Bu texnologiyanın inkişaf etdiyi dövrdə, ChatGPT və Midjourney kimi yaradıcı süni intellektin ortaya çıxması dizayn və incəsənət, proqram təminatının inkişafı, nəşriyyat və hətta maliyyə kimi sahələrdə tamamilə yeni imkanlar açdı. Yaradıcı süni intellekt bir möcüzə kimidir, o, bizə insan yaradıcılığının sərhədlərini aşacağına vəd edir, məhsuldarlığımızı əhəmiyyətli dərəcədə artırır, bizi daha yüksək səviyyədə innovasiyaya aparır.

ChatGPT və Midjourney kimi proqramların bu günkü səviyyəyə çatdırılması üçün illərlə araşdırma və böyük miqdarda məlumatların təliminə ehtiyac var, bu da bu proqramların arxasında duran süni intellekt modellərinin yetişdirilməsi üçün vacibdir. Məsələn, ChatGPT üçün, veb səhifələrdən, kitablar və digər mənbələrdən gələn təxminən 570GB məlumat dəstindən istifadə edərək təlim keçməlidir. Bu məlumatların bir hissəsi istifadəçilərdən gəlir və bu istifadəçilər şəxsi məlumatlarının süni intellekt proqramını təlim etmək üçün istifadə edildiyini tamamilə bilməyə bilər. Toplanmış və istifadə olunan məlumatların əksəriyyəti istifadəçi üçün zərərsiz olsa da, bəzi həssas və ya şəxsi məlumatların içəriyə qarışması qaçılmazdır və modelə təqdim olunur, halbuki istifadəçilər razılıq verməmişdir.

Belə sistemlərin məxfilik problemləri yaratdığı nəzərə alındıqda, insanların məlumat məxfiliyi və təhlükəsizliyi məsələlərinə olan diqqəti və önəmi artır. Süni intellektin üstünlüklərindən istifadə etmək və fərdi məxfilik hüquqlarını qorumaq arasında bir harmonik balans tapmağı tələb edirlər. Şanslıyıq ki, bu uçurumu aradan qaldırmağa kömək edə biləcək ümidverici bir texnologiya — Sıfır Bilik Sübutu (ZKP) vardır.

zkML nədir?

Sıfır bilik protokolu, bir tərəfin (sübut verici) digər tərəfə (təsdiq verici) müəyyən bir iddianın doğru olduğunu sübut etməsini mümkün edən bir üsuldur, digər tərəfdən bu konkret iddianın doğru olduğu faktından başqa heç bir məlumat açıqlanmır. 2022-ci ildən bəri sıfır bilik (ZK) texnologiyası mütəmadi inkişaf edir və blokçeyn sahəsində əhəmiyyətli artım əldə edir. ZK sahəsindəki layihələr davamlı olaraq çalışır və miqyası artırma və məxfilik qoruma sahəsində əhəmiyyətli irəliləyişlər əldə edirlər.

Maşın öyrənmə, keçmiş məlumatlardan öyrənə, nümunələri tanıya və məntiqi qərarlar verə bilən sistemlərin inkişafına fokuslanan süni intellektin bir qoludur, insanın əhəmiyyətli iştirakını azaltmaqla. Bu, müxtəlif növ rəqəmsal məlumatlardan, məsələn, ədədi məlumatlardan, mətn məzmunundan, istifadəçi qarşılıqlı əlaqəsindən və vizual məlumatlardan istifadə edərək avtomatik olaraq analiz modelləri yaradan bir məlumat analizi texnikasıdır.

Müşahidə olunan maşın öyrənmədə, əvvəlcədən təlim keçmiş və əvvəlcədən təyin olunmuş parametrlərə malik modellərə girişi təmin edirik, model isə digər sistemlərin istifadə edə biləcəyi çıxışları istehsal edir. Lakin, giriş məlumatlarının və model parametrlərinin məxfiliyinin və gizliliyinin qorunmasının əhəmiyyətini vurğulamalıyıq. Giriş məlumatları həssas şəxsi maliyyə və ya biometrik məlumatları əhatə edə bilər, model parametrləri isə həssas biometik tanıma parametrləri kimi gizli elementləri əhatə edə bilər.

Sıfır bilik texnologiyasını süni intellektlə birləşdirmək, sıfır bilik maşın öyrənməsi (zkML) adlanan, etikası yüksək və təsirli bir yeni texnologiyanın yaranmasına səbəb olur ki, bu da iş üsullarımızı köklü şəkildə dəyişdirə bilər.

Modulus Labs komandasının son zamanlarda dərc etdiyi (Kəşfiyyətin Dəyəri) adlı işdə, müxtəlif ölçüdə modellər toplusu istifadə edərək, mövcud sıfır bilik sübut sistemləri üzrə geniş bir benchmark testi aparmışlar. Hal-hazırda, zəncir üstü maşın öyrənmə sahəsində ZK-nın əsas tətbiqi dəqiq hesablamaların təsdiqidir. Lakin, zamanla və inkişafla, xüsusən də qısa qeyri-interaktiv bilik sübutları (SNARKs) ilə, ZKP-lərin, girişlərin açıqlanmasını dayandıraraq istifadəçi məxfiliyini həddindən artıq maraqlı təsdiq edənlərdən qorumaq üçün bir səviyyəyə inkişaf edəcəyinə ümid edilir.

zkML, ZK texnologiyasını AI proqramlarına inteqrasiya edərək, məxfilik qoruma, məlumatların doğruluğunu təsdiqləmə kimi sahələrdəki məhdudiyyətlərini aşmaqdır.

zkML-nin istifadə halları

zkML hələ də yeni bir texnologiya olmasına baxmayaraq, geniş diqqət çəkmişdir və bir çox diqqətəlayiq tətbiq senariləri vardır. Bu tətbiqlərdən bəziləri:

• Hesablama tamlığı (etibarlılıq ML)

  Etibarlılıq sübutları, SNARKs və STARKs, hesablamaların dəqiqliyini təsdiq etmək qabiliyyətinə malikdir, modelin nəticələrini təsdiq etməklə və ya müəyyən girişlərin müəyyən model çıxışına səbəb olduğunu təsdiq etməklə bu qabiliyyəti maşın öyrənmə vəzifələrinə genişləndirmək mümkündür. Çıxışın müəyyən bir model və giriş birləşməsinin nəticəsi olduğunu sübut etmək rahatlığı, xüsusi avadanlıqda off-chain maşın öyrənmə modellərinin yerləşdirilməsini asanlaşdırır, eyni zamanda zəncir üstündə ZKP-ləri təsdiq etməyi də asanlaşdırır. Məsələn, Giza, zəncir üstündə maşın öyrənməni mürəkkəb gəlir strategiyalarını həyata keçirmək üçün istifadə edən Yearn adlı mərkəzləşdirilməmiş maliyyə (DeFi) gəlir toplayıcı protokoluna kömək edir.

• Fırıldaqçılıq aşkarlanması

  Ağıllı müqavilə məlumatlarından istifadə edərək, anomaliya aşkarlama modelləri yaradılır və daha sonra DAO (mərkəzləşdirilməmiş avtonom təşkilat) tərəfindən avtomatlaşdırılmış təhlükəsizlik proqramlarının dəyərli göstəricisi kimi tanınır. Bu fəal və preventiv yanaşma, potensial zərərli fəaliyyətləri müəyyən etdiyində müqavilələri dayandırmaq kimi əməliyyatların avtomatik icra edilməsini təmin edir, beləliklə, onun effektivliyini artırır.

• ML xidmətləri (MLaaS) daxilində şəffaflıq

  Bir neçə şirkət tərəfindən API-ləri vasitəsilə təqdim olunan maşın öyrənmə modelləri ilə bağlı, API-lərin şəffaf olmaması səbəbindən istifadəçilər xidmət təminatçısının həqiqətən iddia etdiyi modeli təqdim edib-etmədiyini müəyyən etməkdə çətinlik çəkirlər. Maşın öyrənmə modeli API-larının yanında effektivlik sübutları təqdim edilməsi istifadəçilərə şəffaflıq verəcək, onlara istifadə etdikləri konkret modeli təsdiqləməyə imkan tanıyacaq.

• Web3 sosial mediada filtrasiya

  Web3 sosial tətbiqlərinin mərkəzləşdirilməmiş xüsusiyyətlərinin artması, spam və zərərli məzmunun artmasına səbəb olacaqdır. Sosial media platformalarının ideal yanaşması, icma tərəfindən razılaşdırılmış açıq mənbə maşın öyrənmə modelindən istifadə etməkdir. Bundan əlavə, platforma filtrasiya zamanı modelin nəticələrinin sübutunu təqdim edə bilər. Daniel Kang-ın Twitter algoritmi üzərindəki zkML analizinin daha dərin təhlili bu mövzunu daha ətraflı öyrənir.

• Məxfilik qorunması

  Tibb sektoru xəstə məlumatlarının məxfiliyini və gizliliyini prioritet olaraq qəbul edir. zkML-dən istifadə etməklə, tibbi tədqiqatçılar və institutlar şifrələnmiş xəstə məlumatlarından istifadə edərək modellər inkişaf etdirir, fərdi qeydlərin qorunmasını təmin edir. Bu, həssas məlumatların paylaşılmadan əməkdaşlıq analizini həyata keçirməyə imkan tanıyır, xəstəlik diaqnozu, müalicə effektivliyi və ictimai sağlamlıq tədqiqatlarının inkişafını asanlaşdırır.

zkML-nin layihə icmalı

zkML-nin bir çox tətbiqi eksperimental mərhələdədir, tez-tez yenilikçi yeni layihələrin hackathonlarında ortaya çıxır. zkML, smart müqavilələrin dizaynı üçün yeni yollar açır, hal-hazırda bunun tətbiqini aktiv şəkildə araşdıran bir neçə layihə vardır.

• Modulus Labs: zkML-dən istifadə edərək real tətbiqlər və əlaqəli tədqiqatlar. Onlar RockyBot (zəncir üstü ticarət roboti) və Leela vs. the World (insan kollektivinin təsdiqlənmiş zəncir üstü Leela şahmat mühərriki ilə mübarizə etdiyi bir şahmat oyunu) kimi layihələrlə zkML-nin tətbiqini nümayiş etdirirlər.

• Giza: Starkware tərəfindən dəstəklənən protokol, zəncir üstündə süni intellekt modellərinin yerləşdirilməsini tamamilə etibarlı bir şəkildə həyata keçirir.

• Worldcoin: zkML-dən istifadə edən şəxsiyyət sübutu protokolu. Worldcoin, xüsusi avadanlıqdan istifadə edərək ətraflı iris skanını həyata keçirir və bunu Semaphore tətbiqinə daxil edir. Bu iris skanları, üzvlük sübutu və səsvermə kimi mühüm funksiyaları yerinə yetirir.

Nəticə

ChatGPT və Midjourney sayəsində bu günə qədər bir çox iterasiyadan keçdiyi kimi, zkML də hələ də inkişaf edir və optimallaşdırılır, texnologiyadan praktikaya qədər müxtəlif çətinlikləri aşmaq üçün bir iterasiyadan digərinə keçir:

• Dəqiqlik itkisinin minimuma endirilməsi üçün kvantizasiya prosesi

• Çox qatlı şəbəkələrdə dövrə ölçüsünü idarə etmək

• Səmərəli matris vurma sübutu

• Təhlükəli hücumlarla mübarizə

zkML sahəsində irəliləyişlər sürətlə gedir və yaxın gələcəkdə daha geniş maşın öyrənmə sahəsi ilə müqayisə edilə biləcək səviyyəyə çatması gözlənilir, xüsusilə də avadanlıq sürətləndirici texnologiyaların davamlı inkişafı ilə.

ZKP-ləri süni intellekt sistemlərinə daxil edilməsi istifadəçilərə və bu sistemləri istifadə edən təşkilatlara daha yüksək səviyyədə təhlükəsizlik və məxfilik qorumaq imkanı verir. Buna görə də, zkML sahəsində daha da məhsul innovasiyasını səbirsizliklə gözləyirik, burada ZKP-lərin və blokçeyn texnologiyalarının birləşməsi, Web3 qeyri-məhdud dünyasında süni intellekt/maşın öyrənmə əməliyyatları üçün təhlükəsiz və etibarlı bir mühit yaradır.