კონფიდენციალური მანქანების სწავლება

1) მიზანი და მიზანი

კონფიდენციალური (კონფიდენციალური) ML არის მიდგომები, რომლებიც საშუალებას გაძლევთ ასწავლოთ და გამოიყენოთ მოდელები, შეამციროთ თავდაპირველი მონაცემების წვდომა და შეზღუდოთ გაჟონვა კონკრეტულ მომხმარებლებზე. IGaming- ისთვის ეს განსაკუთრებით მნიშვნელოვანია PII/ფინანსური მონაცემების, მარეგულირებლების (KYC/AML, RG), პარტნიორობის (თამაშების პროვაიდერების, PSP), აგრეთვე ტრანსსასაზღვრო მოთხოვნების გამო.

• შეამცირეთ გაჟონვის რისკი და მარეგულირებელი ჯარიმები.
• უზრუნველყოს თანამშრომლობა ბრენდებს/ბაზრებს შორის ნედლეული მონაცემების გაცვლის გარეშე.
• გააკეთეთ გასაგები და დამოწმებული „კონფიდენციალურობის ფასი“ ML- ში (მეტრიკა, SLO).

2) მუქარის მოდელი ML- ში

Model Inversion: მოდელისგან საწყისი მაგალითების/ატრიბუტების აღდგენის მცდელობა.
Membership Inference: განმარტება, მონაწილეობდა თუ არა ჩანაწერი ტრენინგში.
Data Leakage pline: logs/fichestors, დროებითი ფაილები, Snaphots.
Proxy/Linkage შეტევები: ანონიმური მონაცემების წებოვანი გარე წყაროებით.
Insider/Partner risk: გადაჭარბებული პრივილეგიები წვდომის/ლოგოებში.

3) PPMl ინსტრუმენტები და მიდგომები

3. 1 დიფერენციალური კონფიდენციალურობა (DP)

იდეა: კონტროლირებადი ხმაურის დამატება იმის უზრუნველსაყოფად, რომ ერთი საგნის წვლილი „განუყოფელია“.
სად უნდა გამოვიყენოთ: აგრეგატები, ტრენინგის გრადიენტები (DP-SGD), მოხსენებები/დაშბორდები, სტატისტიკის გამოქვეყნება.
პარამეტრები: (epsilon) - „კონფიდენციალურობის ბიუჯეტი“, - „მარცხის“ ალბათობა.
გარიგება მიზანშეწონილია: უფრო მეტი ხმაური უფრო ძლიერი, ვიდრე კონფიდენციალურობა; დაგეგმეთ budget accounting მოდელის სასიცოცხლო ციკლზე.

3. 2 ფედერალური განათლება (FL)

იდეა: მოდელი მიდის მონაცემებზე და არა პირიქით; გრადიენტები/წონა გაერთიანებულია და არა ნედლეული ჩანაწერები.
პარამეტრები: cross მოწყობილობები (ბევრი მომხმარებელი, სუსტი კვანძები), cross-silo (რამდენიმე საიმედო ორგანიზაცია/ბრენდი).
უსაფრთხოების გამაძლიერებლები: Secure Aggregation, DP FL თავზე, წინააღმდეგობა დაბალი ხარისხის/მავნე მომხმარებლებისადმი (byzantine-robust).

3. 3 უსაფრთხო გამოთვლები

MPC (Secure Multi-Party Computation): ერთობლივი გამოთვლები ერთმანეთის შესასვლელების გამჟღავნების გარეშე.
HE (ჰომომორფული Encryption): დაშიფრული მონაცემების გამოთვლები; ძვირი, მაგრამ სასარგებლოა წერტილოვანი დავალებებისთვის (მორიელი/ინვესტიცია).
TEE/Confidential Computing: სანდო გარემოცვა, კოდისა და მონაცემების იზოლაცია HW დონეზე.

3. დამატებითი 4

ცოდნა-გამჟღავნების გარეშე (ZKP): სისწორის დამტკიცება მონაცემების გამჟღავნების გარეშე (ნიშების შემთხვევები).
ფსევდონიმიზაცია/ანონიმიზაცია: სწავლის დაწყებამდე; re-identification რისკის შემოწმება.
Private Set Intersection (PSI): კვეთა ნაკრები (frode/სანქციების სიები) მთელი კომპლექტის გამჟღავნების გარეშე.

4) არქიტექტურის ნიმუშები iGaming- ისთვის

4. 1 პირადი ფიჩპაინი

PII გამოყოფილია თამაშის ტელემეტრიის მოვლენებისგან; კლავიშები - ტოკენიზაციით/ტოქსიკური ჰაშინგის საშუალებით.
Ichestor წვდომის დონით: Raw (Restricted), derived (Confidential), დანაყოფები (Internal).
DP აგრეგაცია ანგარიშგებისა და კვლევებისთვის; კვოტები დომენების შესახებ (მარკეტინგი/რისკი/RG).

4. 2 თანამშრომლობა

Cross-brand FL: ზოგადი ანტიფროდი/RG მორიელი ჰოლდინგისთვის - ადგილობრივი გრადიენტები, ცენტრალური აგრეგაცია Secure Agg- ით.
MPC ინვესტიცია PSP- ით: გადახდის რისკის ესკიზი PSP და ოპერატორზე ნედლეული ფინიშის გაცვლის გარეშე.

4. 3 პირადი ინვესტიცია

VIP/გადახდისთვის მორიელის მოთხოვნები გადის TEE სერვისით ან არჩეული მოდელის HE შეფასებით.
მხოლოდ საერთო შედეგების კეშირება; „ნედლი“ ფინჯნის სერიის აკრძალვა.

5) პროცესები და მთავრობის

5. 1 „მინიმალური მონაცემების“ პოლიტიკა

დამუშავების მკაფიო მიზანი, დასაშვები შეცდომების სია, შენახვის დრო.
PII ცალკე, წვდომა - RBAC/ABAC, Just-in-Time, ჟურნალები.

5. 2 RACI PPMl- ისთვის

CDO/DPO - კონფიდენციალურობის პოლიტიკა, DPIA/DEIA, ბიუჯეტის კოორდინაცია.
ML Lead/Data Owner - ტექნოლოგიის არჩევანი (DP/FL/MPC/TEE), ხარისხის შესაბამისობა.
უსაფრთხოება/პლატფორმა - გასაღებები/საიდუმლოებები, კონფიდენციალური გარემო, აუდიტი.
Stewards - კატალოგი/კლასიფიკაცია, მონაცემები, პასპორტები.

5. 3 ჩეკი გამოსვლამდე

DPIA/ზემოქმედების ეთიკური შეფასება.
Fairness + კალიბრაცია ჯგუფებად (არა „ფარული მარიონეტული“).
Privacy-тесты: membership inference, gradient leakage, re-identification.

6) მეტრიკა და SLO კონფიდენციალურობა

Budget usage: დაგროვილი მოხმარება მოდელებში/სახლებში.
Re-identification risk: დე-ანონიმიზაციის ალბათობა (სიმულაცია/შეტევა-ტესტები).
Attack AUC: შეტევების წარმატება უნდა იყოს შემთხვევითი.
Leakage rate: ლანდშაფტის/სნაიპერების ინციდენტები PII = 0-ით.
Coverage: DP/FL/MPC/TEE მოდელების%, სადაც საჭიროა.
Latency/Cost SLO: პირადი გამოთვლების ზედმეტი ხარჯები <სასაქონლო გზების მიზნობრივი ბარიერი.

7) iGaming დომენების პრაქტიკა

7. 1 KYC/AML

PSI + MPC სანქცირებული სიების/REP მატჩის გარეშე, სრული ნაკრების გამჟღავნების გარეშე.
DP აგრეგაცია სარისკო ნიმუშებზე მოხსენებისთვის.

7. 2 Responsible Gaming (RG)

FL ბაზრის ბრენდებს შორის ზოგადი რისკის დეტექტორისთვის; მკაცრი თვითდაზიანება.
RG- ს კვლევების DP პუბლიკაციები, რათა გამორიცხოს საქმეების deanonymization.

7. 3 ანტიფროდი/გადახდები

TEE მაღალი რისკის გადახდისთვის; MPC შეფასება chargeback ალბათობის PSP- ით.
ინვესტიციის ლოგოების აუდიტი: ტრასებზე წინსვლის გარეშე და PII.

7. 4 პერსონალიზაცია/CRM

DP განყოფილებები სეგმენტაციისთვის; „ვიწრო“ ფიჩები (სიხშირე, ჟანრები, სესიები) მოთამაშის დეტალური ტრაექტორიის გარეშე.
Off-Device FL look-alike მოდელებისთვის მარცვლეულის ნიშნების მიხედვით.

8) კონფიდენციალურობის ტესტირება და გადამოწმება

Membership Inference Challenge: საჯარო (შიდა) კონკურენციის ტესტი მოდელის წინააღმდეგ.
Gradient/Activation Leakage Tests: გაჟონვის შემოწმება საპირისპირო გადასასვლელით.
K- ანონიმურობა/ანონიმურობა/t-closeness: ოფიციალური კრიტერიუმები ანონიმური ნიმუშებისთვის.
Canary ჩანაწერები: ხელოვნური ჩანაწერები გაჟონვის გამოსავლენად ლოგინში/მოდელში.

9) MLOps: განვითარებიდან წარმოებამდე

Policy-as-Code: linter fich/კონტრაქტები PII ეტიკეტებით; CI ბლოკავს გადაუჭრელ ხრიკებს.
DP- ტრენინგი კონტურებში: კონტროლი CI- ში, ბიუჯეტის აცვიათ ანგარიში.
საიდუმლოებები/KMS: გასაღებები MPC/HE/TEE, როტაცია და ორმაგი კონტროლი.
Observability გარეშე გაჟონვა: შენიღბვა ლოგებში, სეპლინგი, ბილიკებზე PII აკრძალვა.

Model Registry: ვერსიის მონაცემთა ვერსია,

10) შაბლონები (გამოსაყენებლად მზად)

10. 1 პირადი მოდელის ბარათი (ფრაგმენტი)

პრობლემა/გავლენა: (RG/AML/ანტიფროდი/CRM)

კონფიდენციალურობის ტექნიკა: (DP =?, FL, MPC/TEE/HE)

მონაცემები/ფიჩები: (კლასები, PII ეტიკეტები, წყაროები)

ხარისხის მეტრიკა: AUC/PR, კალიბრაცია

კონფიდენციალურობის მეტრიკა: Attack AUC, re-id risk

Fairness განყოფილება: სამიზნე EO/EOr + კალიბრაცია

შეზღუდვები: სად არ გამოიყენება მოდელი

გარემო: კონფიდენციალური კვანძები/გასაღებები/ლოგიკის პოლიტიკა

10. 2 DP პოლიტიკა (ესკიზი)

საბიუჯეტო დომენები: მარკეტინგი X, რისკი Y

ჩაწერა: ტრენინგის/ანალიტიკის დროს ვადაგადაცილებული მოხსენება

მინიმალური ხარისხის ბარიერები: ისე, რომ არ „ხმაური“ ნულამდე

გამონაკლისები: DPO/CDO გადაწყვეტილებით, დასაბუთებით

10. პირადი გამოშვების 3 შემოწმების სია

• DPIA/ეთიკა დასრულებულია, მფლობელები დაინიშნენ
• PII გამოყოფილი, ფიჩები მოგვარებულია პოლიტიკით
• DP/FL/TEE/MPC განწყობილი და ტესტირებულია
• Attack-suite: membership/inversion ≈ random
• ლოგები/მარშრუტები PII- ის გარეშე, მოწესრიგებულია
• დოკუმენტები: მოდელის ბარათი + პირადი appendix

11) გზის განხორციელების რუკა

0-30 დღე (MVP)

1. Fich- ის კატალოგი PII ეტიკეტებით; აკრძალვა PII ლოგებში/ტრასებში.
2. ჩართეთ DP ძირითადი განყოფილებებისა და კვლევითი ანგარიშებისთვის.
3. დაიწყეთ ძირითადი შეტევა (membership/ინვერსია) და მოხსენებები.
4. მოდელების ბარათები პირადი პარამეტრებით და მფლობელებით.

30-90 დღე

1. მფრინავი FL (cross-silo) ერთი დავალებისთვის (მაგალითად, RG ან ანტიფროდი).
2. კონფიდენციალური გარემო (TEE) გადახდის სკრინინგისთვის/VIP.
3. Policy-as-Code: Linter fick + CI საკეტი კონფიდენციალურობით.
4. კონფიგურაცია და პირადი-SLO დაშბორდი.

3-6 თვე

1. MPC/PSI სანქცირებული/frode სიების მატჩისთვის PSP/პარტნიორებთან.
2. HE/TEE პირადი ინვესტიციის წერტილოვანი სცენარებისთვის.
3. რეგულარული privacy pentest ML, canary ჩანაწერები, პოსტ-mortes.
4. DP/FL საფარი ყველა მაღალი იმპაქტიური მოდელზე; წლიური აუდიტი.

12) ანტი შაბლონები

„ანონიმიზაცია“ re-identification რისკის შეფასების გარეშე.
FL საიდუმლოების გარეშე და DP- ის გარეშე - გრადიენტებს შეუძლიათ გაჟონვა.
ინვერსიის/მიმდევრობის ლოგოები PII- სთან.
კონფიდენციალურობისა და საჯარო (შიდა) ანგარიშების აღრიცხვის არარსებობა.
ინციდენტის ნულოვანი გეგმა (არ არსებობს პლეიბუკი და კომუნიკაცია).

13) პლეიბუკის ინციდენტი (მოკლედ)

1. აღმოჩენა: სიგნალი attack-suite/მონიტორინგი/საჩივრები.
2. სტაბილიზაცია: შეაჩერეთ გამოშვება/მოდელი/კამპანია, იზოლირება გარემო.
3. შეფასება: მონაცემთა მასშტაბები/ტიპები/დრო, ვინც იმოქმედებს.
4. კომუნიკაცია: მოთამაშეები/პარტნიორები/რეგულატორი (სადაც საჭიროა).
5. მიტიგაცია: patchi petline, გაიხსენეთ გასაღებები, გააძლიერეთ DP/პოლიტიკა.
6. გაკვეთილები: პოლიტიკის განახლება, ტესტები, გუნდური ტრენინგი.

14) ურთიერთობა მეზობელ პრაქტიკებთან

Data Governance, მონაცემთა წარმოშობა და გზა, მონაცემთა ეთიკა, მიკერძოების შემცირება, DSAR/Privacy, მოდელების მონიტორინგი, მონაცემთა დრიფტი - კონტროლი, პასუხისმგებელი და დამოწმებული კონფიდენციალურობის საფუძველი.

შედეგი

კონფიდენციალური ML არის საინჟინრო და მენეჯმენტის დისციპლინა: სწორი ტექნიკა (DP/FL/MPC/TEE), მკაცრი პროცესები (პოლიტიკა-as-Code, აღრიცხვა, შეტევების ტესტები), შეგნებული კომპრომისები სიზუსტესა და კონფიდენციალურობას შორის და მუდმივი მონიტორინგი. IGaming იმარჯვებს მათ, ვისაც შეუძლია ანალიტიკისა და AI- ს მასშტაბები, ზედმეტი გამოვლენის გარეშე და მოთამაშეთა, პარტნიორებისა და რეგულატორების ნდობის შენარჩუნების გარეშე.