Di era teknologi yang maju ini, munculnya kecerdasan buatan generatif seperti ChatGPT dan Midjourney telah membuka kemungkinan-kemungkinan baru di berbagai bidang seperti desain dan seni, pengembangan perangkat lunak, penerbitan, dan bahkan keuangan. Kecerdasan buatan generatif bagaikan sebuah keajaiban. Kecerdasan buatan ini menjanjikan kita untuk menembus batas-batas kreativitas manusia, meningkatkan produktivitas secara signifikan, dan membawa kita menuju tingkat inovasi yang lebih tinggi.
Untuk menjadikan perangkat lunak seperti ChatGPT dan Midjourney seperti sekarang ini, diperlukan penelitian dan pelatihan bertahun-tahun pada sejumlah besar data untuk mengembangkan model AI di belakangnya. Ambil ChatGPT sebagai contoh, dibutuhkan sekitar 570 GB kumpulan data dari halaman web, buku, dan sumber lain untuk pelatihan. Beberapa data ini mungkin berasal dari pengguna yang mungkin sama sekali tidak menyadari bahwa data pribadi mereka digunakan untuk melatih perangkat lunak AI. Meskipun sebagian besar data yang dikumpulkan dan digunakan mungkin tidak berbahaya bagi pengguna itu sendiri, beberapa data sensitif atau pribadi dapat tercampur dan dimasukkan ke dalam model tanpa izin pengguna.
Mengingat permasalahan privasi yang ditimbulkan oleh sistem tersebut, terdapat peningkatan kesadaran dan penekanan pada masalah privasi dan keamanan data. Beberapa orang menyerukan untuk menemukan keseimbangan yang harmonis antara memanfaatkan keunggulan kecerdasan buatan dan melindungi hak privasi pribadi. Untungnya, ada teknologi menjanjikan yang dapat membantu menjembatani kesenjangan ini – bukti tanpa pengetahuan (ZKPs).
Apa itu zkML?
Protokol tanpa pengetahuan adalah suatu metode di mana satu pihak (pemeriksa) dapat membuktikan kepada pihak lain (verifikator) bahwa suatu proposisi tertentu benar tanpa mengungkapkan informasi lain selain fakta bahwa proposisi tertentu itu benar. Sejak tahun 2022, teknologi Zero Knowledge (ZK) terus berkembang dan mencapai pertumbuhan signifikan di bidang blockchain. Proyek di ruang ZK telah bekerja keras dan membuat kemajuan signifikan di bidang skalabilitas dan perlindungan privasi.
Pembelajaran mesin adalah cabang kecerdasan buatan yang berfokus pada pengembangan sistem yang dapat belajar dari data masa lalu, mengenali pola, dan membuat keputusan logis, dengan keterlibatan manusia yang minimal. Merupakan teknologi analisis data yang secara otomatis membuat model analitik dengan memanfaatkan berbagai jenis informasi digital, seperti data numerik, konten tekstual, interaksi pengguna, dan data visual.
Dalam pembelajaran mesin yang diawasi, kami memberikan masukan ke model terlatih dengan parameter yang telah ditentukan sebelumnya, dan model tersebut menghasilkan keluaran yang dapat digunakan oleh sistem lain. Namun, kita harus menekankan pentingnya menjaga kerahasiaan dan privasi data masukan dan parameter model. Data masukan mungkin berisi informasi keuangan atau biometrik pribadi yang sensitif, sedangkan parameter model mungkin melibatkan elemen sensitif seperti parameter autentikasi biometrik rahasia.
Perpaduan antara teknologi tanpa pengetahuan dan kecerdasan buatan telah melahirkan pembelajaran mesin tanpa pengetahuan (zkML), sebuah teknologi baru yang etis dan kuat yang menjanjikan revolusi total dalam cara kita bekerja.
Dalam makalah terbaru berjudul "The Cost of Intelligence", tim Modulus Labs melakukan pembandingan komprehensif terhadap berbagai sistem bukti tanpa pengetahuan yang ada menggunakan berbagai model ansambel dengan berbagai ukuran. Saat ini, di bidang pembelajaran mesin on-chain, aplikasi utama ZK adalah memverifikasi perhitungan yang akurat. Namun seiring berjalannya waktu dan perkembangan lebih lanjut, khususnya Argumen Pengetahuan Non-Interaktif Ringkas (SNARKs), ZKP diharapkan berkembang hingga dapat menjamin privasi pengguna dari validator yang terlalu penasaran dengan mencegah pengungkapan masukan.
zkML pada dasarnya mengintegrasikan teknologi ZK ke dalam perangkat lunak AI untuk mengatasi keterbatasannya dalam perlindungan privasi dan verifikasi keaslian data.
Kasus penggunaan untuk zkML
Meskipun zkML masih merupakan teknologi baru, zkML telah menarik perhatian luas dan memiliki banyak skenario penerapan yang menarik. Beberapa aplikasi zkML yang terkenal meliputi:
Integritas komputasi (validitas ML)
Bukti validitas seperti SNARK dan STARK memiliki kemampuan untuk memverifikasi kebenaran penghitungan, yang dapat diperluas ke tugas pembelajaran mesin dengan memvalidasi inferensi model atau mengonfirmasi bahwa masukan tertentu menghasilkan keluaran model tertentu. Kemudahan dalam membuktikan bahwa keluaran adalah hasil kombinasi model dan masukan tertentu memfasilitasi penerapan model pembelajaran mesin secara off-chain pada perangkat keras khusus, sekaligus memfasilitasi verifikasi ZKP secara on-chain. Misalnya, Giza membantu Yearn, protokol agregator hasil keuangan terdesentralisasi (DeFi), untuk menunjukkan keakuratan dalam mengeksekusi strategi hasil yang kompleks menggunakan pembelajaran mesin on-chain.
Deteksi penipuan
Dengan memanfaatkan data kontrak pintar, model deteksi anomali dapat dilatih dan selanjutnya dikenali oleh DAO (Organisasi Otonomi Terdesentralisasi) sebagai indikator berharga untuk prosedur keamanan otomatis. Pendekatan proaktif dan preventif ini memungkinkan tindakan otomatis, seperti penangguhan kontrak ketika aktivitas yang berpotensi berbahaya teridentifikasi, sehingga meningkatkan efektivitasnya.
Transparansi dalam ML sebagai Layanan (MLaaS)
Dalam kasus di mana beberapa perusahaan menyediakan model pembelajaran mesin melalui API mereka, sulit bagi pengguna untuk menentukan apakah penyedia layanan benar-benar menyediakan model yang diklaim karena sifat API yang tidak jelas. Memberikan bukti validitas bersama dengan API model pembelajaran mesin akan memberikan transparansi kepada pengguna, memungkinkan mereka memverifikasi model spesifik yang mereka gunakan.
Memfilter di Media Sosial Web3
Sifat aplikasi sosial Web3 yang terdesentralisasi diperkirakan akan menyebabkan peningkatan spam dan konten berbahaya. Pendekatan ideal untuk platform media sosial adalah memanfaatkan model pembelajaran mesin sumber terbuka yang disepakati bersama oleh komunitas. Selain itu, platform dapat memberikan bukti inferensi model saat memilih untuk memfilter postingan. Analisis Daniel Kang terhadap algoritma Twitter menggunakan zkML menggali lebih jauh topik ini.
perlindungan privasi
Industri layanan kesehatan mengutamakan privasi dan kerahasiaan data pasien. Dengan memanfaatkan zkML, peneliti dan institusi medis dapat mengembangkan model menggunakan data pasien terenkripsi, sehingga memastikan perlindungan catatan pribadi. Hal ini memungkinkan analisis kolaboratif tanpa perlu berbagi informasi sensitif, memfasilitasi kemajuan dalam diagnosis penyakit, efektivitas pengobatan, dan penelitian kesehatan masyarakat.
Jelajahi ikhtisar proyek zkML
Banyak aplikasi zkML berada dalam tahap percobaan, sering kali muncul dari hackathon pada proyek baru yang inovatif. zkML membuka cara baru untuk merancang kontrak pintar, dan saat ini ada beberapa proyek yang secara aktif mengeksplorasi penerapannya.
Modulus Labs: Aplikasi dunia nyata dan penelitian terkait dengan menggunakan zkML. Mereka telah mendemonstrasikan penerapan zkML melalui demonstrasi pada proyek-proyek seperti RockyBot (bot perdagangan on-chain) dan Leela vs. the World (permainan catur di mana seluruh populasi manusia bersaing dengan catur Leela versi on-chain yang telah terbukti. mesin).
Giza: Sebuah protokol yang didukung oleh Starkware yang memungkinkan kemampuan untuk menerapkan model kecerdasan buatan secara on-chain dengan cara yang sepenuhnya tidak dapat dipercaya.
Worldcoin: Protokol bukti kepribadian yang memanfaatkan zkML. Worldcoin memanfaatkan perangkat keras khusus untuk menangani pemindaian iris mata secara mendetail dan menggabungkannya ke dalam implementasi Semaphore. Pemindaian iris mata ini memungkinkan fungsi-fungsi penting seperti sertifikasi keanggotaan dan pemungutan suara.
Kesimpulannya
Sama seperti ChatGPT dan Midjourney yang telah melalui banyak iterasi untuk mencapai posisinya saat ini, zkML masih terus ditingkatkan dan dioptimalkan, melalui iterasi demi iterasi untuk mengatasi berbagai tantangan dari aspek teknis hingga praktis:
Proses kuantisasi yang meminimalkan kehilangan akurasi
Mengelola ukuran sirkuit, terutama di jaringan multi-layer
Bukti perkalian matriks yang efisien
Berurusan dengan serangan musuh
Di bidang zkML, kemajuan berjalan dengan kecepatan tinggi dan diperkirakan akan mencapai tingkat yang sebanding dengan bidang pembelajaran mesin yang lebih luas dalam waktu dekat, terutama seiring dengan terus berkembangnya teknologi akselerasi perangkat keras.
Memasukkan ZKP ke dalam sistem AI dapat memberikan tingkat keamanan dan perlindungan privasi yang lebih tinggi bagi pengguna dan organisasi yang memanfaatkan sistem ini. Oleh karena itu, kami sangat menantikan inovasi produk lebih lanjut di bidang zkML, di mana kombinasi ZKP dan teknologi blockchain menciptakan lingkungan yang aman dan terlindungi untuk operasi AI/ML di dunia Web3 tanpa izin.