V této technologicky pokročilé době otevřel nástup generativní umělé inteligence, jako je ChatGPT a Midjourney, nové možnosti v oblastech, jako je design a umění, vývoj softwaru, publikování a dokonce i finance. Generativní umělá inteligence je jako zázrak. Slibuje nám prolomit hranice lidské kreativity, výrazně zlepšit naši produktivitu a dovést nás na cestu k vyšší úrovni inovací.
Abychom dostali software jako ChatGPT a Midjourney tam, kde jsou dnes, vývoj modelů umělé inteligence za nimi vyžadoval roky výzkumu a školení na obrovském množství dat. Vezmeme-li jako příklad ChatGPT, vyžaduje pro školení asi 570 GB datové sady z webových stránek, knih a dalších zdrojů. Některá z těchto dat mohou pocházet od uživatelů, kteří si možná vůbec neuvědomují, že jejich osobní údaje jsou používány k výcviku softwaru AI. I když velká část shromážděných a používaných dat může být pro samotné uživatele neškodná, nevyhnutelně mohou být některá citlivá nebo soukromá data přimíchána a dodána do modelu bez souhlasu uživatele.
Vzhledem k obavám o soukromí, které takové systémy vyvolávají, roste povědomí a důraz na otázky ochrany osobních údajů a bezpečnosti. Někteří lidé volají po nalezení harmonické rovnováhy mezi využíváním výhod umělé inteligence a ochranou práv na soukromí. Naštěstí existuje slibná technologie, která může pomoci překlenout tuto mezeru – důkazy s nulovými znalostmi (ZKP).
Co je to zkML?
Protokol s nulovými znalostmi je metoda, pomocí které může jedna strana (ověřovatel) prokázat druhé straně (ověřovateli), že určitá teze je pravdivá, aniž by prozradila jakékoli jiné informace kromě skutečnosti, že tato konkrétní teze je pravdivá. Od roku 2022 se technologie Zero Knowledge (ZK) neustále vyvíjí a dosáhla významného růstu v oblasti blockchainu. Projekty v prostoru ZK usilovně pracují a dosahují významného pokroku v oblastech škálovatelnosti a ochrany soukromí.
Strojové učení je odvětví umělé inteligence, které se zaměřuje na vývoj systémů, které se dokážou učit z minulých dat, rozpoznávat vzorce a činit logická rozhodnutí, přičemž je výrazně omezeno zapojení lidí. Jedná se o technologii analýzy dat, která automaticky vytváří analytické modely využitím různých typů digitálních informací, jako jsou číselná data, textový obsah, interakce uživatelů a vizuální data.
Při strojovém učení pod dohledem poskytujeme vstup do předem trénovaného modelu s přednastavenými parametry a model vytváří výstup, který mohou používat jiné systémy. Musíme však zdůraznit důležitost zachování důvěrnosti a soukromí vstupních dat a parametrů modelu. Vstupní data mohou obsahovat citlivé osobní finanční nebo biometrické informace, zatímco parametry modelu mohou zahrnovat citlivé prvky, jako jsou důvěrné parametry biometrické autentizace.
Spojení technologie s nulovými znalostmi a umělé inteligence dalo vzniknout strojovému učení s nulovými znalostmi (zkML), etické a výkonné nové technologii, která slibuje úplnou revoluci ve způsobu naší práce.
V nedávném článku nazvaném „Cost of Intelligence“ provedl tým Modulus Labs komplexní srovnávání různých existujících systémů prokazujících nulové znalosti pomocí různých modelových souborů různých velikostí. V současné době je v oblasti strojového učení on-chain hlavní aplikací ZK ověřování přesných výpočtů. Očekává se však, že s časem a dalším vývojem, zejména Succinct Non-Interactive Arguments of Knowledge (SNARK), se ZKP vyvine do bodu, kdy může zajistit soukromí uživatelů před příliš zvědavými validátory tím, že zabrání prozrazení vstupů.
zkML v podstatě integruje technologii ZK do softwaru AI, aby překonala svá omezení v ochraně soukromí a ověřování pravosti dat.
Případy použití pro zkML
Přestože je zkML stále nově vznikající technologií, přitahuje širokou pozornost a má mnoho působivých aplikačních scénářů. Některé z pozoruhodných aplikací zkML zahrnují:
Výpočetní integrita (platnost ML)
Důkazy platnosti, jako jsou SNARK a STARK, mají schopnost ověřit správnost výpočtů, což lze rozšířit na úlohy strojového učení ověřením modelových inferencí nebo potvrzením, že konkrétní vstupy vedou ke konkrétním výstupům modelu. Snadné dokazování, že výstup je výsledkem specifické kombinace modelu a vstupu, usnadňuje off-chain nasazení modelů strojového učení na specializovaném hardwaru a zároveň usnadňuje on-chain ověřování ZKP. Giza například pomáhá Yearnu, protokolu agregátoru výnosů decentralizovaných financí (DeFi), demonstrovat přesnost provádění komplexních výnosových strategií pomocí strojového učení v řetězci.
Odhalování podvodů
Díky využití inteligentních smluvních dat mohou být modely detekce anomálií trénovány a následně rozpoznány DAO (decentralizované autonomní organizace) jako cenné indikátory pro automatizované bezpečnostní postupy. Tento proaktivní a preventivní přístup umožňuje automatizovat akce, jako je pozastavení smluv, když je identifikována potenciálně škodlivá aktivita, čímž se zvyšuje jejich účinnost.
Transparentnost v ML jako službě (MLaaS)
V případech, kdy několik společností poskytuje modely strojového učení prostřednictvím svých rozhraní API, je pro uživatele obtížné určit, zda poskytovatel služeb skutečně poskytuje nárokované modely kvůli neprůhledné povaze rozhraní API. Poskytnutí důkazu platnosti spolu s rozhraním API modelu strojového učení poskytne uživatelům transparentnost a umožní jim ověřit konkrétní model, který používají.
Filtrování v sociálních médiích Web3
Očekává se, že decentralizovaná povaha sociálních aplikací Web3 povede k nárůstu spamu a škodlivého obsahu. Ideálním přístupem pro platformy sociálních médií by bylo využít model strojového učení s otevřeným zdrojovým kódem, který je vzájemně odsouhlasen komunitou. Platforma navíc může poskytnout důkaz o odvození modelu při výběru filtrování příspěvků. Analýza algoritmu Twitteru pomocí zkML od Daniela Kanga se tímto tématem zabývá dále.
ochrana soukromí
Zdravotnický průmysl upřednostňuje soukromí a důvěrnost údajů pacientů. Využitím zkML mohou lékařští výzkumníci a instituce vyvíjet modely využívající šifrovaná data pacientů, což zajišťuje ochranu osobních záznamů. To umožňuje společnou analýzu bez nutnosti sdílet citlivé informace, což usnadňuje pokrok v diagnostice onemocnění, účinnosti léčby a výzkumu veřejného zdraví.
Prozkoumejte přehled projektu zkML
Mnoho aplikací zkML je v experimentální fázi, často vznikají z hackathonů na inovativních nových projektech. zkML otevírá nové způsoby navrhování chytrých kontraktů a v současné době existuje několik projektů, které aktivně zkoumají jeho aplikace.
Modulus Labs: Aplikace v reálném světě a související výzkum pomocí zkML. Ukázali použití zkML prostřednictvím ukázek na projektech, jako je RockyBot (bot pro obchodování na řetězu) a Leela vs. the World (šachová hra, ve které celá lidská populace soutěží proti osvědčené on-chain verzi šachu Leela motor).
Giza: Protokol založený na Starkware, který umožňuje nasadit modely umělé inteligence v řetězci zcela důvěryhodným způsobem.
Worldcoin: Protokol proof-of-personhood využívající zkML. Worldcoin využívá vlastní hardware ke zpracování podrobného skenování duhovky a začleňuje jej do své implementace Semafor. Tyto skeny duhovky umožňují důležité funkce, jako je certifikace členství a hlasování.
na závěr
Stejně jako ChatGPT a Midjourney prošly nesčetnými iteracemi, aby se dostaly tam, kde jsou dnes, zkML se stále vylepšuje a optimalizuje a prochází iterací za iterací, aby překonal různé výzvy od technických po praktické aspekty:
Proces kvantifikace, který minimalizuje ztrátu přesnosti
Řízení velikosti obvodu, zejména ve vícevrstvých sítích
Efektivní důkaz násobení matice
Vypořádat se s nepřátelskými útoky
V oblasti zkML postupuje pokrok zrychlujícím se tempem a očekává se, že v blízké budoucnosti dosáhne úrovně srovnatelné s úrovněmi v širší oblasti strojového učení, zejména s tím, jak se technologie hardwarové akcelerace neustále vyvíjí.
Začlenění ZKP do systémů AI může poskytnout vyšší úroveň zabezpečení a ochrany soukromí pro uživatele a organizace využívající tyto systémy. Proto netrpělivě očekáváme další produktovou inovaci v prostoru zkML, kde kombinace ZKP a technologie blockchain vytváří bezpečné a zabezpečené prostředí pro operace AI/ML ve světě Web3 bez oprávnění.