In diesem technologisch fortgeschrittenen Zeitalter hat das Aufkommen generativer künstlicher Intelligenz wie ChatGPT und Midjourney neue Möglichkeiten in Bereichen wie Design und Kunst, Softwareentwicklung, Verlagswesen und sogar Finanzen eröffnet. Generative künstliche Intelligenz ist wie ein Wunder. Sie verspricht uns, die Grenzen der menschlichen Kreativität zu durchbrechen, unsere Produktivität erheblich zu steigern und uns auf den Weg zu einem höheren Innovationsniveau zu führen.
Um Software wie ChatGPT und Midjourney dorthin zu bringen, wo sie heute sind, waren jahrelange Forschung und Schulung an riesigen Datenmengen erforderlich, um die dahinter stehenden KI-Modelle zu entwickeln. Am Beispiel von ChatGPT sind für das Training etwa 570 GB an Datensätzen aus Webseiten, Büchern und anderen Quellen erforderlich. Einige dieser Daten stammen möglicherweise von Benutzern, die möglicherweise überhaupt nicht wissen, dass ihre persönlichen Daten zum Trainieren von KI-Software verwendet werden. Während viele der gesammelten und verwendeten Daten für die Benutzer selbst möglicherweise harmlos sind, können zwangsläufig einige sensible oder private Daten eingemischt und ohne Zustimmung des Benutzers in das Modell eingespeist werden.
Angesichts der Datenschutzbedenken, die solche Systeme aufwerfen, gibt es ein wachsendes Bewusstsein und eine wachsende Betonung auf Datenschutz- und Sicherheitsfragen. Manche fordern, eine harmonische Balance zwischen der Nutzung der Vorteile künstlicher Intelligenz und dem Schutz der Privatsphäre zu finden. Glücklicherweise gibt es eine vielversprechende Technologie, die helfen kann, diese Lücke zu schließen – Zero-Knowledge-Proofs (ZKPs).
Was ist zkML?
Ein Zero-Knowledge-Protokoll ist eine Methode, mit der eine Partei (der Beweiser) einer anderen Partei (dem Prüfer) beweisen kann, dass eine bestimmte Aussage wahr ist, ohne andere Informationen als die Tatsache preiszugeben, dass diese bestimmte Aussage wahr ist. Seit 2022 entwickelt sich die Zero Knowledge (ZK)-Technologie stetig weiter und hat im Blockchain-Bereich ein deutliches Wachstum erzielt. Projekte im ZK-Bereich haben hart gearbeitet und erhebliche Fortschritte in den Bereichen Skalierbarkeit und Datenschutz erzielt.
Maschinelles Lernen ist ein Zweig der künstlichen Intelligenz, der sich auf die Entwicklung von Systemen konzentriert, die aus vergangenen Daten lernen, Muster erkennen und logische Entscheidungen treffen können, wobei die menschliche Beteiligung erheblich reduziert wird. Es handelt sich um eine Datenanalysetechnologie, die automatisch Analysemodelle erstellt, indem sie verschiedene Arten digitaler Informationen nutzt, wie z. B. numerische Daten, Textinhalte, Benutzerinteraktionen und visuelle Daten.
Beim überwachten maschinellen Lernen geben wir Eingaben in ein vorab trainiertes Modell mit voreingestellten Parametern ein, und das Modell erzeugt eine Ausgabe, die von anderen Systemen verwendet werden kann. Wir müssen jedoch betonen, wie wichtig es ist, die Vertraulichkeit und Vertraulichkeit der Eingabedaten und Modellparameter zu wahren. Eingabedaten können sensible persönliche Finanz- oder biometrische Informationen enthalten, während Modellparameter sensible Elemente wie vertrauliche biometrische Authentifizierungsparameter umfassen können.
Die Verschmelzung von Zero-Knowledge-Technologie und künstlicher Intelligenz hat zum Zero-Knowledge-Machine-Learning (zkML) geführt, einer ethischen und leistungsstarken neuen Technologie, die verspricht, unsere Arbeitsweise völlig zu revolutionieren.
In einem kürzlich veröffentlichten Artikel mit dem Titel „The Cost of Intelligence“ führte das Modulus Labs-Team ein umfassendes Benchmarking verschiedener bestehender wissensfreier Proof-Systeme unter Verwendung verschiedener Modellensembles unterschiedlicher Größe durch. Derzeit besteht die Hauptanwendung von ZK im Bereich des maschinellen Lernens in der Kette darin, genaue Berechnungen zu überprüfen. Mit der Zeit und der weiteren Entwicklung, insbesondere bei Succinct Non-Interactive Arguments of Knowledge (SNARKs), wird jedoch erwartet, dass sich ZKP so weit entwickelt, dass es die Privatsphäre der Benutzer vor allzu neugierigen Prüfern schützen kann, indem es die Offenlegung von Eingaben verhindert.
zkML integriert im Wesentlichen die ZK-Technologie in KI-Software, um deren Einschränkungen beim Schutz der Privatsphäre und bei der Überprüfung der Datenauthentizität zu überwinden.
Anwendungsfälle für zkML
Obwohl es sich bei zkML noch um eine aufstrebende Technologie handelt, hat sie große Aufmerksamkeit erregt und verfügt über viele überzeugende Anwendungsszenarien. Zu den bemerkenswerten zkML-Anwendungen gehören:
Rechnerische Integrität (Gültigkeit ML)
Gültigkeitsnachweise wie SNARKs und STARKs bieten die Möglichkeit, die Richtigkeit von Berechnungen zu überprüfen, was auf maschinelle Lernaufgaben ausgeweitet werden kann, indem Modellinferenzen validiert oder bestätigt werden, dass bestimmte Eingaben zu bestimmten Modellausgaben führen. Der einfache Nachweis, dass eine Ausgabe das Ergebnis einer bestimmten Kombination aus Modell und Eingabe ist, erleichtert die Off-Chain-Bereitstellung von Modellen für maschinelles Lernen auf spezieller Hardware und erleichtert gleichzeitig die On-Chain-Verifizierung von ZKPs. Giza unterstützt beispielsweise Yearn, ein dezentrales Finanz-(DeFi)-Ertragsaggregatorprotokoll, um die Genauigkeit der Umsetzung komplexer Ertragsstrategien mithilfe von maschinellem Lernen in der Kette zu demonstrieren.
Entdeckung eines Betruges
Durch die Nutzung intelligenter Vertragsdaten können Anomalieerkennungsmodelle trainiert und anschließend von DAOs (Decentralized Autonomous Organizations) als wertvolle Indikatoren für automatisierte Sicherheitsverfahren anerkannt werden. Dieser proaktive und präventive Ansatz ermöglicht die Automatisierung von Maßnahmen, wie z. B. die Aussetzung von Verträgen, wenn potenziell böswillige Aktivitäten erkannt werden, und steigert so deren Wirksamkeit.
Transparenz in ML as a Service (MLaaS)
In Fällen, in denen mehrere Unternehmen Modelle für maschinelles Lernen über ihre APIs bereitstellen, ist es für Benutzer aufgrund der Undurchsichtigkeit der APIs schwierig festzustellen, ob der Dienstanbieter tatsächlich die beanspruchten Modelle bereitstellt. Durch die Bereitstellung eines Gültigkeitsnachweises zusammen mit der API für maschinelles Lernen erhalten Benutzer Transparenz und können das von ihnen verwendete spezifische Modell überprüfen.
Filtern in Web3 Social Media
Der dezentrale Charakter der sozialen Web3-Anwendungen wird voraussichtlich zu einem Anstieg von Spam und bösartigen Inhalten führen. Der ideale Ansatz für Social-Media-Plattformen wäre die Nutzung eines Open-Source-Modells für maschinelles Lernen, das von der Community gemeinsam vereinbart wird. Darüber hinaus kann die Plattform beim Filtern von Beiträgen einen Nachweis der Modellinferenz erbringen. Daniel Kangs Analyse des Twitter-Algorithmus mithilfe von zkML befasst sich eingehender mit diesem Thema.
Schutz der Privatsphäre
Die Gesundheitsbranche legt großen Wert auf den Datenschutz und die Vertraulichkeit von Patientendaten. Durch die Nutzung von zkML können medizinische Forscher und Institutionen Modelle entwickeln, die verschlüsselte Patientendaten verwenden und so den Schutz personenbezogener Daten gewährleisten. Dies ermöglicht eine gemeinschaftliche Analyse, ohne dass vertrauliche Informationen weitergegeben werden müssen, und erleichtert so Fortschritte bei der Krankheitsdiagnose, der Behandlungswirksamkeit und der Forschung im Bereich der öffentlichen Gesundheit.
Entdecken Sie die Projektübersicht von zkML
Viele Anwendungen von zkML befinden sich im experimentellen Stadium und sind häufig das Ergebnis von Hackathons zu innovativen neuen Projekten. zkML eröffnet neue Möglichkeiten für die Gestaltung intelligenter Verträge, und derzeit gibt es mehrere Projekte, die seine Anwendungen aktiv erforschen.
Modulus Labs: Reale Anwendungen und verwandte Forschung mithilfe von zkML. Sie haben die Anwendung von zkML durch Demonstrationen an Projekten wie RockyBot (einem On-Chain-Trading-Bot) und Leela vs. the World (einem Schachspiel, bei dem eine ganze menschliche Bevölkerung gegen eine bewährte On-Chain-Version des Leela-Schachspiels antritt) demonstriert Motor).
Gizeh: Ein von Starkware unterstütztes Protokoll, das die Möglichkeit ermöglicht, Modelle der künstlichen Intelligenz auf völlig vertrauenswürdige Weise in der Kette bereitzustellen.
Worldcoin: Ein Protokoll zum Nachweis der Persönlichkeit, das zkML nutzt. Worldcoin nutzt kundenspezifische Hardware, um detaillierte Iris-Scans durchzuführen, und integriert diese in seine Semaphore-Implementierung. Diese Iris-Scans ermöglichen wichtige Funktionen wie die Zertifizierung der Mitgliedschaft und Abstimmungen.
abschließend
So wie ChatGPT und Midjourney unzählige Iterationen durchlaufen haben, um dorthin zu gelangen, wo sie heute sind, wird zkML immer noch verbessert und optimiert und durchläuft eine Iteration nach der anderen, um verschiedene Herausforderungen von technischen bis hin zu praktischen Aspekten zu meistern:
Quantisierungsprozess, der den Genauigkeitsverlust minimiert
Verwalten der Leitungsgröße, insbesondere in mehrschichtigen Netzwerken
Effizienter Matrixmultiplikationsbeweis
Umgang mit gegnerischen Angriffen
Im Bereich zkML schreitet der Fortschritt immer schneller voran und es wird erwartet, dass er in naher Zukunft ein Niveau erreichen wird, das mit dem breiteren Bereich des maschinellen Lernens vergleichbar ist, insbesondere da sich die Hardwarebeschleunigungstechnologie weiter weiterentwickelt.
Die Integration von ZKPs in KI-Systeme kann ein höheres Maß an Sicherheit und Datenschutz für Benutzer und Organisationen bieten, die diese Systeme nutzen. Daher warten wir gespannt auf weitere Produktinnovationen im zkML-Bereich, wo die Kombination von ZKPs und Blockchain-Technologie eine sichere Umgebung für KI/ML-Operationen in der erlaubnislosen Welt von Web3 schafft.