasi multi-pihak yang aman, dan differential privacy bukan lagi sekadar topik akademis murni. Mereka sedang menjadi persyaratan rekayasa, dan institusi yang menghasilkan para praktisi yang memahaminya memiliki keunggulan yang signifikan.

Karya Orion dari NYU Tandon, yang dipresentasikan di ASPLOS 2025 dan didukung oleh pendanaan infrastruktur NSF, adalah sinyal bahwa bidang ini sedang bergerak dari teori menuju sistem nyata. Langkah berikutnya adalah mengamati apakah perangkat keras dari Cryptolets dapat membawa performa FHE cukup mendekati inferensi konvensional untuk menjadikannya standar yang realistis bagi penerapan pada data sensitif, bukan sekadar bukti konsep. Itulah perkembangan yang layak terus diikuti seiring matangnya penelitian ini.