Что такое машинное обучение с нулевым разглашением (zkML)?

Машинное обучение с нулевым разглашением (zkML) — это новаторское сочетание криптографии, ориентированной на конфиденциальность, и передового машинного обучения. Оно использует специальные криптографические методы, известные как доказательства с нулевым разглашением, чтобы гарантировать, что процессы машинного обучения могут быть проверены и заслуживают доверия без раскрытия каких-либо основных конфиденциальных данных.

По сути, zkML обеспечивает безопасное применение и проверку результатов машинного обучения, при этом полностью защищая конфиденциальную информацию. Это особенно ценно в областях, где конфиденциальность имеет решающее значение, таких как здравоохранение или финансы, поскольку позволяет использовать мощные инструменты искусственного интеллекта без ущерба для личной конфиденциальности.

Как работает zkML?

zkML — это передовая технология, которая объединяет машинное обучение с криптографическими методами в децентрализованной сети. В zkML модели машинного обучения обучаются на различных узлах распределенной сети, каждая из которых содержит свой собственный сегмент данных. Эти узлы затем создают доказательства с нулевым разглашением — форму криптографических доказательств. Эти доказательства позволяют узлам утверждать определенные качества или характеристики своих данных, не раскрывая сами данные.
Вступай в наше сообщество в TELEGRAM канале
В качестве практического примера рассмотрим применение zkML в здравоохранении. Различные больницы, каждая из которых выступает в качестве узла в сети, могут совместно обучать модель машинного обучения на данных о пациентах. Однако вместо того, чтобы делиться конфиденциальными записями пациентов, каждая больница генерирует доказательство с нулевым разглашением. Это доказательство подтверждает целостность и соответствие данных модели без ущерба для конфиденциальности пациентов.

С этой целью zkML использует возможности коллективного обучения сети, тщательно сохраняя при этом конфиденциальность отдельных данных. Эта методология не только расширяет возможности машинного обучения, но и поддерживает строгие требования конфиденциальности, часто требуемые в децентрализованных системах.

Варианты использования zkML

Машинное обучение с нулевым разглашением (zkML) быстро развивается, предлагая важные приложения для повышения масштабируемости и конфиденциальности в различных областях. Его растущая доступность для разработчиков сигнализирует о потенциальном всплеске инновационного использования. Ключевые приложения включают в себя:

Масштабируемость блокчейна: zkML помогает масштабировать Ethereum посредством объединений ZK, примером чего являются такие платформы, как Starknet, Scroll и Polygon Zero. Эти решения поддерживают децентрализацию и безопасность, одновременно повышая пропускную способность за счет вычислений вне цепочки и проверки внутри цепочки.

Защита конфиденциальности. Используя доказательства ZK, zkML позволяет разрабатывать приложения, защищающие конфиденциальность пользователей, такие как Semaphore и Penumbra, а также платформы, такие как Aztec Network, которые предлагают решения для частных транзакций.

Проверка личности и происхождение данных: zkML поддерживает создание систем проверки личности, таких как WorldID, обеспечивая уникальную аттестацию личности без раскрытия личных данных, а также такие платформы, как Sismo и Axiom.
Частные протоколы уровня 1: Zcash и Mina используют zkML для создания частных, эффективных протоколов уровня 1, разгрузки вычислений и обеспечения конфиденциальности пользователей.

Оценка модели здравоохранения: zkML упрощает проверку точности модели машинного обучения в здравоохранении без раскрытия конфиденциальных данных, обеспечивая конфиденциальность пациентов и соответствие нормативным стандартам.

Машинное обучение как прозрачность услуги: оно гарантирует, что поставщики услуг предлагают заявленную модель машинного обучения, повышая доверие к MLaaS.

По мере развития zkML он будет расширяться и дальше, играя жизненно важную роль в обеспечении конфиденциальности и масштабируемости в децентрализованных системах и других секторах.

Текущее состояние zkML

Текущее состояние машинного обучения с нулевым разглашением (zkML) находится на этапе разработки, основное внимание уделяется интеграции доказательств с нулевым разглашением с машинным обучением на этапе вывода моделей. Этот подход особенно полезен для проверки выходных данных моделей искусственного интеллекта, таких как GPT-4 или DALL-E 2, без ущерба для конфиденциальных входных данных.

Хотя существуют ограничения в работе с большими моделями из-за вычислительных ограничений, был достигнут заметный прогресс. Например, компания Modulus Labs продемонстрировала возможность создания доказательств для моделей с 18 миллионами параметров, что стало значительным шагом вперед в практическом применении zkML для обеспечения конфиденциальности контента, генерируемого ИИ.

Вывод

Подводя итог, можно сказать, что машинное обучение с нулевым разглашением (zkML) представляет собой ключевую инновацию, объединяющую передовое машинное обучение с криптографической конфиденциальностью. Его применение особенно важно в таких областях, как здравоохранение и финансы, где оно позволяет использовать ИИ без ущерба для конфиденциальности данных. В настоящее время zkML находится на стадии разработки и демонстрирует многообещающие возможности повышения безопасности и масштабируемости в децентрализованных сетях.