В эту технологически развитую эпоху появление генеративного искусственного интеллекта, такого как ChatGPT и Midjourney, открыло новые возможности в таких областях, как дизайн и искусство, разработка программного обеспечения, издательское дело и даже финансы. Генеративный искусственный интеллект подобен чуду: он обещает нам выйти за пределы человеческого творчества, значительно повысить нашу производительность и вывести нас на путь к более высокому уровню инноваций.
Чтобы вывести такое программное обеспечение, как ChatGPT и Midjourney, на то место, где они находятся сегодня, потребовались годы исследований и обучения на огромных объемах данных для разработки лежащих в их основе моделей искусственного интеллекта. Если взять в качестве примера ChatGPT, для обучения ему требуется около 570 ГБ набора данных из веб-страниц, книг и других источников. Некоторые из этих данных могут поступать от пользователей, которые могут совершенно не подозревать, что их личные данные используются для обучения программного обеспечения ИИ. Хотя большая часть собранных и используемых данных может быть безвредна для самих пользователей, некоторые конфиденциальные или частные данные неизбежно могут быть смешаны и переданы в модель без согласия пользователя.
Учитывая проблемы конфиденциальности, возникающие в связи с такими системами, растет осведомленность и внимание к вопросам конфиденциальности и безопасности данных. Некоторые призывают найти гармоничный баланс между использованием преимуществ искусственного интеллекта и защитой прав на неприкосновенность частной жизни. К счастью, существует многообещающая технология, которая может помочь преодолеть этот разрыв – доказательства с нулевым разглашением (ZKP).
Что такое зкМЛ?
Протокол с нулевым разглашением — это метод, с помощью которого одна сторона (доказывающая сторона) может доказать другой стороне (проверяющая сторона), что определенное предложение истинно, не раскрывая никакой другой информации, кроме того факта, что это конкретное предложение истинно. С 2022 года технология с нулевым разглашением (ZK) стабильно развивается и достигла значительного роста в сфере блокчейна. Проекты в сфере ZK усердно работают и добились значительного прогресса в области масштабируемости и конфиденциальности.
Машинное обучение — это отрасль искусственного интеллекта, которая фокусируется на разработке систем, которые могут учиться на прошлых данных, распознавать закономерности и принимать логические решения с минимальным участием человека. Это технология анализа данных, которая автоматически создает аналитические модели, используя различные типы цифровой информации, такие как числовые данные, текстовый контент, взаимодействие с пользователем и визуальные данные.
При контролируемом машинном обучении мы предоставляем входные данные предварительно обученной модели с заданными параметрами, и модель выдает выходные данные, которые могут использоваться другими системами. Однако мы должны подчеркнуть важность сохранения конфиденциальности и конфиденциальности входных данных и параметров модели. Входные данные могут содержать конфиденциальную личную финансовую или биометрическую информацию, а параметры модели могут включать конфиденциальные элементы, такие как конфиденциальные параметры биометрической аутентификации.
Слияние технологии с нулевым разглашением и искусственного интеллекта привело к появлению машинного обучения с нулевым разглашением (zkML), этической и мощной новой технологии, которая обещает полностью революционизировать то, как мы работаем.
В недавней статье под названием «Стоимость интеллекта» команда Modulus Labs провела комплексное тестирование различных существующих систем доказательства с нулевым разглашением, используя множество ансамблей моделей разного размера. В настоящее время в области машинного обучения основным применением ZK является проверка точных расчетов. Однако со временем и дальнейшим развитием, особенно «Краткими неинтерактивными аргументами знаний» (SNARK), ZKP, как ожидается, разовьется до такой степени, что сможет гарантировать конфиденциальность пользователей от чрезмерно любопытных валидаторов, предотвращая раскрытие входных данных.
zkML по сути интегрирует технологию ZK в программное обеспечение искусственного интеллекта, чтобы преодолеть ее ограничения в защите конфиденциальности и проверке подлинности данных.
Варианты использования zkML
Хотя zkML все еще является новой технологией, она привлекла широкое внимание и имеет множество интересных сценариев применения. Некоторые из известных приложений zkML включают:
Вычислительная целостность (достоверность ML)
Доказательства достоверности, такие как SNARK и STARK, позволяют проверять правильность вычислений, что можно распространить на задачи машинного обучения путем проверки выводов модели или подтверждения того, что конкретные входные данные приводят к конкретным выходным данным модели. Легкость доказательства того, что выходные данные являются результатом определенной комбинации модели и входных данных, облегчает развертывание моделей машинного обучения вне цепочки на специализированном оборудовании, одновременно облегчая проверку ZKP в цепочке. Например, Гиза помогает Yearn, протоколу агрегатора доходности децентрализованных финансов (DeFi), продемонстрировать точность реализации сложных стратегий доходности с использованием машинного обучения в цепочке.
Обнаружение мошенничества
Используя данные смарт-контрактов, модели обнаружения аномалий могут быть обучены и впоследствии признаны DAO (децентрализованными автономными организациями) в качестве ценных индикаторов для автоматизированных процедур безопасности. Такой упреждающий и превентивный подход позволяет автоматизировать действия, такие как приостановка контрактов при выявлении потенциально вредоносной деятельности, тем самым повышая их эффективность.
Прозрачность в ML как услуга (MLaaS)
В тех случаях, когда несколько компаний предоставляют модели машинного обучения через свои API, пользователям сложно определить, действительно ли поставщик услуг предоставляет заявленные модели из-за непрозрачного характера API. Предоставление доказательства достоверности вместе с API модели машинного обучения обеспечит прозрачность для пользователей, позволяя им проверить конкретную модель, которую они используют.
Фильтрация в социальных сетях Web3
Ожидается, что децентрализованный характер социальных приложений Web3 приведет к увеличению количества спама и вредоносного контента. Идеальным подходом для платформ социальных сетей было бы использование модели машинного обучения с открытым исходным кодом, взаимно согласованной сообществом. Кроме того, платформа может предоставить подтверждение умозаключений модели при выборе фильтрации сообщений. Анализ алгоритма Twitter с использованием zkML, проведенный Дэниелом Кангом, углубляет эту тему.
защита конфиденциальности
Индустрия здравоохранения уделяет приоритетное внимание конфиденциальности и конфиденциальности данных пациентов. Используя zkML, медицинские исследователи и учреждения могут разрабатывать модели с использованием зашифрованных данных пациентов, обеспечивая защиту личных записей. Это позволяет проводить совместный анализ без необходимости делиться конфиденциальной информацией, способствуя прогрессу в диагностике заболеваний, эффективности лечения и исследованиях в области общественного здравоохранения.
Ознакомьтесь с обзором проекта zkML
Многие приложения zkML находятся на экспериментальной стадии и часто появляются в результате хакатонов по новым инновационным проектам. zkML открывает новые способы разработки смарт-контрактов, и в настоящее время существует несколько проектов, активно изучающих его применение.
Modulus Labs: Реальные приложения и соответствующие исследования с использованием zkML. Они продемонстрировали применение zkML посредством демонстраций на таких проектах, как RockyBot (сетевой торговый бот) и Leela vs. the World (шахматная игра, в которой все человечество соревнуется с проверенной сетевой версией шахмат Лилы). двигатель).
Гиза: протокол на базе Starkware, который позволяет развертывать модели искусственного интеллекта в цепочке совершенно не требующим доверия способом.
Worldcoin: протокол подтверждения личности, использующий zkML. Worldcoin использует специальное оборудование для детального сканирования радужной оболочки глаза и включает его в свою реализацию Semaphore. Эти сканирования радужной оболочки глаза позволяют выполнять важные функции, такие как сертификация членства и голосование.
в заключение
Точно так же, как ChatGPT и Midjourney прошли через бесчисленные итерации, чтобы достичь того, что они имеют сегодня, zkML все еще совершенствуется и оптимизируется, проходя итерацию за итерацией, чтобы преодолеть различные проблемы, от технических до практических аспектов:
Процесс квантования, минимизирующий потерю точности
Управление размером схемы, особенно в многоуровневых сетях
Эффективное доказательство умножения матриц
Борьба с враждебными атаками
В области zkML прогресс идет ускоренными темпами и, как ожидается, в ближайшем будущем достигнет уровня, сопоставимого с уровнем в более широкой области машинного обучения, особенно по мере того, как технология аппаратного ускорения продолжает развиваться.
Включение ZKP в системы искусственного интеллекта может обеспечить более высокий уровень безопасности и защиты конфиденциальности для пользователей и организаций, использующих эти системы. Поэтому мы с нетерпением ожидаем дальнейших инноваций в области zkML, где сочетание ZKP и технологии блокчейна создает безопасную и надежную среду для операций AI/ML в закрытом мире Web3.
