컨피덴셜 컴퓨팅을 사용하면 민감한 정보에 대해 공동작업하고, AI 모델을 학습시키고, 제휴 학습 워크로드를 실행하는 동시에 메모리에서 데이터를 암호화된 상태로 유지할 수 있습니다. 이 문서에서는 Google Cloud에서 컨피덴셜 분석, AI, 제휴 학습을 위한 업계 사용 사례와 참조 아키텍처를 설명합니다.
사용 사례
다음 섹션에서는 다양한 산업에서의 컨피덴셜 컴퓨팅 사용 사례를 보여줍니다.
의료 및 생명과학
컨피덴셜 컴퓨팅은 환자 개인 정보를 보호하면서도 조직 간 안전한 데이터 공유와 분석을 가능하게 합니다. 컨피덴셜 컴퓨팅을 통해 의료 기관은 공동 연구, 질병 모델링, 신약 개발, 개인 맞춤형 치료 계획에 참여할 수 있습니다.
다음 표에서는 의료 분야에서 컨피덴셜 컴퓨팅의 몇 가지 사용 사례를 보여줍니다.
| 사용 사례 | 설명 |
|---|---|
| 질병 예측 및 조기 발견 | 병원은 제휴 학습 모델을 학습시켜 의료 영상 데이터(예: 여러 병원 또는 병원 지역에서 수집된 MRI 스캔, CT 스캔)를 기반으로 암 병변을 탐지하면서도 환자 기밀성을 유지할 수 있습니다. |
| 실시간 환자 모니터링 | 의료 서비스 제공업체는 웨어러블 의료 기기와 모바일 건강 앱에서 수집한 데이터를 분석해 실시간 모니터링과 알림을 제공합니다. 예를 들어 웨어러블 기기가 혈당 수치, 신체 활동, 식습관 데이터를 수집하여 맞춤 추천과 혈당 변동에 대한 조기 경고를 제공합니다. |
| 협업 신약 개발 및 임상 시험 | 제약 회사와 연구 병원은 임상 시험 데이터, 게놈 시퀀스, 분자 구조를 풀링하여 치료법을 발견하고 약물 상호작용을 모델링합니다. |
| 자율적인 임상 문서 및 의료 스크립트 작성 | AI 어시스턴트는 임상의와 환자의 대화를 캡처하여 임상 요약을 작성하고, 전자 건강 기록(EHR)을 업데이트하고, 청구 코드를 제안합니다. |
| 다기관 의료 AI 평가 및 벤치마킹 | 의료 기관과 연구 컨소시엄은 원시 임상 데이터를 이동하거나 노출하지 않고도 전 세계의 다양한 환자 집단을 대상으로 독점 진단 모델을 검증합니다. |
금융 서비스
컨피덴셜 컴퓨팅은 금융 기관이 더 안전하고 복원력이 뛰어난 금융 시스템을 구축할 수 있도록 지원합니다.
다음 표에서는 금융 서비스 분야에서 컨피덴셜 컴퓨팅의 몇 가지 사용 사례를 보여줍니다.
| 사용 사례 | 설명 |
|---|---|
| 사기 감지 및 자금 세탁 방지(AML) | 여러 금융 기관이 민감한 거래 흐름과 사기 지표를 공유하여 머신러닝 모델을 학습시키거나 분석 에이전트를 배포합니다. 수집된 데이터를 사용하면 기관은 경쟁업체에 고객 계좌 번호나 독점 거래 기록을 공개하지 않고도 국경 간 자금 세탁 조직과 결제 사기를 감지할 수 있습니다. |
| 신용 위험 평가 및 인수 | 대출 기관은 민감한 비전통적 금융 데이터(예: 실시간 공과금 결제)를 외부 당사자에게 노출하지 않고 분석하여 상업 또는 소매 신용 신청을 평가합니다. 신뢰할 수 있는 실행 환경(TEE)에서 자동화된 인수 에이전트를 실행하면 평가 중에 신청자의 재무 기록과 은행의 독점 리스크 스코어링 알고리즘을 격리할 수 있습니다. |
| 자동화된 재무 분석 및 규제 보고 | 자율 AI 에이전트가 내부 기업 원장, 투자 포트폴리오, 미공개 중요 정보(MNPI)를 검색하여 실사 메모, 감사 보고서, 규제 서류를 준비합니다. |
공공 부문
컨피덴셜 컴퓨팅은 정부가 데이터에 대한 통제권과 주권을 유지하면서도 더 투명하고 효율적이며 효과적인 서비스를 제공할 수 있도록 지원합니다.
다음 표에서는 공공 부문에서 컨피덴셜 컴퓨팅의 몇 가지 사용 사례를 보여줍니다.
| 사용 사례 | 설명 |
|---|---|
| 다중 기관 컨피덴셜 분석 | 컨피덴셜 컴퓨팅은 여러 정부 기관(예: 보건, 세무, 교육) 간이나 지역 또는 국가 간 여러 정부 기관 간의 다자간 데이터 분석을 가능하게 합니다. 컨피덴셜 컴퓨팅은 신뢰 경계와 데이터 개인 정보 보호를 보장하면서도 데이터 손실 방지(DLP), 대규모 분석, 정책 엔진을 활용한 데이터 분석과 AI 학습 및 서빙을 지원합니다. |
| 기관 간 조사 분석 및 인텔리전스 공유 | 별도의 정부 기관(예: 세무, 법 집행, 관세 기관)이 Confidential Space를 사용하여 공동 데이터 분석을 수행합니다. 기관은 관할권 경계를 넘어 원시 기밀 데이터베이스를 공유하지 않고도 세금 신고, 여행 명단, 재무 기록을 교차 참조하여 사기 또는 국가 안보 위협을 식별할 수 있습니다. |
| 디지털 신원 및 시민 자격 증명 확인 | 공공 기관 및 Identity Platform은 시민의 개인 정보를 저장하거나 노출하지 않고 공식 생체 인식 여권과 국가 ID를 확인합니다. 시민은 특정 속성(예: 국적, 거주지, 연령 자격)을 암호화 방식으로 증명할 수 있으며, 원시 여권 데이터와 생체 인식 서명은 메모리에 암호화된 상태로 유지되고 증명 생성 후 삭제됩니다. |
공급망
컨피덴셜 컴퓨팅은 공급망과 지속 가능성 프로그램을 관리하는 조직이 데이터 개인 정보 보호를 유지하면서도 협업하고 인사이트를 공유할 수 있도록 지원합니다.
다음 표에서는 공급망 분야에서 컨피덴셜 컴퓨팅의 몇 가지 사용 사례를 보여줍니다.
| 사용 사례 | 설명 |
|---|---|
| 자율적인 다자간 물류 및 배송 조정 | 조직은 자율 AI 에이전트를 배포하여 운송 중단 시 외부 운송업체와 배송비 요율을 협상하고, 컨테이너 인계를 조정하고, 화물 경로를 변경합니다. 컨피덴셜 VM 인스턴스 내에서 이러한 물류 에이전트를 실행하면 활성 배송 명세서, 운송업체 가격 책정 계약, 운송업체 API 사용자 인증 정보가 메모리에서 다른 클라우드 테넌트에 노출되지 않도록 보호할 수 있습니다. |
| 실시간 공급망 이상 감지 및 경로 최적화 | AI 에이전트는 실시간 원격 분석(예: GPS 운송 로그, 창고 게이트 센서, 날씨 알림)을 처리하여 배송 경로를 최적화합니다. Confidential Space 내에서 이 민감한 운영 원격 분석을 처리하면 제조업체와 유통업체는 독점적인 공장 용량이나 병목 현상 취약점을 외부에 노출하지 않고도 자동화된 경로 변경 알고리즘을 실행할 수 있습니다. |
| 자동화된 통관 규정 준수 및 무역 문서 | AI 에이전트는 고가치 상업 인보이스, 선하증권, 세관 신고서를 처리하여 국경 규정 준수를 자동화합니다. 이러한 문서 파싱 에이전트를 TEE 내에 격리하면 민감한 영업 비밀을 추출하고 세관 데이터베이스와 비교하여 확인하는 동안 보호할 수 있습니다. |
디지털 광고
디지털 광고는 서드 파티 쿠키를 사용하는 대신 TEE를 사용하여 광고 회사가 안전한 환경에서 데이터를 처리할 수 있도록 지원하는 개인 정보 보호 강화 대안을 점점 더 많이 사용하고 있습니다. 예를 들어 Google Ads는 컨피덴셜 컴퓨팅을 사용하여 캠페인을 실행할 때 퍼스트 파티 데이터를 보호합니다.
다음은 디지털 광고에서 TEE를 활용할 수 있는 사례입니다.
- 매칭 알고리즘: 데이터 세트 내에서 상관 관계 또는 대응 관계를 찾습니다.
- 기여 분석: 효과 또는 이벤트를 해당 원인에 연결합니다.
- 집계: 원시 데이터에서 요약값 또는 통계치를 계산합니다.
참조 아키텍처
다음 사용 사례를 해결하기 위해 Google Cloud 에서 컨피덴셜 컴퓨팅을 구현할 수 있습니다.
- 컨피덴셜 분석
- 컨피덴셜 AI
- 컨피덴셜 제휴 학습
다음 섹션에서는 금융 및 의료 기업을 포함한 다양한 사용 사례에 대한 예시와 함께, 이러한 사용 사례를 위한 아키텍처에 대해 자세히 설명합니다.
의료 기관을 위한 컨피덴셜 분석 아키텍처
이 컨피덴셜 분석 아키텍처는 여러 의료 기관(예: 의료 서비스 제공자, 바이오 제약사, 연구 기관)이 협력하여 신약 연구를 가속화하는 방법을 보여줍니다. 이 아키텍처는 컨피덴셜 컴퓨팅 기술을 활용해 디지털 데이터 클린룸을 구축하고, 그 안에서 컨피덴셜 협업 분석을 실행합니다.
이 아키텍처의 주요 이점은 다음과 같습니다.
- 향상된 인사이트: 공동 분석을 통해 의료 기관은 더 폭넓은 인사이트를 확보하고, 신약 개발에 필요한 TTM(time to market) 시간을 단축할 수 있습니다.
- 데이터 개인 정보 보호: 민감한 환자 및 임상 시험 데이터는 전송 중, 저장 중, 메모리에서 암호화된 상태로 유지되며 다른 참여자나 클라우드 제공업체에 일반 텍스트로 노출되지 않습니다.
- 규제 준수: 이 아키텍처는 의료 기관이 데이터 보호 규정을 준수할 수 있도록 데이터에 대한 엄격한 통제를 유지합니다.
- 신뢰와 협업: 경쟁 관계에 있는 기관들 간에도 안전한 협업을 가능하게 하여, 신약 발견을 위한 공동 노력을 촉진합니다.
다음 다이어그램은 이 아키텍처를 보여줍니다.
이 아키텍처의 주요 구성요소는 다음과 같습니다.
- Confidential Space 워크로드(TEE): TEE 내의 데이터와 코드가 기본 운영체제나 클라우드 제공업체조차 접근할 수 없도록 보호되는 안전하고 격리된 환경입니다.
- 협업 파트너: 참여하는 각 의료 기관은 자체 로컬 환경을 가지고 있으며, 이는 기관의 비공개 데이터와 TEE 사이의 중개자 역할을 합니다.
- 기관별 암호화된 데이터: 각 의료 기관은 전자건강기록을 포함하여 자체적으로 암호화된 환자 데이터를 보관합니다. 각 제공업체는 TEE 워크로드의 증명 주장을 검증한 후에만 TEE에 데이터(및 복호화 키 액세스 권한)를 공개합니다. 데이터는 처리 중에 증명된 TEE 내에서만 복호화되며 메모리에서 암호화된 상태로 유지됩니다.
- 분석 클라이언트: 참여 의료 기관은 컨피덴셜 쿼리를 실행하여 자사 데이터에 대해 인사이트를 얻을 수 있습니다.
금융 기관을 위한 컨피덴셜 AI 아키텍처
이 아키텍처 패턴은 금융 기관이 민감한 거래 데이터의 기밀성을 유지하면서 사기 라벨을 활용해 사기 탐지 모델을 공동 학습하는 방법을 보여줍니다. 이 아키텍처는 컨피덴셜 컴퓨팅 기법을 사용하여 안전한 다자간 머신러닝을 가능하게 합니다.
이 아키텍처의 주요 이점은 다음과 같습니다.
- 향상된 사기 탐지: 공동 학습은 더 크고 다양한 데이터 세트를 활용하므로, 더 정확하고 효과적인 사기 탐지 모델을 구축할 수 있습니다.
- 데이터 개인 정보 보호: 민감한 거래 데이터는 전송 중, 저장 중, 메모리에서 암호화된 상태로 유지되며 다른 참여자나 클라우드 제공업체에 일반 텍스트로 노출되지 않습니다.
- 규제 준수: 이 아키텍처는 금융 기관이 데이터 보호 규정을 준수할 수 있도록 데이터에 대한 엄격한 통제를 유지합니다.
- 신뢰와 협업: 경쟁 관계에 있는 기관들 간에도 안전한 협업을 가능하게 하여, 금융 사기를 방지하기 위한 공동 노력을 촉진합니다.
다음 다이어그램은 이 아키텍처를 보여줍니다.
이 아키텍처의 주요 구성요소는 다음과 같습니다.
- Confidential Space 워크로드(TEE): TEE 내의 데이터와 코드가 기본 운영체제나 클라우드 제공업체조차 접근할 수 없도록 보호되는 안전하고 격리된 환경입니다.
- 협업 파트너: 참여하는 각 금융 기관은 자체 로컬 환경을 가지고 있으며, 이는 기관의 비공개 데이터와 TEE 사이의 중개자 역할을 합니다.
- 은행별 암호화된 데이터: 각 은행은 사기 라벨을 포함한 자체 비공개 암호화 거래 데이터를 보관합니다. 각 은행은 TEE 워크로드의 증명 검증이 완료된 후에만 TEE에 데이터(및 복호화 키 액세스 권한)를 전송합니다. 데이터는 처리 중에 증명된 TEE 내에서만 복호화되고 메모리에서 암호화된 상태로 유지됩니다.
- 독점 모델 저장소: 공동 학습의 시작점이 되는 사전 학습된 사기 탐지 모델을 보관합니다.
- 전역 사기 탐지 학습 모델 및 가중치(TEE에서 각 은행으로 향하는 녹색 화살표로 표시): 개선된 사기 탐지 모델과 학습된 가중치가 참여 은행으로 안전하게 다시 전달됩니다. 각 은행은 이 향상된 모델을 자사 환경에서 배포하여 자체 거래에 대한 사기 탐지를 수행할 수 있습니다.
금융 기관을 위한 컨피덴셜 제휴 학습 아키텍처
제휴 학습은 엄격한 데이터 개인 정보 보호와 데이터 주권을 중시하는 고객을 위한 고급 솔루션을 제공합니다. 컨피덴셜 제휴 학습 아키텍처는 AI 애플리케이션에서 데이터를 활용하기 위한 안전하고 확장 가능하며 효율적인 방식을 제공합니다. 이 아키텍처는 데이터를 한 곳에 중앙 집중화하지 않고 데이터가 저장된 위치로 모델을 이동시켜 학습함으로써 데이터 유출과 관련된 위험을 줄입니다.
이 아키텍처 패턴은 여러 금융 기관이 사기 라벨을 포함한 민감한 거래 데이터의 기밀성을 유지하면서 사기 탐지 모델을 공동 학습하는 방법을 보여줍니다. 이때 제휴 학습과 컨피덴셜 컴퓨팅 기술을 함께 활용하여 학습 데이터의 이동 없이 안전한 다자간 머신러닝을 가능하게 합니다.
이 아키텍처의 주요 이점은 다음과 같습니다.
- 향상된 데이터 개인 정보 보호 및 보안: 제휴 학습은 민감한 정보를 각 기관에 그대로 유지하여 데이터 개인 정보 보호와 데이터 현지 보존을 실현합니다. 또한 금융 기관은 동형 암호화와 개인 정보 차등 보호 필터와 같은 개인 정보 보호 필터와 같은 개인 정보 보호 기법을 활용하여 모델 가중치와 같이 전송되는 데이터까지 추가적으로 보호할 수 있습니다.
- 정확성과 다양성 향상: 서로 다른 고객의 다양한 데이터 소스를 활용해 학습함으로써, 금융 기관은 이질적인 데이터 세트를 더 잘 반영하는 강력하고 일반화 가능한 전역 모델을 개발할 수 있습니다.
- 확장성 및 네트워크 효율성: 에지에서 학습을 수행할 수 있는 능력을 통해 기관들은 전 세계적으로 제휴 학습을 확장할 수 있습니다. 또한 전체 데이터 세트가 아니라 모델 가중치만 전송하면 되므로 기관들이 네트워크 리소스를 효율적으로 활용할 수 있습니다.
다음 다이어그램은 이 아키텍처를 보여줍니다.
이 아키텍처의 주요 구성요소는 다음과 같습니다.
- TEE 클러스터 내 제휴 서버: 안전하고 격리된 환경에서 제휴 학습 서버가 여러 클라이언트의 협업을 조율합니다. 서버는 먼저 초기 모델을 제휴 학습 클라이언트에 배포합니다. 클라이언트는 로컬 데이터 세트로 학습을 수행한 후 모델 업데이트를 다시 제휴 학습 서버로 전송합니다. 서버는 이 업데이트들을 집계하여 전역 모델을 형성합니다.
- 제휴 학습 모델 저장소: 제휴 학습의 출발점이 되는 사전 학습된 사기 탐지 모델을 보관합니다.
- 로컬 애플리케이션 추론 엔진: 이 애플리케이션은 로컬 데이터 세트로 작업을 실행하고, 로컬 연산 및 학습을 수행한 후, 결과를 제휴 학습 서버에 제출하여 안전한 집계에 참여합니다.
- 로컬 비공개 데이터: 각 은행은 사기 라벨을 포함한 자체 비공개 암호화 거래 데이터를 보관합니다. 이 원시 데이터는 은행의 로컬 환경을 벗어나지 않으므로 데이터 개인 정보 보호에 도움이 됩니다.
- 보안 집계 프로토콜(각 은행에서 TEE 클러스터로 향하는 파란색 점선 화살표로 표시): 제휴 학습 서버는 개별 은행의 업데이트에 직접 액세스할 필요가 없습니다. 서버는 무작위로 선택된 은행(또는 사이트) 하위 집합으로부터 업데이트 벡터의 요소별 가중 평균만을 요구합니다. 보안 집계 프로토콜을 사용하여 이러한 가중 평균을 계산하면 서버는 특정 은행이 특정 업데이트에 기여한 것이 아니라 선택한 하위 집합에서 집계된 모델 업데이트만 학습합니다. 이 접근 방식은 제휴 학습 프로세스에서 각 참여자의 개인 정보를 보호하는 데 도움이 됩니다.
- 전역 사기 탐지 학습 모델 및 집계된 가중치(TEE 클러스터에서 각 은행으로 향하는 녹색 화살표로 표시): 개선된 사기 탐지 모델과 학습된 가중치가 참여 은행으로 안전하게 다시 전달됩니다. 각 은행은 이 향상된 모델을 자사 환경에서 배포하여 자체 거래에 대한 사기 탐지를 수행할 수 있습니다.
다음 단계
- 사용자 환경에서 컨피덴셜 컴퓨팅 및 Confidential Space 구현
- Google Cloud의 컨피덴셜 컴퓨팅 기본사항 자세히 알아보기
- Confidential Space에서 ML 모델을 보호하는 방법 알아보기
- MedPerf 및 Google Cloud를 사용한 개인 정보 보호 우선 의료 AI에 대해 알아보세요.
- 차세대 컨피덴셜 AI의 동력에 대해 알아보세요.