Dans cette ère technologiquement avancée, l'avènement de l'intelligence artificielle générative telle que ChatGPT et Midjourney a ouvert de nouvelles possibilités dans des domaines tels que le design et l'art, le développement de logiciels, l'édition et même la finance. L'intelligence artificielle générative est comme un miracle : elle nous promet de dépasser les limites de la créativité humaine, d'améliorer considérablement notre productivité et de nous conduire sur la voie d'un niveau d'innovation plus élevé.
Afin d'amener des logiciels comme ChatGPT et Midjourney là où ils se trouvent aujourd'hui, il a fallu des années de recherche et de formation sur de grandes quantités de données pour développer les modèles d'IA qui les sous-tendent. En prenant ChatGPT comme exemple, il nécessite environ 570 Go d'ensembles de données provenant de pages Web, de livres et d'autres sources pour la formation. Certaines de ces données peuvent provenir d’utilisateurs qui ignorent totalement que leurs données personnelles sont utilisées pour entraîner des logiciels d’IA. Bien qu’une grande partie des données collectées et utilisées puissent être inoffensives pour les utilisateurs eux-mêmes, certaines données sensibles ou privées peuvent inévitablement être mélangées et introduites dans le modèle sans le consentement de l’utilisateur.
Compte tenu des problèmes de confidentialité soulevés par de tels systèmes, on prend de plus en plus conscience et on insiste de plus en plus sur les questions de confidentialité et de sécurité des données. Certains appellent à trouver un équilibre harmonieux entre tirer parti des avantages de l’intelligence artificielle et protéger le droit à la vie privée. Heureusement, il existe une technologie prometteuse qui peut aider à combler cette lacune : les preuves de connaissance nulle (ZKP).
Qu’est-ce que zkML ?
Un protocole à connaissance nulle est une méthode par laquelle une partie (le prouveur) peut prouver à une autre partie (le vérificateur) qu'une certaine proposition est vraie sans révéler aucune autre information que le fait que cette proposition particulière est vraie. Depuis 2022, la technologie Zero Knowledge (ZK) se développe régulièrement et a connu une croissance significative dans le domaine de la blockchain. Les projets dans l'espace ZK ont travaillé dur et ont réalisé des progrès significatifs dans les domaines de l'évolutivité et de la protection de la vie privée.
L'apprentissage automatique est une branche de l'intelligence artificielle qui se concentre sur le développement de systèmes capables d'apprendre à partir de données passées, de reconnaître des modèles et de prendre des décisions logiques, avec une implication humaine considérablement réduite. Il s'agit d'une technologie d'analyse de données qui crée automatiquement des modèles analytiques en exploitant divers types d'informations numériques, telles que les données numériques, le contenu textuel, les interactions des utilisateurs et les données visuelles.
Dans l'apprentissage automatique supervisé, nous fournissons une entrée à un modèle pré-entraîné avec des paramètres prédéfinis, et le modèle produit une sortie qui peut être utilisée par d'autres systèmes. Cependant, nous devons souligner l'importance de maintenir la confidentialité et la confidentialité des données d'entrée et des paramètres du modèle. Les données d'entrée peuvent contenir des informations financières ou biométriques personnelles sensibles, tandis que les paramètres du modèle peuvent impliquer des éléments sensibles tels que des paramètres d'authentification biométriques confidentiels.
La fusion de la technologie à connaissance nulle et de l’intelligence artificielle a donné naissance au machine learning à connaissance nulle (zkML), une nouvelle technologie éthique et puissante qui promet de révolutionner complètement notre façon de travailler.
Dans un article récent intitulé « Le coût de l'intelligence », l'équipe de Modulus Labs a effectué une analyse comparative complète de divers systèmes existants de preuve de connaissance nulle en utilisant une variété d'ensembles de modèles de différentes tailles. Actuellement, dans le domaine de l’apprentissage automatique en chaîne, la principale application de ZK consiste à vérifier des calculs précis. Cependant, avec le temps et les développements ultérieurs, en particulier les arguments succincts non interactifs de connaissances (SNARK), ZKP devrait se développer à un point tel qu'il pourra garantir la confidentialité des utilisateurs contre les validateurs trop curieux en empêchant la divulgation des entrées.
zkML intègre essentiellement la technologie ZK dans les logiciels d'IA pour surmonter ses limites en matière de protection de la vie privée et de vérification de l'authenticité des données.
Cas d'utilisation de zkML
Bien que zkML soit encore une technologie émergente, elle a attiré une large attention et propose de nombreux scénarios d’application convaincants. Certaines des applications zkML notables incluent :
Intégrité informatique (validité ML)
Les preuves de validité telles que les SNARK et les STARK ont la capacité de vérifier l'exactitude des calculs, qui peuvent être étendues aux tâches d'apprentissage automatique en validant les inférences du modèle ou en confirmant que des entrées spécifiques conduisent à des sorties de modèle spécifiques. La facilité de prouver qu'une sortie est le résultat d'une combinaison spécifique de modèle et d'entrée facilite le déploiement hors chaîne de modèles d'apprentissage automatique sur du matériel spécialisé, tout en facilitant la vérification en chaîne des ZKP. Par exemple, Gizeh aide Yearn, un protocole d'agrégation de rendement de finance décentralisée (DeFi), à démontrer l'exactitude de l'exécution de stratégies de rendement complexes à l'aide de l'apprentissage automatique en chaîne.
Détection de fraude
En exploitant les données des contrats intelligents, les modèles de détection d'anomalies peuvent être formés et ensuite reconnus par les DAO (organisations autonomes décentralisées) comme indicateurs précieux pour les procédures de sécurité automatisées. Cette approche proactive et préventive permet d'automatiser des actions, comme la suspension de contrats lorsqu'une activité potentiellement malveillante est identifiée, renforçant ainsi leur efficacité.
Transparence dans le ML en tant que service (MLaaS)
Dans les cas où plusieurs entreprises proposent des modèles d'apprentissage automatique via leurs API, il est difficile pour les utilisateurs de déterminer si le fournisseur de services fournit réellement les modèles revendiqués en raison de la nature opaque des API. Fournir une preuve de validité parallèlement à l'API du modèle d'apprentissage automatique assurera la transparence aux utilisateurs, leur permettant de vérifier le modèle spécifique qu'ils utilisent.
Filtrage dans les médias sociaux Web3
La nature décentralisée des applications sociales Web3 devrait entraîner une augmentation du spam et des contenus malveillants. L’approche idéale pour les plateformes de médias sociaux serait de tirer parti d’un modèle d’apprentissage automatique open source mutuellement convenu par la communauté. De plus, la plateforme peut fournir une preuve d’inférence de modèle lors du choix de filtrer les publications. L'analyse de Daniel Kang de l'algorithme Twitter utilisant zkML approfondit ce sujet.
la protection de la vie privée
Le secteur de la santé donne la priorité à la confidentialité des données des patients. En tirant parti de zkML, les chercheurs et les institutions médicales peuvent développer des modèles utilisant les données cryptées des patients, garantissant ainsi la protection des dossiers personnels. Cela permet une analyse collaborative sans avoir besoin de partager des informations sensibles, facilitant ainsi les progrès en matière de diagnostic des maladies, d’efficacité des traitements et de recherche en santé publique.
Explorez l'aperçu du projet zkML
De nombreuses applications de zkML sont au stade expérimental, émergeant souvent de hackathons sur de nouveaux projets innovants. zkML ouvre de nouvelles façons de concevoir des contrats intelligents, et plusieurs projets explorent actuellement activement ses applications.
Modulus Labs : applications du monde réel et recherches associées à l'aide de zkML. Ils ont démontré l'application de zkML à travers des démonstrations sur des projets tels que RockyBot (un robot commercial en chaîne) et Leela vs. the World (un jeu d'échecs dans lequel une population humaine entière s'affronte contre une version éprouvée en chaîne du jeu d'échecs Leela. moteur).
Gizeh : un protocole optimisé par Starkware qui permet de déployer des modèles d'intelligence artificielle en chaîne de manière totalement sans confiance.
Worldcoin : un protocole de preuve de personnalité tirant parti de zkML. Worldcoin exploite un matériel personnalisé pour gérer l'analyse détaillée de l'iris et l'intègre dans sa mise en œuvre du sémaphore. Ces scans d'iris permettent des fonctions importantes telles que la certification des membres et le vote.
en conclusion
Tout comme ChatGPT et Midjourney ont connu d'innombrables itérations pour arriver là où ils en sont aujourd'hui, zkML est toujours amélioré et optimisé, passant par itération après itération pour surmonter divers défis allant des aspects techniques aux aspects pratiques :
Processus de quantification qui minimise la perte de précision
Gestion de la taille des circuits, en particulier dans les réseaux multicouches
Preuve de multiplication matricielle efficace
Faire face aux attaques adverses
Dans le domaine de zkML, les progrès progressent à un rythme accéléré et devraient atteindre dans un avenir proche des niveaux comparables à ceux du domaine plus large de l'apprentissage automatique, d'autant plus que la technologie d'accélération matérielle continue d'évoluer.
L'intégration de ZKP dans les systèmes d'IA peut fournir un niveau plus élevé de sécurité et de protection de la vie privée pour les utilisateurs et les organisations qui exploitent ces systèmes. Par conséquent, nous attendons avec impatience de nouvelles innovations produits dans l’espace zkML, où la combinaison des ZKP et de la technologie blockchain crée un environnement sûr et sécurisé pour les opérations d’IA/ML dans le monde sans autorisation du Web3.