În această eră avansată din punct de vedere tehnologic, apariția inteligenței artificiale generative, cum ar fi ChatGPT și Midjourney, a deschis noi posibilități în domenii precum design și artă, dezvoltare software, publicare și chiar finanțe. Inteligența artificială generativă este ca un miracol. Ne promite să depășim granițele creativității umane, să ne îmbunătățim semnificativ productivitatea și să ne conducem pe drumul către un nivel mai înalt de inovație.
Pentru a aduce software-uri precum ChatGPT și Midjourney acolo unde sunt astăzi, a fost nevoie de ani de cercetare și instruire pe cantități mari de date pentru a dezvolta modelele AI în spatele lor. Luând ChatGPT ca exemplu, este nevoie de aproximativ 570 GB de set de date din pagini web, cărți și alte surse pentru instruire. Unele dintre aceste date pot proveni de la utilizatori care ar putea să nu fie complet conștienți că datele lor personale sunt folosite pentru a antrena software AI. În timp ce multe dintre datele colectate și utilizate pot fi inofensive pentru utilizatorii înșiși, în mod inevitabil, unele date sensibile sau private pot fi amestecate și transmise modelului fără consimțământul utilizatorului.
Având în vedere preocupările legate de confidențialitate ridicate de astfel de sisteme, există o conștientizare și un accent tot mai mare pe problemele de confidențialitate și securitate a datelor. Unii oameni fac apel la găsirea unui echilibru armonios între a profita de avantajele inteligenței artificiale și a proteja drepturile personale la confidențialitate. Din fericire, există o tehnologie promițătoare care poate ajuta la eliminarea acestei decalaje – dovezile zero-knowledge (ZKPs).
Ce este zkML?
Un protocol zero-cunoaștere este o metodă prin care o parte (dovatorul) poate dovedi altei părți (verificatorul) că o anumită propoziție este adevărată, fără a dezvălui alte informații în afară de faptul că această propoziție particulară este adevărată. Din 2022, tehnologia Zero Knowledge (ZK) s-a dezvoltat constant și a înregistrat o creștere semnificativă în domeniul blockchain. Proiectele din spațiul ZK au lucrat din greu și au făcut progrese semnificative în domeniile scalabilității și protecției confidențialității.
Învățarea automată este o ramură a inteligenței artificiale care se concentrează pe dezvoltarea sistemelor care pot învăța din datele din trecut, pot recunoaște tipare și pot lua decizii logice, cu implicarea umană minimă. Este o tehnologie de analiză a datelor care creează automat modele analitice prin valorificarea diferitelor tipuri de informații digitale, cum ar fi date numerice, conținut textual, interacțiuni ale utilizatorilor și date vizuale.
În învățarea automată supravegheată, oferim intrare la un model pre-antrenat cu parametri prestabiliți, iar modelul produce o ieșire care poate fi utilizată de alte sisteme. Cu toate acestea, trebuie să subliniem importanța păstrării confidențialității și confidențialității datelor de intrare și a parametrilor modelului. Datele de intrare pot conține informații financiare sau biometrice personale sensibile, în timp ce parametrii modelului pot implica elemente sensibile, cum ar fi parametrii confidențiali de autentificare biometrică.
Fuziunea dintre tehnologia zero-knowledge și inteligența artificială a dat naștere la zero-knowledge machine learning (zkML), o nouă tehnologie etică și puternică care promite să revoluționeze complet modul în care lucrăm.
Într-o lucrare recentă intitulată „Cost of Intelligence”, echipa Modulus Labs a efectuat o evaluare comparativă cuprinzătoare a diferitelor sisteme existente de demonstrare a cunoștințelor zero, folosind o varietate de ansambluri de modele de diferite dimensiuni. În prezent, în domeniul învățării automate în lanț, principala aplicație a lui ZK este verificarea calculelor precise. Cu toate acestea, cu timpul și dezvoltarea ulterioară, în special Argumentele non-interactive de cunoaștere succinte (SNARK), se așteaptă ca ZKP să se dezvolte până la un punct în care să poată asigura confidențialitatea utilizatorilor de validatori prea curioși, împiedicând dezvăluirea intrărilor.
zkML integrează în esență tehnologia ZK în software-ul AI pentru a-și depăși limitările în protecția vieții private și verificarea autenticității datelor.
Cazuri de utilizare pentru zkML
Deși zkML este încă o tehnologie în curs de dezvoltare, a atras atenția pe scară largă și are multe scenarii de aplicare convingătoare. Unele dintre aplicațiile zkML notabile includ:
Integritate computațională (validitate ML)
Dovezile de validitate, cum ar fi SNARK-urile și STARK-urile au capacitatea de a verifica corectitudinea calculelor, care pot fi extinse la sarcinile de învățare automată prin validarea inferențelor modelului sau confirmând că intrările specifice conduc la ieșiri specifice modelului. Ușurința de a demonstra că o ieșire este rezultatul unei combinații specifice de model și intrare facilitează implementarea în afara lanțului a modelelor de învățare automată pe hardware specializat, facilitând în același timp verificarea în lanț a ZKP-urilor. De exemplu, Giza ajută Yearn, un protocol de agregare a randamentului financiar descentralizat (DeFi), pentru a demonstra acuratețea executării strategiilor complexe de randament folosind învățarea automată în lanț.
Detectarea fraudei
Prin valorificarea datelor din contractele inteligente, modelele de detectare a anomaliilor pot fi antrenate și ulterior recunoscute de DAO (Organizații Autonome Descentralizate) ca indicatori valoroși pentru procedurile automate de securitate. Această abordare proactivă și preventivă face posibilă automatizarea acțiunilor, cum ar fi suspendarea contractelor atunci când sunt identificate activități potențial rău intenționate, sporind astfel eficacitatea acestora.
Transparență în ML ca serviciu (MLaaS)
În cazurile în care mai multe companii oferă modele de învățare automată prin intermediul API-urilor lor, este dificil pentru utilizatori să stabilească dacă furnizorul de servicii furnizează de fapt modelele revendicate din cauza naturii opace a API-urilor. Furnizarea dovezilor de validitate alături de API-ul modelului de învățare automată va oferi transparență utilizatorilor, permițându-le să verifice modelul specific pe care îl folosesc.
Filtrarea în Web3 Social Media
Natura descentralizată a aplicațiilor sociale Web3 este de așteptat să ducă la o creștere a conținutului de spam și rău intenționat. Abordarea ideală pentru platformele de social media ar fi folosirea unui model open source de învățare automată care este convenit de comun acord de către comunitate. În plus, platforma poate oferi o dovadă a inferenței modelului atunci când alegeți să filtrați postările. Analiza lui Daniel Kang a algoritmului Twitter folosind zkML aprofundează mai mult în acest subiect.
protecție a vieții private
Industria de asistență medicală acordă prioritate confidențialității și confidențialității datelor pacienților. Prin folosirea zkML, cercetătorii și instituțiile medicale pot dezvolta modele folosind datele criptate ale pacienților, asigurând protecția înregistrărilor personale. Acest lucru permite analiza în colaborare fără a fi nevoie de a partaja informații sensibile, facilitând progresele în diagnosticarea bolii, eficacitatea tratamentului și cercetarea în domeniul sănătății publice.
Explorați prezentarea generală a proiectului zkML
Multe aplicații ale zkML sunt în faza experimentală, deseori reieșind din hackathon-uri pe proiecte noi inovatoare. zkML deschide noi modalități de a proiecta contracte inteligente, iar în prezent există mai multe proiecte care explorează în mod activ aplicațiile sale.
Modulus Labs: aplicații din lumea reală și cercetări aferente prin utilizarea zkML. Ei au demonstrat aplicarea zkML prin demonstrații pe proiecte precum RockyBot (un bot de tranzacționare în lanț) și Leela vs. the World (un joc de șah în care o întreagă populație umană concurează împotriva unei versiuni dovedite în lanț a șahului Leela motor).
Giza: un protocol alimentat de Starkware care permite abilitatea de a implementa modele de inteligență artificială în lanț într-o manieră complet lipsită de încredere.
Worldcoin: un protocol de dovadă a personalității care folosește zkML. Worldcoin folosește hardware personalizat pentru a gestiona scanarea detaliată a irisului și îl încorporează în implementarea sa Semaphore. Aceste scanări ale irisului permit funcții importante, cum ar fi certificarea de membru și votul.
în concluzie
La fel cum ChatGPT și Midjourney au trecut prin nenumărate iterații pentru a ajunge acolo unde sunt astăzi, zkML este încă îmbunătățit și optimizat, trecând prin iterație după iterație pentru a depăși diferite provocări, de la aspecte tehnice la aspecte practice:
Proces de cuantizare care minimizează pierderea de precizie
Gestionarea dimensiunii circuitului, în special în rețelele cu mai multe straturi
Dovada eficientă a înmulțirii matricei
Confruntarea cu atacurile adverse
În domeniul zkML, progresul avansează într-un ritm accelerat și se așteaptă să atingă niveluri comparabile cu cele din domeniul învățării automate mai larg în viitorul apropiat, mai ales că tehnologia de accelerare hardware continuă să se dezvolte.
Încorporarea ZKP-urilor în sistemele AI poate oferi un nivel mai ridicat de securitate și protecție a confidențialității utilizatorilor și organizațiilor care folosesc aceste sisteme. Prin urmare, așteptăm cu nerăbdare noi inovații de produs în spațiul zkML, unde combinația dintre ZKP și tehnologia blockchain creează un mediu sigur și securizat pentru operațiunile AI/ML în lumea fără permisiune a Web3.