Tamaño y participación del mercado de computación que mejora la privacidad, por tecnología (cifrado homomórfico, entornos de ejecución confiables, computación multipartita, privacidad diferencial, almacenes de datos personales); Tipo; Uso final: análisis de oferta y demanda global, previsiones de crecimiento, informe estadístico 2025-2037

Mercado de informática que mejora la privacidad: impulsores del crecimiento y desafíos

Impulsores de crecimiento

• Adopción creciente de PEC en los servicios financieros: las empresas del sector bancario, junto con los sectores de seguros y atención sanitaria, están adoptando tecnología informática que mejora la privacidad para desarrollar transacciones seguras, sistemas de prevención de fraude y mecanismos de intercambio de datos. La computación segura entre múltiples partes permite que diferentes entidades trabajen juntas en proyectos de análisis de datos manteniendo la privacidad de sus datos de entrada para satisfacer los requisitos de privacidad de datos y los estándares legales de protección de datos. El uso de SMPC permite a las instituciones financieras realizar análisis de patrones de fraude de forma conjunta en todas las organizaciones y proteger la privacidad de los datos de los clientes, mejorando así sus capacidades de detección sin comprometer la confidencialidad.
  
  Muchas instituciones, incluidas ABN MRO Bank y Rabobank, están implementando el sistema contra el lavado de dinero creado con SMPC, en el que el sistema de puntuación distribuye evaluaciones de cuentas a las redes de transacciones, lo que permite a los bancos encontrar transacciones desconocidas sin violar los estándares de privacidad. La propagación de puntuaciones de riesgo impulsa la precisión de la detección de actividades sospechosas y, al mismo tiempo, mantiene la tasa de recuperación en índices significativos, lo que reduce significativamente los falsos positivos. El desarrollo destaca el potencial de los cálculos multipartitos seguros para impulsar las medidas de seguridad de datos en campos donde se maneja información confidencial.
   
• Expansión de la IA y el aprendizaje automático en las necesidades de privacidad: un número cada vez mayor de tecnologías de inteligencia artificial y aprendizaje automático dependen de grandes conjuntos de datos que contienen datos personales e información sensible, debido a su continuo avance. La dependencia de este aspecto resalta el potencial de las tecnologías que mejoran la privacidad, incluida la privacidad diferencial y el aprendizaje federado, que representan necesidades vitales. Estos PET están ayudando a las organizaciones a producir modelos de capacitación en IA para proteger la información de privacidad personal y hacer que las organizaciones sean más confiables, promoviendo así una implementación más amplia del sistema de IA. Las instituciones gubernamentales también están aprovechando los PET para la gestión de la privacidad de los datos. Por ejemplo, en junio de 2024, la Fundación Nacional de Ciencias de EE. UU. inició el programa de intercambio de datos en la práctica para preservar la privacidad. PDaSP es una iniciativa que trabaja para comercializar rápidamente PET a través de implementaciones prácticas para mejorar las capacidades seguras de intercambio de datos en diferentes sectores.
  
  Las organizaciones tecnológicas están estableciendo marcos de IA innovadores que preservan la privacidad y se están concentrando en desarrollar enfoques de aprendizaje federado que permitan que modelos de IA entrenados operen en diversas ubicaciones de conjuntos de datos sin exponer el contenido de los datos reales. Tecnologías como el cifrado homomórfico y la computación multipartita segura permiten el desarrollo continuo de la seguridad de los datos y permiten a las empresas minimizar los problemas regulatorios y crear aplicaciones avanzadas impulsadas por IA para la atención médica, los servicios financieros y las organizaciones empresariales. Las empresas que implementan PET están adquiriendo ventajas estratégicas a través de conocimientos de IA que protegen la privacidad de los usuarios para desarrollar una base digital más protegida.

Desafíos

• Complejidad en la integración con sistemas existentes: la integración de soluciones informáticas que mejoran la privacidad con la infraestructura de TI existente requiere pasos complejos y que consumen recursos. Las organizaciones modernas mantienen sistemas de información heredados que no pueden operar de manera eficiente con las próximas tecnologías de preservación de la privacidad, incluido el aprendizaje federado. La instalación de estos sistemas requiere modificaciones importantes del sistema y conocimientos especializados junto con procedimientos de prueba exhaustivos, lo que provoca retrasos operativos y eleva los costos totales. Las empresas están luchando por adoptar PEC porque les resulta difícil lograr una integración fluida entre estos sistemas con sus marcos de procesamiento de datos actuales, a pesar de que quieren mantener la estabilidad y la eficiencia en lugar de agregar funciones de privacidad.
   
• Compensación entre privacidad y rendimiento: el cifrado totalmente homomórfico (FHE), así como otras técnicas informáticas que mejoran la privacidad, como entornos de ejecución confiables y computación multipartita, ofrecen una seguridad sólida a través de operaciones con información cifrada. FHE impone notables limitaciones de rendimiento, ya que requiere una enorme potencia de procesamiento y amplios recursos de memoria para funcionar. Cuando se implementa en FHE, los requisitos computacionales aumentan y los métodos tradicionales de análisis de datos resultan significativamente más rápidos. El tiempo necesario para el procesamiento a través de tecnologías PEC puede hacer que este método sea inutilizable en situaciones que requieren funcionalidad en tiempo real, como operaciones de mercado frecuentes y sistemas de detección de fraude. Muchas organizaciones centradas en el rendimiento están evitando adoptar PEC debido a las restricciones de integración en sus sectores.