In questa era tecnologicamente avanzata, l’avvento dell’intelligenza artificiale generativa come ChatGPT e Midjourney ha aperto nuove possibilità in campi come il design e l’arte, lo sviluppo di software, l’editoria e persino la finanza. L’intelligenza artificiale generativa è come un miracolo. Ci promette di oltrepassare i confini della creatività umana, di migliorare notevolmente la nostra produttività e di condurci sulla strada verso un livello più elevato di innovazione.
Per portare software come ChatGPT e Midjourney al punto in cui sono oggi, ci sono voluti anni di ricerca e formazione su grandi quantità di dati per sviluppare i modelli di intelligenza artificiale alla base. Prendendo come esempio ChatGPT, richiede circa 570 GB di set di dati da pagine Web, libri e altre fonti per la formazione. Alcuni di questi dati potrebbero provenire da utenti che potrebbero essere completamente inconsapevoli del fatto che i loro dati personali vengono utilizzati per addestrare il software di intelligenza artificiale. Sebbene gran parte dei dati raccolti e utilizzati possano essere innocui per gli utenti stessi, inevitabilmente alcuni dati sensibili o privati potrebbero essere mescolati e inseriti nel modello senza il consenso dell’utente.
Date le preoccupazioni sulla privacy sollevate da tali sistemi, vi è una crescente consapevolezza ed enfasi sulla privacy dei dati e sulle questioni relative alla sicurezza. Alcuni chiedono di trovare un equilibrio armonioso tra lo sfruttamento dei vantaggi dell’intelligenza artificiale e la tutela del diritto alla privacy personale. Fortunatamente, esiste una tecnologia promettente che può aiutare a colmare questo divario: le prove a conoscenza zero (ZKP).
Cos'è zkML?
Un protocollo a conoscenza zero è un metodo mediante il quale una parte (il dimostratore) può dimostrare a un'altra parte (il verificatore) che una determinata proposizione è vera senza rivelare alcuna altra informazione oltre al fatto che quella particolare proposizione è vera. Dal 2022, la tecnologia Zero Knowledge (ZK) si è sviluppata costantemente e ha raggiunto una crescita significativa nel campo blockchain. I progetti nello spazio ZK hanno lavorato duramente e fatto progressi significativi nei settori della scalabilità e della protezione della privacy.
L’apprendimento automatico è una branca dell’intelligenza artificiale che si concentra sullo sviluppo di sistemi in grado di apprendere dai dati passati, riconoscere modelli e prendere decisioni logiche, con un significativo coinvolgimento umano ridotto. È una tecnologia di analisi dei dati che crea automaticamente modelli analitici sfruttando vari tipi di informazioni digitali, come dati numerici, contenuto testuale, interazioni dell'utente e dati visivi.
Nell'apprendimento automatico supervisionato, forniamo input a un modello pre-addestrato con parametri preimpostati e il modello produce output che può essere utilizzato da altri sistemi. Tuttavia, dobbiamo sottolineare l’importanza di mantenere la riservatezza e la privacy dei dati di input e dei parametri del modello. I dati di input possono contenere informazioni finanziarie o biometriche personali sensibili, mentre i parametri del modello possono comportare elementi sensibili come parametri di autenticazione biometrica riservati.
La fusione della tecnologia a conoscenza zero e dell’intelligenza artificiale ha dato origine all’apprendimento automatico a conoscenza zero (zkML), una nuova tecnologia etica e potente che promette di rivoluzionare completamente il modo in cui lavoriamo.
In un recente articolo intitolato “Il costo dell’intelligenza”, il team di Modulus Labs ha condotto un benchmarking completo di vari sistemi di prova a conoscenza zero esistenti utilizzando una varietà di insiemi di modelli di varie dimensioni. Attualmente, nel campo dell’apprendimento automatico on-chain, l’applicazione principale di ZK è verificare calcoli accurati. Tuttavia, con il tempo e l'ulteriore sviluppo, in particolare gli Succinct Non-Interactive Arguments of Knowledge (SNARK), si prevede che ZKP si svilupperà fino al punto in cui potrà garantire la privacy degli utenti da validatori eccessivamente curiosi impedendo la divulgazione di input.
zkML integra essenzialmente la tecnologia ZK nel software AI per superare i suoi limiti nella protezione della privacy e nella verifica dell'autenticità dei dati.
Casi d'uso per zkML
Sebbene zkML sia ancora una tecnologia emergente, ha attirato un'attenzione diffusa e presenta molti scenari applicativi interessanti. Alcune delle applicazioni zkML degne di nota includono:
Integrità computazionale (validità ML)
Prove di validità come SNARK e STARK hanno la capacità di verificare la correttezza dei calcoli, che può essere estesa alle attività di apprendimento automatico convalidando le inferenze del modello o confermando che input specifici portano a output del modello specifico. La facilità di dimostrare che un output è il risultato di una specifica combinazione di modello e input facilita l'implementazione off-chain di modelli di machine learning su hardware specializzato, facilitando al contempo la verifica on-chain degli ZKP. Ad esempio, Giza sta assistendo Yearn, un protocollo di aggregazione di rendimento della finanza decentralizzata (DeFi), per dimostrare l’accuratezza dell’esecuzione di strategie di rendimento complesse utilizzando l’apprendimento automatico on-chain.
Rilevamento delle frodi
Sfruttando i dati dei contratti intelligenti, i modelli di rilevamento delle anomalie possono essere addestrati e successivamente riconosciuti dalle DAO (organizzazioni autonome decentralizzate) come indicatori preziosi per le procedure di sicurezza automatizzate. Questo approccio proattivo e preventivo consente di automatizzare azioni, come la sospensione dei contratti quando viene identificata un’attività potenzialmente dannosa, migliorandone così l’efficacia.
Trasparenza nel ML as a Service (MLaaS)
Nei casi in cui più aziende forniscono modelli di machine learning tramite le proprie API, è difficile per gli utenti determinare se il fornitore di servizi fornisce effettivamente i modelli dichiarati a causa della natura opaca delle API. Fornire una prova di validità insieme all'API del modello di machine learning fornirà trasparenza agli utenti, consentendo loro di verificare il modello specifico che stanno utilizzando.
Filtraggio nei social media Web3
Si prevede che la natura decentralizzata delle applicazioni sociali Web3 porterà a un aumento dello spam e dei contenuti dannosi. L’approccio ideale per le piattaforme di social media sarebbe quello di sfruttare un modello di apprendimento automatico open source concordato di comune accordo dalla comunità. Inoltre, la piattaforma può fornire prova dell'inferenza del modello quando si sceglie di filtrare i post. L'analisi di Daniel Kang dell'algoritmo di Twitter che utilizza zkML approfondisce ulteriormente questo argomento.
proteggere la privacy
Il settore sanitario dà priorità alla privacy e alla riservatezza dei dati dei pazienti. Sfruttando zkML, i ricercatori e le istituzioni mediche possono sviluppare modelli utilizzando i dati dei pazienti crittografati, garantendo la protezione dei dati personali. Ciò consente l’analisi collaborativa senza la necessità di condividere informazioni sensibili, facilitando i progressi nella diagnosi delle malattie, nell’efficacia del trattamento e nella ricerca sulla salute pubblica.
Esplora la panoramica del progetto zkML
Molte applicazioni di zkML sono in fase sperimentale, spesso emergono da hackathon su nuovi progetti innovativi. zkML apre nuovi modi per progettare contratti intelligenti e attualmente ci sono diversi progetti che esplorano attivamente le sue applicazioni.
Modulus Labs: applicazioni nel mondo reale e ricerca correlata utilizzando zkML. Hanno dimostrato l'applicazione di zkML attraverso dimostrazioni su progetti come RockyBot (un bot di trading on-chain) e Leela vs. the World (una partita a scacchi in cui un'intera popolazione umana compete contro una comprovata versione on-chain degli scacchi Leela). motore).
Giza: un protocollo basato su Starkware che consente la possibilità di implementare modelli di intelligenza artificiale on-chain in modo completamente trustless.
Worldcoin: un protocollo di prova della personalità che sfrutta zkML. Worldcoin sfrutta l'hardware personalizzato per gestire la scansione dettagliata dell'iride e lo incorpora nella sua implementazione Semaphore. Queste scansioni dell'iride abilitano funzioni importanti come la certificazione di appartenenza e il voto.
Insomma
Proprio come ChatGPT e Midjourney hanno attraversato innumerevoli iterazioni per arrivare dove sono oggi, zkML viene ancora continuamente migliorato e ottimizzato, passando attraverso iterazioni su iterazioni per superare varie sfide dagli aspetti tecnici a quelli pratici:
Processo di quantizzazione che riduce al minimo la perdita di precisione
Gestione delle dimensioni del circuito, soprattutto nelle reti multistrato
Dimostrazione efficiente della moltiplicazione di matrici
Affrontare gli attacchi avversari
Nel campo di zkML, i progressi stanno procedendo a un ritmo accelerato e si prevede che nel prossimo futuro raggiungeranno livelli paragonabili a quelli del più ampio campo dell’apprendimento automatico, soprattutto perché la tecnologia di accelerazione hardware continua ad evolversi.
L’integrazione degli ZKP nei sistemi di intelligenza artificiale può fornire un livello più elevato di sicurezza e protezione della privacy per gli utenti e le organizzazioni che sfruttano questi sistemi. Pertanto, attendiamo con impazienza ulteriori innovazioni di prodotto nello spazio zkML, dove la combinazione di ZKP e tecnologia blockchain crea un ambiente sicuro per le operazioni AI/ML nel mondo senza autorizzazione del Web3.