En esta era tecnológicamente avanzada, la llegada de la inteligencia artificial generativa como ChatGPT y Midjourney ha abierto nuevas posibilidades en campos como el diseño y el arte, el desarrollo de software, la edición e incluso las finanzas. La inteligencia artificial generativa es como un milagro. Nos promete traspasar los límites de la creatividad humana, mejorar enormemente nuestra productividad y guiarnos por el camino hacia un nivel superior de innovación.
Para llevar software como ChatGPT y Midjourney a donde están hoy, se necesitaron años de investigación y capacitación sobre grandes cantidades de datos para desarrollar los modelos de IA detrás de ellos. Tomando ChatGPT como ejemplo, requiere alrededor de 570 GB de datos de páginas web, libros y otras fuentes para la capacitación. Algunos de estos datos pueden provenir de usuarios que pueden desconocer por completo que sus datos personales se están utilizando para entrenar software de inteligencia artificial. Si bien muchos de los datos recopilados y utilizados pueden ser inofensivos para los propios usuarios, inevitablemente algunos datos sensibles o privados pueden mezclarse y alimentarse al modelo sin el consentimiento del usuario.
Dadas las preocupaciones sobre la privacidad que plantean dichos sistemas, existe una creciente conciencia y énfasis en las cuestiones de seguridad y privacidad de los datos. Algunas personas piden encontrar un equilibrio armonioso entre aprovechar las ventajas de la inteligencia artificial y proteger los derechos de privacidad personal. Afortunadamente, existe una tecnología prometedora que puede ayudar a cerrar esta brecha: las pruebas de conocimiento cero (ZKP).
¿Qué es zkML?
Un protocolo de conocimiento cero es un método mediante el cual una parte (el probador) puede demostrarle a otra parte (el verificador) que una determinada proposición es verdadera sin revelar ninguna otra información más que el hecho de que esta proposición en particular es verdadera. Desde 2022, la tecnología Zero Knowledge (ZK) se ha desarrollado de manera constante y ha logrado un crecimiento significativo en el campo blockchain. Los proyectos en el espacio ZK han estado trabajando duro y logrando avances significativos en las áreas de escalabilidad y protección de la privacidad.
El aprendizaje automático es una rama de la inteligencia artificial que se centra en el desarrollo de sistemas que pueden aprender de datos pasados, reconocer patrones y tomar decisiones lógicas, con una participación humana significativa reducida. Es una tecnología de análisis de datos que crea automáticamente modelos analíticos aprovechando varios tipos de información digital, como datos numéricos, contenido textual, interacciones del usuario y datos visuales.
En el aprendizaje automático supervisado, proporcionamos información a un modelo previamente entrenado con parámetros preestablecidos, y el modelo produce una salida que puede ser utilizada por otros sistemas. Sin embargo, debemos enfatizar la importancia de mantener la confidencialidad y privacidad de los datos de entrada y los parámetros del modelo. Los datos de entrada pueden contener información biométrica o financiera personal confidencial, mientras que los parámetros del modelo pueden incluir elementos sensibles como parámetros de autenticación biométrica confidenciales.
La fusión de la tecnología de conocimiento cero y la inteligencia artificial ha dado lugar al aprendizaje automático de conocimiento cero (zkML), una nueva tecnología ética y poderosa que promete revolucionar por completo la forma en que trabajamos.
En un artículo reciente titulado "El costo de la inteligencia", el equipo de Modulus Labs llevó a cabo una evaluación comparativa integral de varios sistemas de prueba de conocimiento cero existentes utilizando una variedad de conjuntos de modelos de distintos tamaños. Actualmente, en el campo del aprendizaje automático en cadena, la principal aplicación de ZK es verificar cálculos precisos. Sin embargo, con el tiempo y un mayor desarrollo, especialmente los Argumentos de conocimiento sucintos no interactivos (SNARK), se espera que ZKP se desarrolle hasta un punto en el que pueda garantizar la privacidad de los usuarios frente a validadores demasiado curiosos al impedir la divulgación de entradas.
zkML esencialmente integra la tecnología ZK en el software de inteligencia artificial para superar sus limitaciones en la protección de la privacidad y la verificación de la autenticidad de los datos.
Casos de uso para zkML
Aunque zkML sigue siendo una tecnología emergente, ha atraído una atención generalizada y tiene muchos escenarios de aplicación atractivos. Algunas de las aplicaciones zkML notables incluyen:
Integridad computacional (validez ML)
Las pruebas de validez como SNARK y STARK tienen la capacidad de verificar la exactitud de los cálculos, lo que puede extenderse a tareas de aprendizaje automático validando las inferencias del modelo o confirmando que entradas específicas conducen a salidas específicas del modelo. La facilidad para demostrar que un resultado es el resultado de una combinación específica de modelo y entrada facilita la implementación fuera de la cadena de modelos de aprendizaje automático en hardware especializado, al tiempo que facilita la verificación en cadena de las ZKP. Por ejemplo, Giza está ayudando a Yearn, un protocolo de agregación de rendimiento de finanzas descentralizadas (DeFi), a demostrar la precisión de la ejecución de estrategias de rendimiento complejas utilizando el aprendizaje automático en cadena.
Detección de fraude
Al aprovechar los datos de los contratos inteligentes, los modelos de detección de anomalías pueden ser entrenados y posteriormente reconocidos por las DAO (Organizaciones Autónomas Descentralizadas) como indicadores valiosos para los procedimientos de seguridad automatizados. Este enfoque proactivo y preventivo permite automatizar acciones, como suspender contratos cuando se identifica actividad potencialmente maliciosa, mejorando así su efectividad.
Transparencia en ML como servicio (MLaaS)
En los casos en que varias empresas proporcionan modelos de aprendizaje automático a través de sus API, es difícil para los usuarios determinar si el proveedor de servicios realmente proporciona los modelos reclamados debido a la naturaleza opaca de las API. Proporcionar prueba de validez junto con la API del modelo de aprendizaje automático brindará transparencia a los usuarios, permitiéndoles verificar el modelo específico que están utilizando.
Filtrado en Web3 Social Media
Se espera que la naturaleza descentralizada de las aplicaciones sociales Web3 provoque un aumento del spam y del contenido malicioso. El enfoque ideal para las plataformas de redes sociales sería aprovechar un modelo de aprendizaje automático de código abierto acordado mutuamente por la comunidad. Además, la plataforma puede proporcionar pruebas de la inferencia del modelo al elegir filtrar publicaciones. El análisis de Daniel Kang del algoritmo de Twitter utilizando zkML profundiza más en este tema.
protección de la privacidad
La industria de la salud prioriza la privacidad y confidencialidad de los datos de los pacientes. Al aprovechar zkML, los investigadores e instituciones médicos pueden desarrollar modelos utilizando datos cifrados de pacientes, garantizando la protección de los registros personales. Esto permite el análisis colaborativo sin la necesidad de compartir información confidencial, lo que facilita avances en el diagnóstico de enfermedades, la efectividad del tratamiento y la investigación en salud pública.
Explore la descripción general del proyecto de zkML
Muchas aplicaciones de zkML se encuentran en la etapa experimental, a menudo surgiendo de hackatones sobre nuevos proyectos innovadores. zkML abre nuevas formas de diseñar contratos inteligentes y actualmente hay varios proyectos que exploran activamente sus aplicaciones.
Modulus Labs: aplicaciones del mundo real e investigaciones relacionadas mediante el uso de zkML. Han demostrado la aplicación de zkML a través de demostraciones en proyectos como RockyBot (un robot comercial en cadena) y Leela vs. the World (un juego de ajedrez en el que toda una población humana compite contra una versión probada en cadena del ajedrez Leela). motor).
Giza: un protocolo impulsado por Starkware que permite implementar modelos de inteligencia artificial en cadena de una manera completamente sin confianza.
Worldcoin: un protocolo de prueba de personalidad que aprovecha zkML. Worldcoin aprovecha el hardware personalizado para manejar el escaneo detallado del iris y lo incorpora en su implementación de Semaphore. Estos escaneos de iris permiten funciones importantes como la certificación de membresía y la votación.
en conclusión
Al igual que ChatGPT y Midjourney han pasado por innumerables iteraciones para llegar a donde están hoy, zkML todavía se está mejorando y optimizando, pasando por iteración tras iteración para superar varios desafíos, desde aspectos técnicos hasta aspectos prácticos:
Proceso de cuantificación que minimiza la pérdida de precisión.
Gestión del tamaño del circuito, especialmente en redes multicapa.
Prueba eficiente de multiplicación de matrices
Cómo afrontar ataques adversarios
En el campo de zkML, el progreso avanza a un ritmo acelerado y se espera que alcance un nivel comparable al del campo más amplio del aprendizaje automático en un futuro próximo, especialmente a medida que la tecnología de aceleración de hardware continúa desarrollándose.
La incorporación de ZKP en los sistemas de IA puede proporcionar un mayor nivel de seguridad y protección de la privacidad para los usuarios y organizaciones que aprovechan estos sistemas. Por lo tanto, esperamos ansiosamente más innovaciones de productos en el espacio zkML, donde la combinación de ZKP y la tecnología blockchain crea un entorno seguro para las operaciones de IA/ML en el mundo sin permisos de Web3.