تیمی از محققان موسسه فناوری ماساچوست (MIT) و آزمایشگاه هوش مصنوعی واتسون IBM-MIT، موفق به توسعه یک تراشه جدید شده‌اند که قابلیت‌های امنیتی برنامه‌های پایش سلامت را ارتقاء می‌بخشد.
به گزارش تکناک این تراشه‌های جدید که شتاب‌هنده یادگیری ماشین هستند، در راستای تأمین امنیت داده‌های استفاده‌کنندگان از ردیاب‌های سلامت، برنامه‌های تناسب اندام و دیگر دستگاه‌های هوشمند توسعه داده شده‌اند.
با بهره‌گیری از بهینه‌سازی‌های هوشمندانه، این تراشه‌ها قصد دارند حریم خصوصی داده‌های حساس کاربران را حفظ کنند. درضمن، به مدل‌های بزرگ هوش‌مصنوعی اجازه می‌دهند تا بدون اختلال در دستگاه‌ها اجرا شوند.
برنامه‌های پایش سلامت، ابزارهای قدرتمندِ ردیابیِ تناسب اندام را ارائه می‌دهند که به افراد در مدیریتِ بیماری‌های مزمن و اهدافِ سلامتی کمک می‌کند.. این برنامه‌ها برای عملکرد درست به مدل‌های یادگیری ماشین وابسته هستند؛ جایی که ارتباط دائمی بین تلفن و سرور مرکزی و تبادل گسترده داده‌ها رخ می‌دهد.
به‌دلیل این فرایند ارتباطی مداوم، چنین برنامه‌هایی سرعت دستگاه را کم و باتری آن را خالی می‌کنند، بنابراین، مهندسان اغلب از تراشه شتاب‌دهنده یادگیری ماشین استفاده می‌کنند. شتاب‌دهنده‌های یادگیری ماشین سخت‌افزار تخصصی هستند که این فرایند را سرعت می‌بخشند. با‌این‌حال، این سرعت‌دهنده‌ها دستگاه‌ها را در‌برابر نفوذ آسیب‌پذیر می‌کنند و این برنامه‌ها را در‌معرض سرقت داده‌ها قرار می‌دهند؛ زیرا هکرها می‌توانند اطلاعات حساس سلامتی و مالی را بدزدند.
بر‌اساس گزارش MIT، این تراشه شتاب‌دهنده یادگیری ماشین برای مقاومت در‌برابر رایج‌ترین انواع حملات طراحی شده است. این طراحی شامل چندین بهینه‌سازی هوشمند برای به‌حداکثر‌رساندن امنیت و در‌عین‌حال به‌حداقل‌رساندن تأثیر بر سرعت و دقت است. هدف این است که حریم خصوصی داده‌های حساس کاربران حفظ شود و در‌عین‌حال به مدل‌های بزرگ هوش مصنوعی اجازه دهد تا به‌طور یکپارچه روی دستگاه‌ها اجرا شوند.
کلید امنیت بیشتر ازطریق تراشه شتاب‌دهنده یادگیری ماشین جدید، در رویکردی سه‌بخشی نهفته است. ابتدا تراشه داده‌ها را به قطعات تصادفی تقسیم می‌کند. این کار از بازسازی اطلاعات معنی‌دار به‌وسیه هکرها ازطریق حملاتی که با نام «حملات کانال جانبی» شناخته می‌شوند، جلوگیری می‌کند. پس‌از‌آن، از رمزنگاری سبک برای رمزگذاری مدل هوش مصنوعی ذخیره‌شده در حافظه خارج از تراشه استفاده و حملات «حمله بررسی گذرگاه» را بی‌اثر می‌کند. در‌نهایت، کلید رمزگشایی منحصربه‌فردی بر‌اساس تغییرات کوچک‌ساخت، مستقیماً روی تراشه تولید و جعل آن برای هکرها تقریباً غیرممکن میشود.
محققان این تراشه جدید را زیر آزمایش‌های فشرده‌ای قرار دادند و حملات هک واقعی را شبیه‌سازی کردند. نتایج این آزمایش‌ها چشمگیر بود. حتی پس از میلیون‌ها بار تلاش، متخصصان نتوانستند اطلاعات خصوصی را بازیابی کنند. در‌مقابل، سرقت داده از تراشه بدون محافظت فقط چند لحظه طول کشید.
این پیشرفت پیامدهای کوتاه‌مدت و بلندمدت فراوانی دارد. در‌حالی‌که تمرکز کوتاه‌مدت روی برنامه‌های سلامتی است، تراشه شتاب‌دهنده یادگیری ماشین ایمن می‌تواند برنامه‌های هوش مصنوعی پرطرفدار مانند واقعیت افزوده و واقعیت مجازی یا رانندگی خودکار را با اولویت‌دادن به حفاظت از داده‌های کاربر پشتیبانی کنند. در آینده، محققان قصد دارند راه‌هایی برای به‌حداقل‌رساندن تأثیر انرژی و اندازه تراشه خود بیابند تا پیاده‌سازی گسترده آن را عملی‌تر کنند.
