Il y a des marchés entiers que tu ne peux pas adresser avec l’IA aujourd’hui. La santé, la finance, les données RH : dès que les données sont sensibles, le modèle voit tout ce qu’il traite pendant l’inférence. Pour un client sous RGPD strict ou dans un secteur régulé, ça suffit à bloquer le projet. Google vient de sortir HEIR, un compilateur open source qui change la donne.
Ce que « faire de l’IA sur des données chiffrées » veut dire
Le chiffrement homomorphe, c’est une technique qui permet d’effectuer des calculs directement sur des données chiffrées, sans jamais les déchiffrer. Le serveur qui fait tourner le modèle ne voit que du bruit. Il produit un résultat chiffré que seul le client peut déchiffrer.
Dit autrement : tu envoies une donnée de santé à un modèle de détection, le modèle l’analyse et te retourne un résultat, et à aucun moment la donnée n’a été lisible par quiconque d’autre que toi. Pas le cloud. Pas le provider d’IA. Pas le serveur qui exécute le calcul.
La technologie existe depuis les travaux de Craig Gentry en 2009. Elle était réservée à des opérations simples, additions sur des entiers chiffrés, parce que la complexité computationnelle explosait dès qu’on empilait des couches. Appliquer ça à un réseau de neurones complet était trop lent pour être pratique. Jusqu’à maintenant.
HEIR : le compilateur open source de Google
HEIR (Homomorphic Encryption Intermediate Representation) est un compilateur publié par Google sur GitHub. Son objectif déclaré : « permettre aux non-experts d’intégrer l’inférence chiffrée dans des applications en production ». C’est la première fois que je vois une ambition aussi explicitement tournée vers les praticiens plutôt que vers les chercheurs.
Concrètement, HEIR prend un modèle IA existant et le convertit pour qu’il opère sur des ciphertexts (données chiffrées) plutôt que sur des données en clair. Tu n’as pas besoin de réécrire ton modèle ni de comprendre les maths derrière le chiffrement homomorphe.
Google travaille en parallèle avec plusieurs partenaires hardware, Belfort, Niobium, Cornami et Optalysys, pour réduire le coût de calcul. Parce que c’est là que le noeud reste : l’inférence chiffrée coûte aujourd’hui entre 10 et 100 fois plus cher qu’une inférence classique, selon la complexité du modèle.
Quatre cas déjà démontrés
Google a présenté quatre workflows fonctionnels dans son article de blog :
- Recommandations de contenu personnalisées : le moteur tourne sans jamais voir tes préférences en clair.
- Détection de fraude bancaire : les données de transaction restent chiffrées de bout en bout, y compris pendant l’analyse.
- Détection d’intrusion réseau : le modèle analyse du trafic sans accès aux paquets déchiffrés.
- Reconnaissance de mots-clés audio : un appareil peut détecter des mots de réveil sans que le serveur entende ce que tu dis.
Ce sont des cas concrets, pas des démos de conférence. Et ce sont exactement les cas que les clients RGPD-exigeants ou sous réglementation bancaire te sortent pour refuser une solution IA externe.
Ce que ça change pour toi
Si tu construis des solutions IA pour des entreprises, la principale objection n’est souvent pas le prix ni les performances. C’est la gouvernance des données. « On ne peut pas envoyer ces données à une API externe » : ça tue des projets entiers avant même qu’on parle de valeur métier.
L’inférence chiffrée ouvre une réponse directe à cette objection. Pas dans six mois avec une architecture on-premise complexe, mais avec un modèle existant converti via HEIR et déployé sur une infra cloud standard.
Le coût computationnel est le vrai frein aujourd’hui. Dix à cent fois plus cher, ça veut dire que tu ne vas pas faire de l’inférence chiffrée sur des millions de requêtes par jour avec le même budget. Mais pour des volumes faibles sur des données hautement sensibles, un dossier médical analysé, une transaction bancaire vérifiée, le surcoût peut être justifiable commercialement. Et les partenaires hardware de Google sont là pour faire baisser ce ratio dans les deux ou trois prochaines années.
Le serveur qui fait tourner ton modèle ne voit que du bruit. Il produit un résultat chiffré que seul ton client peut déchiffrer.
Ce que je retiens : Google ne sort pas un papier de recherche. Il sort un outil avec une cible explicite (les praticiens) et un écosystème hardware pour réduire le coût de calcul. C’est le signal qu’ils veulent voir l’adoption en dehors des labos, dans les 12 à 24 prochains mois.
Je vais tester HEIR sur un modèle de classification simple dans les prochaines semaines. Si tu travailles sur des projets dans des secteurs régulés, l’article de blog Google est le point de départ avec les ressources disponibles.
Pour passer de l’actualité à l’usage concret dans ton travail, la formation pour apprendre à faire travailler l’IA commence par une partie gratuite complète.