Come possono i robot industriali prevedere il loro consumo energetico senza svelare i segreti?

Immagina un robot che sa quanta energia userà prima ancora di muoversi. Gli scienziati hanno addestrato tre tipi di reti neurali – dense, LSTM e ibridi convoluzionali‑LSTM – usando i dati di traiettoria dei robot. Hanno aggiunto caratteristiche manuali come angoli, velocità e accelerazioni, e così le previsioni sono diventate più precise. Ma c’è un problema: le aziende non vogliono condividere i loro dati sensibili. Per risolverlo, hanno inserito tecniche di privacy‑preserving machine learning basate sul calcolo multipartito sicuro (SMPC). Con SMPC, il robot può chiedere al cloud di stimare il consumo senza mostrare i suoi movimenti né i pesi del modello. Gli esperimenti mostrano che le reti dense sono le più veloci sotto crittografia, mentre la complessità dei dati influisce meno. Gli autori hanno anche testato due trucchi: usare pesi pubblici permutati e calcolare le funzioni di attivazione in chiaro, riducendo i tempi di inferenza. Infine, hanno evidenziato che le fasi di serving e monitoring del ciclo MLOps devono essere adattate per gestire la crittografia. Il risultato è un servizio cloud capace di prevedere l’energia dei robot, mantenendo al sicuro i segreti industriali.

Il lavoro si basa su Secure Multi‑Party Computation (SMPC), una classe di protocolli crittografici che permettono a più parti di calcolare una funzione comune senza rivelare i propri input. In pratica, i dati di traiettoria del robot (posizioni, velocità, accelerazioni) vengono suddivisi in share segreti e distribuiti a diversi server. Ogni server esegue operazioni aritmetiche sui propri share; solo alla fine, combinando i risultati, si ottiene la previsione di consumo energetico. Questo approccio elimina la necessità di trasmettere dati grezzi o pesi del modello in chiaro. Per quanto riguarda le architetture, le reti dense hanno una struttura a strati completamente connessi, il che riduce il numero di operazioni non lineari crittografate, rendendole più efficienti in SMPC. Le LSTM, invece, richiedono molteplici passaggi temporali e gate sigmoid/tanh, che aumentano il costo computazionale sotto crittografia. Gli ibridi convoluzionali‑LSTM combinano convoluzioni (che possono essere eseguite in chiaro con ottimizzazioni) e LSTM, ma la parte ricorrente rimane il collo di bottiglia. Per mitigare l’overhead, gli autori hanno proposto due strategie: (1) permutare i pesi pubblici, così che il modello non riveli informazioni proprietarie, e (2) valutare le funzioni di attivazione in plaintext, sfruttando la loro natura non sensibile. Queste tecniche riducono drasticamente il numero di operazioni crittografiche, mantenendo una precisione comparabile. Inoltre, l’integrazione di ppML nel workflow MLOps richiede modifiche al modello di serving: i container devono supportare protocolli SMPC, e il monitoraggio deve raccogliere metriche di latenza crittografica oltre a quelle di accuratezza. La gestione dei secret, la rotazione delle chiavi e la verifica dell’integrità dei share diventano parti fondamentali del ciclo di vita del modello. In sintesi, l’approccio dimostra che è possibile coniugare performance predittiva, protezione della proprietà intellettuale e scalabilità cloud, aprendo la strada a servizi di intelligenza artificiale più sicuri per l’industria 4.0.