Nesta era tecnologicamente avançada, o advento da inteligência artificial generativa, como ChatGPT e Midjourney, abriu novas possibilidades em áreas como design e arte, desenvolvimento de software, publicação e até finanças. A inteligência artificial generativa é como um milagre. Ela promete-nos romper os limites da criatividade humana, melhorar significativamente a nossa produtividade e conduzir-nos no caminho para um nível mais elevado de inovação.
Para levar softwares como ChatGPT e Midjourney onde estão hoje, foram necessários anos de pesquisa e treinamento em grandes quantidades de dados para desenvolver os modelos de IA por trás deles. Tomando o ChatGPT como exemplo, são necessários cerca de 570 GB de conjuntos de dados de páginas da web, livros e outras fontes para treinamento. Alguns desses dados podem vir de usuários que desconhecem completamente que seus dados pessoais estão sendo usados para treinar software de IA. Embora muitos dos dados recolhidos e utilizados possam ser inofensivos para os próprios utilizadores, inevitavelmente alguns dados sensíveis ou privados podem ser misturados e alimentados no modelo sem o consentimento do utilizador.
Dadas as preocupações com a privacidade levantadas por tais sistemas, há uma consciência e uma ênfase crescentes nas questões de privacidade e segurança dos dados. Algumas pessoas apelam à procura de um equilíbrio harmonioso entre tirar partido das vantagens da inteligência artificial e proteger os direitos de privacidade pessoal. Felizmente, existe uma tecnologia promissora que pode ajudar a preencher essa lacuna – provas de conhecimento zero (ZKPs).
O que é zkML?
Um protocolo de conhecimento zero é um método pelo qual uma parte (o provador) pode provar a outra parte (o verificador) que uma determinada proposição é verdadeira sem revelar qualquer outra informação além do fato de que esta proposição específica é verdadeira. Desde 2022, a tecnologia de conhecimento zero (ZK) tem se desenvolvido continuamente e alcançado um crescimento significativo no campo blockchain. Os projetos no espaço ZK têm trabalhado arduamente e feito progressos significativos nas áreas de escalabilidade e proteção de privacidade.
O aprendizado de máquina é um ramo da inteligência artificial que se concentra no desenvolvimento de sistemas que podem aprender com dados anteriores, reconhecer padrões e tomar decisões lógicas, com um envolvimento humano significativo reduzido. É uma tecnologia de análise de dados que cria automaticamente modelos analíticos aproveitando vários tipos de informações digitais, como dados numéricos, conteúdo textual, interações do usuário e dados visuais.
No aprendizado de máquina supervisionado, fornecemos entrada para um modelo pré-treinado com parâmetros predefinidos, e o modelo produz uma saída que pode ser usada por outros sistemas. Contudo, devemos enfatizar a importância de manter a confidencialidade e a privacidade dos dados de entrada e dos parâmetros do modelo. Os dados de entrada podem conter informações financeiras ou biométricas pessoais confidenciais, enquanto os parâmetros do modelo podem envolver elementos confidenciais, como parâmetros de autenticação biométrica confidenciais.
A fusão da tecnologia de conhecimento zero e da inteligência artificial deu origem ao aprendizado de máquina de conhecimento zero (zkML), uma nova tecnologia ética e poderosa que promete revolucionar completamente a forma como trabalhamos.
Em um artigo recente intitulado (The Cost of Intelligence), a equipe do Modulus Labs conduziu um benchmarking abrangente de vários sistemas existentes de prova de conhecimento zero usando uma variedade de conjuntos de modelos de tamanhos variados. Atualmente, na área de aprendizado de máquina on-chain, a principal aplicação do ZK é verificar cálculos precisos. No entanto, com o tempo e o desenvolvimento, especialmente Argumentos de Conhecimento Não Interativos Sucintos (SNARKs), espera-se que o ZKP se desenvolva a um ponto em que possa garantir a privacidade dos usuários de validadores excessivamente curiosos, evitando a divulgação de entradas.
O zkML integra essencialmente a tecnologia ZK ao software de IA para superar suas limitações na proteção da privacidade e na verificação da autenticidade dos dados.
Casos de uso para zkML
Embora zkML ainda seja uma tecnologia emergente, ela atraiu ampla atenção e possui muitos cenários de aplicação atraentes. Algumas das aplicações zkML notáveis incluem:
Integridade computacional (validade ML)
Provas de validade como SNARKs e STARKs têm a capacidade de verificar a exatidão dos cálculos, que podem ser estendidas a tarefas de aprendizado de máquina, validando inferências de modelos ou confirmando que entradas específicas levam a resultados de modelos específicos. A facilidade de provar que uma saída é o resultado de uma combinação específica de modelo e entrada facilita a implantação fora da cadeia de modelos de aprendizado de máquina em hardware especializado, ao mesmo tempo que facilita a verificação de ZKPs na cadeia. Por exemplo, Giza está ajudando Yearn, um protocolo agregador de rendimento de finanças descentralizadas (DeFi), a demonstrar a precisão da execução de estratégias de rendimento complexas usando aprendizado de máquina on-chain.
Detecção de fraude
Ao aproveitar dados de contratos inteligentes, os modelos de detecção de anomalias podem ser treinados e posteriormente reconhecidos pelas DAOs (Organizações Autônomas Descentralizadas) como indicadores valiosos para procedimentos de segurança automatizados. Esta abordagem proativa e preventiva permite automatizar ações, como a suspensão de contratos quando são identificadas atividades potencialmente maliciosas, aumentando assim a sua eficácia.
Transparência em ML como serviço (MLaaS)
Nos casos em que várias empresas fornecem modelos de aprendizagem automática através das suas APIs, é difícil para os utilizadores determinar se o fornecedor de serviços realmente fornece os modelos reivindicados devido à natureza opaca das APIs. Fornecer prova de validade junto com a API do modelo de aprendizado de máquina proporcionará transparência aos usuários, permitindo-lhes verificar o modelo específico que estão usando.
Filtragem nas mídias sociais Web3
Espera-se que a natureza descentralizada dos aplicativos sociais Web3 leve a um aumento no spam e no conteúdo malicioso. A abordagem ideal para plataformas de mídia social seria aproveitar um modelo de aprendizado de máquina de código aberto que fosse mutuamente acordado pela comunidade. Além disso, a plataforma pode fornecer prova de inferência de modelo ao escolher filtrar postagens. A análise de Daniel Kang do algoritmo do Twitter usando zkML se aprofunda neste tópico.
proteger a privacidade
O setor de saúde prioriza a privacidade e a confidencialidade dos dados dos pacientes. Ao aproveitar o zkML, pesquisadores e instituições médicas podem desenvolver modelos usando dados criptografados de pacientes, garantindo a proteção de registros pessoais. Isto permite a análise colaborativa sem a necessidade de partilhar informações sensíveis, facilitando avanços no diagnóstico de doenças, na eficácia do tratamento e na investigação em saúde pública.
Explore a visão geral do projeto zkML
Muitas aplicações do zkML estão em fase experimental, muitas vezes emergindo de hackathons em novos projetos inovadores. O zkML abre novas maneiras de projetar contratos inteligentes e atualmente existem vários projetos explorando ativamente suas aplicações.
Modulus Labs: aplicações do mundo real e pesquisas relacionadas usando zkML. Eles demonstraram a aplicação do zkML por meio de demonstrações em projetos como RockyBot (um bot de negociação on-chain) e Leela vs. the World (um jogo de xadrez em que uma população humana inteira compete contra uma versão comprovada on-chain do xadrez Leela motor).
Gizé: Um protocolo desenvolvido pela Starkware que permite implantar modelos de inteligência artificial on-chain de maneira totalmente confiável.
Worldcoin: Um protocolo de prova de personalidade que aproveita o zkML. Worldcoin aproveita hardware personalizado para lidar com digitalização detalhada da íris e incorpora-o em sua implementação de Semaphore. Essas varreduras de íris permitem funções importantes, como certificação de membros e votação.
para concluir
Assim como ChatGPT e Midjourney passaram por inúmeras iterações para chegar onde estão hoje, o zkML ainda está sendo continuamente melhorado e otimizado, passando por iteração após iteração para superar vários desafios, desde aspectos técnicos até aspectos práticos:
Processo de quantização que minimiza a perda de precisão
Gerenciando o tamanho do circuito, especialmente em redes multicamadas
Prova eficiente de multiplicação de matrizes
Lidando com ataques adversários
No campo do zkML, o progresso prossegue a um ritmo acelerado e espera-se que atinja níveis comparáveis aos do campo mais amplo da aprendizagem automática num futuro próximo, especialmente à medida que a tecnologia de aceleração de hardware continua a evoluir.
A incorporação de ZKPs em sistemas de IA pode fornecer um nível mais alto de segurança e proteção de privacidade para usuários e organizações que utilizam esses sistemas. Portanto, aguardamos ansiosamente mais inovações de produtos no espaço zkML, onde a combinação de ZKPs e tecnologia blockchain cria um ambiente seguro para operações de IA/ML no mundo sem permissão da Web3.