Šajā tehnoloģiski attīstītajā laikmetā ģeneratīvā mākslīgā intelekta, piemēram, ChatGPT un Midjourney, parādīšanās ir pavērusi jaunas iespējas tādās jomās kā dizains un māksla, programmatūras izstrāde, izdevējdarbība un pat finanses. Ģeneratīvais mākslīgais intelekts ir kā brīnums. Tas mums sola pārkāpt cilvēka radošuma robežas, ievērojami uzlabot mūsu produktivitāti un virzīt mūs ceļā uz augstāku inovāciju līmeni.
Lai programmatūra, piemēram, ChatGPT un Midjourney, nonāktu tur, kur tās atrodas šodien, bija vajadzīgi gadi pētījumi un apmācība par milzīgu datu apjomu, lai izstrādātu AI modeļus, kas ir aiz tiem. Kā piemēru ņemot ChatGPT, apmācībai ir nepieciešami aptuveni 570 GB datu kopas no tīmekļa lapām, grāmatām un citiem avotiem. Daļu no šiem datiem var iegūt lietotāji, kuri, iespējams, pilnībā nezina, ka viņu personas dati tiek izmantoti AI programmatūras apmācīšanai. Lai gan liela daļa savākto un izmantoto datu var būt nekaitīgi pašiem lietotājiem, neizbēgami daži sensitīvi vai privāti dati var tikt sajaukti un ievadīti modelī bez lietotāja piekrišanas.
Ņemot vērā šādu sistēmu radītās bažas par privātumu, izpratne un uzmanība datu privātuma un drošības jautājumiem turpina pieaugt. Daži ir aicinājuši atrast harmonisku līdzsvaru starp mākslīgā intelekta priekšrocību izmantošanu un personas privātuma tiesību aizsardzību. Par laimi, ir daudzsološa tehnoloģija, kas var palīdzēt pārvarēt šo plaisu — nulles zināšanu pierādījumi (ZKP).
Kas ir zkML?
Nulles zināšanu protokols ir metode, ar kuras palīdzību viena puse (pārbaudītājs) var pierādīt citai pusei (pārbaudītājam), ka noteiktais apgalvojums ir patiess, neatklājot nekādu citu informāciju, izņemot to, ka šis konkrētais apgalvojums ir patiess. Kopš 2022. gada nulles zināšanu (ZK) tehnoloģija ir stabili attīstījusies un sasniegusi ievērojamu izaugsmi blokķēdes jomā. Projekti ZK telpā ir smagi strādājuši un guvuši ievērojamus panākumus mērogojamības un privātuma aizsardzības jomās.
Mašīnmācība ir mākslīgā intelekta nozare, kas koncentrējas uz tādu sistēmu izstrādi, kuras var mācīties no pagātnes datiem, atpazīt modeļus un pieņemt loģiskus lēmumus, samazinot vajadzību pēc nozīmīgas cilvēku iesaistīšanās. Tā ir datu analīzes tehnoloģija, kas automātiski izveido analītiskos modeļus, izmantojot dažāda veida digitālo informāciju, piemēram, skaitliskos datus, teksta saturu, lietotāja mijiedarbību un vizuālos datus.
Uzraudzītā mašīnmācībā mēs nodrošinām ievadi iepriekš apmācītam modelim ar iepriekš iestatītiem parametriem, un modelis rada izvadi, ko var izmantot citas sistēmas. Tomēr mums jāuzsver, cik svarīgi ir saglabāt ievades datu un modeļa parametru konfidencialitāti un privātumu. Ievades datos var būt ietverta sensitīva personas finanšu vai biometriskā informācija, un modeļa parametri var ietvert sensitīvus elementus, piemēram, konfidenciālus biometriskās autentifikācijas parametrus.
Nulles zināšanu tehnoloģijas un mākslīgā intelekta saplūšana ir radījusi nulles zināšanu mašīnmācību (zkML), ētisku un spēcīgu jaunu tehnoloģiju, kas var pilnībā mainīt mūsu darba veidu.
Nesenā rakstā ar nosaukumu (Intelligence Cost of Intelligence) Modulus Labs komanda veica dažādu esošo nulles zināšanu pierādījumu sistēmu visaptverošu etalonu, izmantojot dažādu izmēru modeļu kolekciju. Pašlaik ķēdes mašīnmācības jomā galvenais ZK pielietojums ir pārbaudīt precīzus aprēķinus. Tomēr ar laiku un turpmāku attīstību, jo īpaši kodolīgiem neinteraktīviem zināšanu argumentiem (SNARK), ir sagaidāms, ka ZKP attīstīsies tiktāl, ka tie var nodrošināt lietotāju privātumu no pārāk ziņkārīgiem pārbaudītājiem, novēršot ievades izpaušanu.
zkML būtībā integrē ZK tehnoloģiju AI programmatūrā, lai pārvarētu tās ierobežojumus privātuma aizsardzībā, datu autentiskuma pārbaudē utt.
ZkML lietošanas gadījumi
Lai gan zkML joprojām ir jauna tehnoloģija, tā ir piesaistījusi plašu uzmanību un tai ir daudz iespaidīgu lietojumu scenāriju. Dažas ievērojamas zkML lietojumprogrammas ietver:
Aprēķinu pilnība (derīgums ML)
Derīguma pierādījumiem, piemēram, SNARK un STARK, ir iespēja pārbaudīt aprēķinu pareizību, un šo iespēju var attiecināt arī uz mašīnmācīšanās uzdevumiem, pārbaudot modeļa secinājumus vai apstiprinot, ka konkrētas ievades rezultātā tiek iegūti konkrēti modeļa rezultāti. Vienkārša pierādīšana, ka izvade ir noteikta modeļa un ievades kombinācijas rezultāts, atvieglo mašīnmācīšanās modeļu ārpus ķēdes izvietošanu specializētā aparatūrā, vienlaikus ērti pārbaudot ZKP ķēdē. Piemēram, Giza palīdz Yearn, decentralizētas finanšu (DeFi) ienesīguma apkopošanas protokolam, lai ķēdē demonstrētu sarežģītu ienesīguma stratēģiju izpildes precizitāti, izmantojot mašīnmācīšanos.
Krāpšanas atklāšana
Izmantojot viedo līgumu datus, anomāliju noteikšanas modeļus var apmācīt un pēc tam DAO (decentralizēta autonoma organizācija) atpazīt kā vērtīgus rādītājus automatizētām drošības programmām. Šī proaktīvā un preventīvā pieeja ļauj automatizēt darbības, piemēram, līguma apturēšanu, kad tiek konstatēta iespējama ļaunprātīga darbība, tādējādi uzlabojot tās efektivitāti.
Pārredzamība pakalpojumā ML kā pakalpojums (MLaaS)
Situācijās, kad vairāki uzņēmumi piedāvā mašīnmācīšanās modeļus, izmantojot savus API, lietotājiem ir grūti noteikt, vai pakalpojuma sniedzējs patiešām nodrošina pieprasīto modeli API necaurredzamības dēļ. Derīguma pierādījumu nodrošināšana kopā ar mašīnmācīšanās modeļu API nodrošinās lietotājiem pārredzamību, ļaujot viņiem pārbaudīt konkrētos modeļus, ko viņi izmanto.
Filtrēšana Web3 sociālajos medijos
Paredzams, ka Web3 sociālo lietojumprogrammu decentralizētais raksturs izraisīs surogātpasta un ļaunprātīga satura pieaugumu. Ideāla pieeja sociālo mediju platformām būtu izmantot atvērtā koda mašīnmācības modeli, par kuru kopiena vienojās. Turklāt platforma var nodrošināt modeļa secinājumu pierādījumus, izvēloties filtrēt ziņas. Daniela Kanga Twitter algoritma analīze, izmantojot zkML, turpina pētīt šo tēmu.
Privātuma aizsardzība
Veselības aprūpes nozare par prioritāti izvirza pacientu datu privātumu un konfidencialitāti. Izmantojot zkML, medicīnas pētnieki un institūcijas var izstrādāt modeļus, izmantojot šifrētus pacientu datus, nodrošinot personas ierakstu aizsardzību. Tas ļauj veikt kopīgu analīzi bez sensitīvas informācijas koplietošanas, tādējādi uzlabojot slimību diagnostiku, ārstēšanas efektivitāti un sabiedrības veselības izpēti.
Izpētiet zkML projekta pārskatu
Pašlaik tiek eksperimentētas ar daudzām zkML lietojumprogrammām, kas bieži parādās hakatonos, lai izstrādātu novatoriskus jaunus projektus. zkML paver jaunas iespējas viedo līgumu izstrādei, un ir vairāki projekti, kas aktīvi pēta tā lietojumus.
Modulus Labs: reālās pasaules lietojumprogrammu un pētījumu veikšana, izmantojot zkML. Viņi demonstrēja zkML lietojumus, demonstrējot tādus projektus kā RockyBot (ķēdes tirdzniecības robots) un Leela vs. the World (šaha spēle, kurā visa cilvēku populācija sacenšas ar pārbaudītu Leela šaha dzinēja versiju ķēdē).
Giza: Starkware darbināmais protokols nodrošina iespēju ķēdē izvietot AI modeļus pilnīgi neuzticamā veidā.
Worldcoin: personības apliecinājuma protokols, kas izmanto zkML. Worldcoin izmanto pielāgotu aparatūru, lai apstrādātu detalizētus varavīksnenes skenējumus, un iekļauj to savā Semaphore ieviešanā. Šīs varavīksnenes skenēšanas iespējas nodrošina svarīgas funkcijas, piemēram, dalības sertifikāciju un balsošanu.
noslēgumā
Tāpat kā ChatGPT un Midjourney veica neskaitāmas iterācijas, lai sasniegtu pašreizējo stāvokli, zkML joprojām tiek uzlabots un optimizēts, veicot iterāciju pēc iterācijas, lai pārvarētu dažādas problēmas gan no tehniskā, gan praktiskā aspekta:
Kvantēšana ar minimālu precizitātes zudumu
Ķēžu izmēru pārvaldība, īpaši daudzslāņu tīklos
Efektīvs matricas reizināšanas pierādījums
Tikt galā ar pretrunīgiem uzbrukumiem
zkML jomā progress notiek straujā tempā, un ir paredzams, ka tuvākajā nākotnē tas sasniegs līmeni, kas ir salīdzināms ar plašāku mašīnmācības jomu, jo īpaši turpinot attīstīties aparatūras paātrināšanas paņēmieniem.
ZKP iekļaušana AI sistēmās varētu nodrošināt paaugstinātu drošības un privātuma aizsardzības līmeni gan lietotājiem, gan organizācijām, kas izmanto šīs sistēmas. Tāpēc mēs ar nepacietību gaidām turpmākus produktu jauninājumus zkML telpā, kur ZKP un blokķēdes tehnoloģijas kombinācija rada drošu vidi AI/ML darbībām Web3 bezatļautajā pasaulē.