Google HEIR’i açık kaynak yaptı: Şifreli veri üzerinde AI inference
Google, 14 Ağustos 2026’da HEIR (Homomorphic Encryption Intermediate Representation) derleyicisini Apache 2.0 lisansıyla açık kaynak yayınladı. MLIR tabanlı derleyici, önceden eğitilmiş AI modellerini homomorphic encryption (FHE) ile şifreli veri üzerinde inference çalıştırmak için dönüştürüyor — sunucu tarafında decrypt gerekmiyor.
Ana Gelişme
HEIR dört demo uygulama ile birlikte geliyor:
- Private recommendations: Şifreli kullanıcı verisi üzerinde öneri sistemi
- Fraud detection: Şifreli işlem verisi üzerinde dolandırıcılık tespiti
- Kitsune anomaly detection: Şifreli ağ trafiği üzerinde anomali tespiti
- Hotword detection: Şifreli ses verisi üzerinde kelime algılama
Backend desteği: OpenFHE, Lattigo, tfhe-rs ve Jaxite. Donanım ortakları Belfort, Niobium, Cornami ve Optalysys; akademik işbirlikleri Georgia Tech, CMU, UCSB, Purdue, Edinburgh ve Tsinghua dahil.
FHE inference, CPU'da plaintext'e kıyasla tipik olarak 100x–1000x+ daha yavaş. Demo uygulamalar single-threaded CPU'da çalışıyor; "production-ready private AI" iddiasından kaçınılmalı.
Neden Önemli?
Privacy-preserving inference, regüle edilmiş AI kullanım alanlarında (fintech fraud detection, anomali tespiti) plaintext sunucu erişimini kabul edilemez kılıyor. HEIR, homomorphic encryption’ı kriptograf uzmanlığından uygulanabilir bir stack’e taşıyor. TEE (confidential computing) yaklaşımlarından farklı: gerçek ciphertext computation — veri hiç decrypt edilmiyor.
TR fintech ve güvenlik geliştiricileri için use-case özeti: fraud detection ve anomaly detection demo’ları, regüle edilmiş veri ortamlarında AI inference’ın pratik sınırlarını gösteriyor.
Teknik Detaylar
HEIR, MLIR (Multi-Level Intermediate Representation) tabanlı bir derleyici. Önceden eğitilmiş model alıyor, FHE backend’lerine (OpenFHE, Lattigo, tfhe-rs, Jaxite) uygun ciphertext operasyonlarına dönüştürüyor. Derleyici pipeline’ı, model mimarisini FHE kısıtlamalarına (operasyon derinliği, noise budget) uyarlıyor. HEIR.dev dokümantasyon sitesi ve GitHub repo’su geliştiricilerin doğrudan deneyebileceği kaynaklar sunuyor.
Bağlam
AI security ve AI inference alanında privacy, enterprise adoption’ın kritik engellerinden biri. Google’ın açık kaynak hamlesi, FHE-for-ML’i research prototype’tan implementable stack’e taşıma sinyali. Performans maliyeti yüksek olsa da, regüle edilmiş niche’lerde (fraud, anomaly) kabul edilebilir.
Sonraki Adımlar
Geliştiriciler HEIR.dev ve GitHub repo üzerinden demo’ları çalıştırabilir. Production deployment için latency overhead ciddi şekilde değerlendirilmeli. Genel LLM chat ölçeğinde FHE henüz pratik değil; fraud detection ve anomaly detection gibi düşük-latency-toleranslı use-case’ler öncelikli hedef.