Taille et prévisions du marché du calcul de confidentialité, par technologie (chiffrement homomorphe, environnements d'exécution sécurisés, calcul multipartite, confidentialité différentielle, stockage de données personnelles) ; type ; utilisation finale – Tendances de croissance, principaux acteurs, analyse régionale 2026-2035

Moteurs de croissance et défis du marché du calcul améliorant la confidentialité :

Moteurs de croissance

• Adoption croissante du PEC dans les services financiers : Les entreprises du secteur bancaire, ainsi que celles des assurances et de la santé, adoptent des technologies de calcul renforçant la confidentialité pour développer des transactions sécurisées, des systèmes de prévention de la fraude et des mécanismes d'échange de données. Le calcul multipartite sécurisé permet à différentes entités de collaborer sur des projets d'analyse de données tout en préservant la confidentialité de leurs données d'entrée afin de satisfaire aux exigences de confidentialité des données et aux normes légales de protection des données. L'utilisation de SMPC permet aux institutions financières de mener conjointement des analyses de schémas de fraude entre organisations et de protéger la confidentialité des données clients, améliorant ainsi leurs capacités de détection sans compromettre la confidentialité.
  
  De nombreuses institutions, dont ABN MRO Bank et Rabobank, mettent en œuvre le système de lutte contre le blanchiment d'argent basé sur SMPC. Le système de notation distribue les évaluations de comptes aux réseaux de transactions, permettant ainsi aux banques d'identifier les transactions inconnues sans enfreindre les normes de confidentialité. La diffusion des scores de risque améliore la précision de la détection des activités suspectes tout en maintenant un taux de rappel significatif, réduisant ainsi considérablement les faux positifs. Ce développement met en évidence le potentiel des calculs multipartites sécurisés pour renforcer les mesures de sécurité des données dans les domaines où les informations sensibles sont traitées.
   
• Développement de l'IA et du ML pour les besoins de confidentialité : De plus en plus de technologies d'intelligence artificielle et d'apprentissage automatique dépendent de grands ensembles de données contenant des données personnelles et des informations sensibles, en raison de leurs progrès constants. Ce recours à cet aspect met en évidence le potentiel des technologies améliorant la confidentialité, notamment la confidentialité différentielle et l'apprentissage fédéré, qui représentent des nécessités vitales. Ces PET aident les organisations à produire des modèles d'entraînement à l'IA pour protéger les informations personnelles et renforcer la confiance des organisations, favorisant ainsi un déploiement plus large des systèmes d'IA. Les institutions gouvernementales exploitent également les PET pour la gestion de la confidentialité des données. Par exemple, en juin 2024, la National Science Foundation des États-Unis a lancé le programme de partage de données préservant la confidentialité dans la pratique. PDaSP est une initiative visant à commercialiser rapidement les PET grâce à des déploiements pratiques afin d'améliorer les capacités de partage sécurisé des données dans différents secteurs. Les entreprises technologiques mettent en place des cadres d'IA innovants préservant la confidentialité et se concentrent sur le développement d'approches d'apprentissage fédéré permettant aux modèles d'IA entraînés de fonctionner sur divers emplacements d'ensembles de données sans exposer leur contenu réel. Des technologies telles que le chiffrement homomorphe et le calcul multipartite sécurisé permettent de poursuivre le développement de la sécurité des données et permettent aux entreprises de minimiser les problèmes réglementaires et de créer des applications avancées basées sur l'IA pour les secteurs de la santé, des services financiers et des entreprises. Les entreprises qui mettent en œuvre les PET acquièrent des avantages stratégiques grâce aux informations de l'IA qui protègent la confidentialité des utilisateurs et développent ainsi une base numérique plus sécurisée.

  Défis

  • Complexité de l'intégration aux systèmes existants : L'intégration de solutions de calcul améliorant la confidentialité à l'infrastructure informatique existante nécessite des étapes complexes et gourmandes en ressources. Les organisations modernes maintiennent des systèmes d'information hérités qui ne peuvent pas fonctionner efficacement avec les nouvelles technologies de protection de la confidentialité, notamment l'apprentissage fédéré. L'installation de ces systèmes nécessite des modifications majeures, des connaissances spécialisées et des procédures de test rigoureuses, ce qui entraîne des retards opérationnels et une augmentation des coûts totaux. Les entreprises peinent à adopter le PEC, car elles peinent à assurer une intégration fluide de ces systèmes avec leurs infrastructures de traitement de données actuelles, même si elles privilégient la stabilité et l'efficacité plutôt que d'ajouter des fonctionnalités de confidentialité.
     
  • Compromis entre confidentialité et performances : Le chiffrement entièrement homomorphe (FHE), ainsi que d'autres techniques de calcul améliorant la confidentialité, telles que les environnements d'exécution de confiance et le calcul multipartite, offrent une sécurité renforcée grâce aux opérations sur les informations chiffrées. Le FHE impose des limitations de performances notables, car il nécessite une puissance de traitement importante et des ressources mémoire importantes pour fonctionner. Lorsqu'il est mis en œuvre en FHE, les besoins de calcul deviennent élevés, et les méthodes d'analyse de données traditionnelles s'avèrent nettement plus rapides. Le temps de traitement nécessaire aux technologies PEC peut rendre cette méthode inutilisable dans les situations nécessitant des fonctionnalités en temps réel, telles que les opérations de marché fréquentes et les systèmes de détection de fraude. De nombreuses organisations axées sur la performance évitent d'adopter le PEC en raison de ses restrictions d'intégration dans leur secteur d'activité.