この技術的に進歩した時代において、ChatGPT や Midjourney などの生成人工知能の出現により、デザインやアート、ソフトウェア開発、出版、さらには金融などの分野に新たな可能性が開かれました。生成型人工知能は、人間の創造性の限界を突破し、生産性を大幅に向上させ、より高いレベルのイノベーションへの道に導くことを約束する奇跡のようなものです。
ChatGPT や Midjourney のようなソフトウェアを今日の地位に到達させるには、その背後にある AI モデルを開発するために、膨大な量のデータに対する何年もの研究とトレーニングが必要でした。 ChatGPT を例に挙げると、トレーニングには Web ページ、書籍、その他のソースからの約 570 GB のデータセットが必要です。このデータの一部は、自分の個人データが AI ソフトウェアのトレーニングに使用されていることをまったく知らないユーザーからのものである可能性があります。収集および使用されるデータの多くはユーザー自身にとって無害である可能性がありますが、必然的に一部の機密データまたはプライベート データがユーザーの同意なしに混入され、モデルに供給される可能性があります。
このようなシステムによって生じるプライバシーの懸念を考慮して、データのプライバシーとセキュリティの問題に対する意識が高まり、重視されています。人工知能の利点の活用と個人のプライバシー権の保護との間で調和のとれたバランスを見つけることを求める人もいます。幸いなことに、このギャップを埋めるのに役立つ有望なテクノロジー、ゼロ知識証明 (ZKP) があります。
zkMLとは何ですか?
ゼロ知識プロトコルとは、一方の当事者 (証明者) が、この特定の命題が真であるという事実以外の他の情報を明らかにすることなく、特定の命題が真であることを別の当事者 (検証者) に証明できる方法です。 2022 年以降、ゼロ ナレッジ (ZK) テクノロジーは着実に発展しており、ブロックチェーン分野で大きな成長を遂げています。 ZK 分野のプロジェクトは熱心に取り組んでおり、スケーラビリティとプライバシー保護の分野で大きな進歩を遂げています。
機械学習は、人間の関与を最小限に抑えながら、過去のデータから学習し、パターンを認識し、論理的な意思決定を行うことができるシステムの開発に焦点を当てた人工知能の一分野です。数値データ、テキストコンテンツ、ユーザーインタラクション、ビジュアルデータなどのさまざまなデジタル情報を活用して、分析モデルを自動的に作成するデータ分析技術です。
教師あり機械学習では、事前に設定されたパラメーターを使用して事前トレーニングされたモデルに入力を提供し、そのモデルは他のシステムで使用できる出力を生成します。ただし、入力データとモデル パラメーターの機密性とプライバシーを維持することの重要性を強調する必要があります。入力データには機密の個人財務情報や生体認証情報が含まれる場合がありますが、モデル パラメータには機密の生体認証パラメータなどの機密要素が含まれる場合があります。
ゼロ知識テクノロジーと人工知能の融合により、ゼロ知識機械学習 (zkML) が誕生しました。これは、私たちの働き方に完全な変革を約束する、倫理的で強力な新テクノロジーです。
「インテリジェンスのコスト」と題された最近の論文で、Modulus Labs チームは、さまざまなサイズのさまざまなモデル アンサンブルを使用して、既存のさまざまなゼロ知識証明システムの包括的なベンチマークを実施しました。現在、オンチェーン機械学習の分野における ZK の主な用途は、正確な計算を検証することです。しかし、時間とさらなる開発、特に Succinct Non-Interactive Arguments of Knowledge (SNARK) は、入力の開示を防ぐことで、過度に好奇心旺盛なバリデーターからユーザーのプライバシーを確保できるレベルまで開発されることが期待されています。
zkML は基本的に ZK テクノロジーを AI ソフトウェアに統合し、プライバシー保護とデータの信頼性検証における限界を克服します。
zkML の使用例
zkML はまだ新興テクノロジーですが、広く注目を集めており、多くの魅力的なアプリケーション シナリオを備えています。注目すべき zkML アプリケーションには次のものがあります。
計算上の完全性 (妥当性 ML)
SNARK や STARK などの妥当性証明には、計算の正しさを検証する機能があり、モデル推論を検証したり、特定の入力が特定のモデル出力につながることを確認したりすることで、機械学習タスクに拡張できます。出力がモデルと入力の特定の組み合わせの結果であることを証明することが容易なため、ZKP のオンチェーン検証を容易にしながら、専用のハードウェアでの機械学習モデルのオフチェーン展開が容易になります。たとえば、Giza は、分散型金融 (DeFi) 利回りアグリゲーター プロトコルである Yearn を支援し、オンチェーンの機械学習を使用して複雑な利回り戦略を実行する精度を実証しています。
不正行為の検出
スマート コントラクト データを活用することで、異常検出モデルをトレーニングし、その後、自動化されたセキュリティ手順の貴重な指標として DAO (分散型自律組織) によって認識されるようになります。このプロアクティブかつ予防的なアプローチにより、潜在的に悪意のあるアクティビティが特定された場合に契約を一時停止するなどのアクションを自動化できるため、その有効性が向上します。
ML as a Service (MLaaS) の透明性
複数の企業が API を通じて機械学習モデルを提供している場合、API の不透明な性質により、サービス プロバイダーが主張するモデルを実際に提供しているかどうかをユーザーが判断することは困難です。機械学習モデル API とともに有効性の証明を提供することで、ユーザーに透明性が提供され、使用している特定のモデルを検証できるようになります。
Web3ソーシャルメディアでのフィルタリング
Web3 ソーシャル アプリケーションの分散化された性質により、スパムや悪意のあるコンテンツが増加すると予想されます。ソーシャル メディア プラットフォームの理想的なアプローチは、コミュニティによって相互に合意されたオープンソースの機械学習モデルを活用することです。さらに、プラットフォームは、投稿のフィルタリングを選択するときにモデル推論の証拠を提供できます。 Daniel Kang による zkML を使用した Twitter アルゴリズムの分析では、このトピックをさらに詳しく掘り下げています。
プライバシー保護
医療業界は患者データのプライバシーと機密性を優先します。 zkML を活用することで、医療研究者や医療機関は、暗号化された患者データを使用してモデルを開発し、個人記録を確実に保護できます。これにより、機密情報を共有することなく共同分析が可能になり、病気の診断、治療効果、公衆衛生研究の進歩が促進されます。
zkML のプロジェクト概要を調べる
zkML のアプリケーションの多くは実験段階にあり、革新的な新しいプロジェクトのハッカソンから生まれることがよくあります。 zkML は、スマート コントラクトを設計する新しい方法を切り開き、現在、そのアプリケーションを積極的に検討しているプロジェクトがいくつかあります。
Modulus Labs: zkML を使用した現実世界のアプリケーションと関連研究。彼らは、RockyBot (オンチェーン取引ボット) や Leela vs. the World (人類全体が実証済みのオンチェーン バージョンの Leela チェスと対戦するチェス ゲーム) などのプロジェクトのデモンストレーションを通じて、zkML の応用を実証しました。エンジン）。
Giza: Starkware を利用したプロトコルで、完全にトラストレスな方法で人工知能モデルをオンチェーンに展開できるようにします。
Worldcoin: zkML を活用した本人確認プロトコル。 Worldcoin はカスタム ハードウェアを活用して詳細な虹彩スキャンを処理し、それをセマフォの実装に組み込みます。これらの虹彩スキャンにより、会員認証や投票などの重要な機能が可能になります。
結論は
ChatGPT と Midjourney が今日の状況に到達するまでに数え切れないほどの反復を経てきたのと同じように、zkML は現在でも改良と最適化が行われており、技術的な側面から実用的な側面までさまざまな課題を克服するために反復に反復を繰り返しています。
精度の低下を最小限に抑える量子化プロセス
特にマルチレイヤーネットワークにおける回路サイズの管理
効率的な行列乗算の証明
敵対的な攻撃への対処
zkML の分野では進歩が加速しており、特にハードウェア アクセラレーション技術が発展し続けるにつれて、近い将来にはより広範な機械学習分野と同等のレベルに達すると予想されています。
ZKP を AI システムに組み込むと、これらのシステムを利用するユーザーと組織に、より高いレベルのセキュリティとプライバシー保護を提供できます。したがって、ZKP とブロックチェーン テクノロジーの組み合わせにより、Web3 のパーミッションレスな世界で AI/ML 操作のための安全でセキュアな環境が構築される、zkML 分野でのさらなる製品革新を心待ちにしています。