Aller au contenu principal
Retour au lexique IA
Données et vie privée

Chiffrement homomorphe (IA)

Le chiffrement homomorphe est une technique cryptographique qui permet d'effectuer des calculs sur des données chiffrées sans avoir besoin de les déchiffrer, préservant ainsi leur confidentialité.

Définition

Le chiffrement homomorphe est une avancée majeure en cryptographie appliquée à l'intelligence artificielle et au traitement de données sensibles. Il permet de réaliser des opérations mathématiques directement sur des données chiffrées, produisant un résultat qui, une fois déchiffré, correspond au calcul effectué comme si les données étaient en clair. Cette propriété est appelée homomorphisme. Il existe plusieurs formes : partiel (supportant un nombre limité d'opérations), quelque peu homomorphe (quelques opérations mais limitées) et entièrement homomorphe (FHE – fully homomorphic encryption), qui autorise tout type de calculs complexes. En IA, ce mécanisme ouvre la voie à l'entraînement ou à l'inférence de modèles sur des données médicales, financières ou personnelles sans jamais exposer leur contenu. Toutefois, le chiffrement homomorphe reste coûteux en calcul et en temps, ce qui limite son usage à grande échelle. Des travaux académiques et industriels visent à le rendre plus efficace et applicable dans le cloud sécurisé. Pour situer la technique, imaginons un coffre transparent à gants : un tiers peut manipuler le contenu sans jamais ouvrir le coffre, et seul le propriétaire de la clé voit le résultat. Les schémas partiellement homomorphes sont anciens et déjà utilisés dans des cas précis : le chiffrement de Paillier autorise les additions sur des valeurs chiffrées, et le RSA « simple » les multiplications. Les schémas entièrement homomorphes, apparus avec les travaux de Craig Gentry en 2009, combinent additions et multiplications, donc n'importe quel calcul. Des variantes portent des noms comme BFV, BGV, CKKS (adapté aux nombres approchés, donc à l'IA) ou TFHE. Le bruit est la difficulté technique centrale : chaque opération ajoute un peu de bruit au texte chiffré, et trop de bruit empêche de déchiffrer correctement ; des mécanismes comme l'amorçage (bootstrapping) le réduisent, au prix de calculs lourds. Des bibliothèques libres existent, par exemple Microsoft SEAL ou OpenFHE, mais leur usage demande une expertise en cryptographie. Pour une PME, il s'agit d'une technologie à connaître, plutôt qu'à déployer : la plupart des besoins de confidentialité se traitent par des mesures plus simples.

Catégorie

Données et vie privée

Synonymes

homomorphic encryption, chiffrement FHE

Avantages

  • Protection maximale des données sensibles
  • Conformité renforcée avec le RGPD et autres réglementations
  • Permet des collaborations sécurisées entre organisations concurrentes
  • Le prestataire de calcul ne voit jamais les données en clair, ce qui réduit l'exposition en cas de compromission de son infrastructure.
  • Il rend possibles certaines collaborations entre organisations qui ne peuvent pas partager leurs données.
  • Il s'ajoute au chiffrement des données au repos et en transit, qui ne couvre pas le moment du calcul.

Limites

  • Très coûteux en temps de calcul et en ressources matérielles
  • Complexité de mise en œuvre dans des systèmes IA de production
  • Encore limité pour des applications à grande échelle
  • Les calculs sont beaucoup plus lents et plus lourds que sur des données en clair, ce qui exclut les gros modèles actuels.
  • Les fonctions d'un réseau de neurones (comme certaines activations) doivent être approchées par des polynômes, ce qui réduit la précision.
  • Il protège la confidentialité des données, pas leur exactitude ni les biais du modèle.
  • La gestion des clés reste de la responsabilité de l'entreprise : une clé mal protégée annule l'intérêt du dispositif.

Exemples concrets

Découvrez comment ce concept s'applique dans la réalité

  1. Analyse de données médicales chiffrées pour entraîner un modèle prédictif sans accéder aux dossiers patients

  2. Banques réalisant des calculs sur des données clients chiffrées sans les exposer

  3. Applications cloud traitant des informations personnelles sensibles tout en préservant leur confidentialité

  4. Imaginons une clinique qui veut faire calculer un score de risque par un prestataire cloud sans que celui-ci ne voie les dossiers : les données sont chiffrées avant l'envoi, le prestataire calcule sur le chiffré, et la clinique déchiffre le score reçu.

  5. Un réseau de pharmacies peut imaginer cumuler des statistiques de ventes avec un partenaire sans lui révéler les chiffres de chaque officine.

  6. Une fintech peut tester une formule d'évaluation de solvabilité sur des revenus chiffrés fournis par une banque.

Applications pratiques

Où « chiffrement homomorphe (IA) » sert concrètement

  • Santé : entraînement de modèles sur données hospitalières chiffrées

  • Finance : calculs inter‑banques sur données de transactions protégées

  • Cloud : services de calcul sécurisé respectant la confidentialité

  • Administration : exploitation de données personnelles protégées

  • Santé privée : calcul d'indicateurs par un prestataire sans accès aux dossiers.

  • Commerce coopératif : statistiques communes sans divulgation des chiffres de chaque point de vente.

  • Finance : évaluation de risque sur des données clients protégées.

Questions fréquentes

Les questions que posent les entreprises sur « chiffrement homomorphe (IA) »

Qu'est-ce que le chiffrement homomorphe ?

Un chiffrement permettant de faire des calculs directement sur des données chiffrées.

Quelle différence avec un chiffrement classique ?

Un chiffrement classique doit être déchiffré pour permettre un calcul, l'homomorphe non.

Quels types existent ?

Partiel, quelque peu homomorphe, et entièrement homomorphe (FHE).

Quels cas d'usage en IA ?

Analyse de données médicales, financières ou personnelles sans exposition.

Est-ce utilisable à grande échelle ?

Pas encore, à cause du coût computationnel élevé.

Quels acteurs travaillent dessus ?

IBM, Microsoft, Google, ainsi que de nombreux laboratoires académiques.

Quel lien avec la vie privée ?

Il permet d'exploiter des données sensibles sans jamais révéler leur contenu.

Le chiffrement homomorphe est-il utilisable aujourd'hui par une PME ?

Rarement en direct. Il s'adresse à des cas précis et à des équipes spécialisées. Une PME y sera plus souvent confrontée sous forme de service proposé par un prestataire. Pour la plupart des besoins, un hébergement dans l'Union européenne, un chiffrement classique et des contrats de traitement des données sont plus adaptés.

Rend-il un traitement conforme au RGPD ?

Il peut contribuer aux mesures de sécurité, mais il ne dispense pas des autres obligations : finalité, base légale, durée de conservation, information des personnes. La conformité s'apprécie au cas par cas, et la CNIL est la référence pour savoir si des données chiffrées restent des données personnelles.

Quelle différence avec le calcul confidentiel ?

Le calcul confidentiel s'appuie sur du matériel sécurisé (enclaves) pour traiter les données en clair dans un espace isolé, alors que le chiffrement homomorphe fait les calculs sur des données qui restent chiffrées. Le premier est plus rapide, le second repose uniquement sur les mathématiques et non sur la confiance dans le matériel.

Source et références

Source : CNIL – Glossaire IA

Voir la source

Notions proches de « chiffrement homomorphe (IA) »

Envie d'approfondir vos connaissances en IA ?

Découvrez tous nos termes et concepts dans le lexique complet

Un projet autour de « chiffrement homomorphe (IA) » ?

Décrivez-nous votre besoin : nous vous répondons sous 24 h, sans engagement.

Testez gratuitement la visibilité de votre entreprise dans les IA. Lancer le test de visibilité dans les IA