La importancia de zkML es: permitir que las personas que usan el aprendizaje automático comprendan completamente el modelo sin revelar la información del modelo en sí.
Escrito por: Callum, Web3CN.Pro
ZK ha seguido estando de moda desde 2022, y su tecnología ha progresado mucho, y los proyectos de la serie ZK también han seguido esforzándose. Al mismo tiempo, con la popularización de Machine Learning (ML) y su aplicación generalizada en la producción y la vida, muchas empresas han comenzado a construir, entrenar e implementar modelos de aprendizaje automático. Pero un problema importante que enfrenta actualmente el aprendizaje automático es cómo garantizar la confiabilidad y la dependencia de datos opacos. Esta es la importancia de ZKML: permitir que las personas que usan el aprendizaje automático entiendan completamente el modelo sin revelar la información del modelo en sí.
¿Qué es ZKML?
Qué es ZKML, veámoslo por separado. ZK (Zero-Knowledge Proof) es un protocolo criptográfico donde el probador puede demostrarle al verificador que una declaración dada es verdadera sin revelar ninguna otra información, es decir, el resultado puede conocerse sin el proceso.
ZK tiene dos características principales: primero, prueba lo que quiere probar sin revelar demasiada información al verificador; segundo, es difícil generar pruebas y es fácil de verificar pruebas.
Basándose en estas dos características, ZK ha desarrollado varios casos de uso importantes: expansión de capa 2, cadena pública privada, almacenamiento descentralizado, verificación de identidad y aprendizaje automático. El enfoque de investigación de este artículo se centrará en ZKML (Zero-Knowledge Machine Learning).
Qué es ML (Machine Learning), Machine Learning es una ciencia de la inteligencia artificial que involucra el desarrollo y aplicación de algoritmos que permiten a las computadoras aprender y adaptarse a los datos de manera autónoma, optimizando su rendimiento a través de un proceso iterativo sin necesidad de un proceso de programación. Utiliza algoritmos y modelos para identificar datos para obtener parámetros del modelo y finalmente hacer predicciones/decisiones.
En la actualidad, el aprendizaje automático se ha aplicado con éxito en varios campos. Con la mejora de estos modelos, el aprendizaje automático necesita realizar más y más tareas. Para garantizar modelos de alta precisión, esto requiere el uso de la tecnología ZK: usando el modelo público Verificación de datos privados o validar modelos privados con datos públicos.
El ZKML del que estamos hablando hasta ahora es crear pruebas de conocimiento cero de los pasos de inferencia de los modelos ML, no el entrenamiento del modelo ML.
¿Por qué necesitamos ZKML?
A medida que avanza la tecnología de inteligencia artificial, se vuelve más difícil distinguir entre inteligencia artificial e inteligencia humana y generación humana. Las pruebas de conocimiento cero tienen la capacidad de resolver este problema. Nos permite determinar si un determinado contenido se genera aplicando un determinado modelo. generado sin revelar ninguna otra información sobre el modelo o la entrada.
Las plataformas tradicionales de aprendizaje automático a menudo requieren que los desarrolladores envíen sus arquitecturas modelo al host para la verificación del rendimiento. Esto puede causar varios problemas:
Pérdida de propiedad intelectual: la divulgación de la arquitectura del modelo completo puede exponer valiosos secretos comerciales o innovaciones que los desarrolladores desean mantener en privado.
Falta de transparencia: es posible que el proceso de evaluación no sea transparente y es posible que los participantes no puedan verificar cómo se clasifica su modelo frente a otros modelos.
Inquietudes sobre la privacidad de los datos: los modelos compartidos entrenados en datos confidenciales pueden revelar inadvertidamente información sobre los datos subyacentes, violando las normas y regulaciones de privacidad.
Estos desafíos han creado la necesidad de soluciones que puedan proteger la privacidad de los modelos de aprendizaje automático y sus datos de entrenamiento.
ZK propone un enfoque prometedor para abordar los desafíos que enfrentan las plataformas ML tradicionales. Al aprovechar el poder de ZK, ZKML proporciona una solución para preservar la privacidad con las siguientes ventajas:
Privacidad del modelo: los desarrolladores pueden participar en la validación sin revelar toda la arquitectura del modelo, protegiendo así su propiedad intelectual.
Verificación transparente: ZK puede verificar el rendimiento del modelo sin revelar las partes internas del modelo, lo que facilita un proceso de evaluación transparente y sin confianza.
Privacidad de datos: ZK se puede usar para verificar datos privados usando modelos públicos o verificar modelos privados usando datos públicos, asegurando que no se filtre información confidencial.
La integración de ZK en el proceso de ML proporciona una plataforma segura y que preserva la privacidad que aborda las limitaciones del ML tradicional. Esto no solo promueve la adopción del aprendizaje automático en la industria de la privacidad, sino que también atrae a desarrolladores Web2 experimentados para explorar las posibilidades dentro del ecosistema Web3.
Aplicaciones y oportunidades de ZKML
Con la mejora cada vez mayor de la criptografía, la tecnología de prueba de conocimiento cero y las instalaciones de hardware, cada vez más proyectos han comenzado a explorar el uso de ZKML. El ecosistema ZKML se puede dividir aproximadamente en las siguientes cuatro categorías:
Compilador de verificación de modelos: una infraestructura para compilar modelos de formatos existentes (p. ej., Pytorch, ONNX, etc.) en circuitos computacionales verificables.
Sistema de prueba generalizado: un sistema de prueba creado para verificar trayectorias computacionales arbitrarias.
Sistema de prueba específico de ZKML: un sistema de prueba construido específicamente para verificar los rastros computacionales de los modelos ML.
Aplicaciones: Proyectos que manejan casos de uso de ZKML.
Según las categorías ecológicas de estas aplicaciones de ZKML, podemos clasificar algunos proyectos actuales de aplicación de ZKML:
ZKML es todavía una tecnología emergente, su mercado aún es muy temprano y muchas aplicaciones solo se experimentan en hackatones, pero ZKML aún abre un nuevo espacio de diseño para los contratos inteligentes:
DeFi
Las aplicaciones Defi parametrizadas mediante ML pueden automatizarse más. Por ejemplo, los protocolos de préstamo podrían usar modelos ML para actualizar parámetros en tiempo real. Actualmente, los protocolos de préstamo confían principalmente en modelos fuera de la cadena administrados por organizaciones para determinar garantías, LTV, umbrales de liquidación, etc., pero una mejor alternativa podría ser modelos de código abierto capacitados por la comunidad que cualquiera puede ejecutar y verificar. Usando un oráculo de ML fuera de la cadena verificable, los modelos de ML pueden procesar datos firmados fuera de la cadena para predicción y clasificación. Estos oráculos de ML fuera de la cadena pueden resolver sin confianza mercados de predicción del mundo real, protocolos de préstamo, etc. al verificar el razonamiento y publicar pruebas en la cadena.
Redes Sociales Web3
Filtra las redes sociales de Web3. La naturaleza descentralizada de las aplicaciones sociales Web3 generará más spam y contenido malicioso. Idealmente, las plataformas de redes sociales podrían usar modelos ML de código abierto acordados por la comunidad y publicar pruebas de razonamiento modelo cuando eligen filtrar publicaciones. Como usuario de las redes sociales, es posible que esté dispuesto a ver anuncios personalizados, pero desee mantener las preferencias e intereses de su usuario privados de los anunciantes. Por lo tanto, los usuarios pueden optar por ejecutar un modelo localmente si lo prefieren, que se puede alimentar a las aplicaciones de medios para proporcionarles contenido.
GameFi
ZKML se puede aplicar a nuevos tipos de juegos en cadena, creando juegos cooperativos humanos-IA y otros juegos innovadores en cadena donde el modelo de IA puede actuar como un NPC, y cada acción que realiza el NPC se publica en la cadena con Cualquier prueba que cualquiera pueda verificar para determinar si se está ejecutando el modelo correcto. Al mismo tiempo, los modelos ML se pueden usar para ajustar dinámicamente la emisión de tokens, el suministro, la quema, los umbrales de votación, etc. Se puede diseñar un modelo de contrato de incentivo que reequilibrará la economía del juego si se alcanza un cierto umbral de reequilibrio y la prueba de razonamiento verificado.
Autenticación
Reemplace las claves privadas con autenticación biométrica que preserva la privacidad. La gestión de claves privadas sigue siendo uno de los mayores puntos débiles en Web3. La extracción de claves privadas a través del reconocimiento facial u otros factores únicos podría ser una posible solución para ZKML.
4. Desafíos ZKML
Aunque ZKML se mejora y optimiza constantemente, el campo aún se encuentra en una etapa temprana de desarrollo y aún existen algunos desafíos desde la tecnología hasta la práctica:
Cuantización con mínima pérdida de precisión
el tamaño del circuito, especialmente cuando una red consta de varias capas
Prueba eficiente de la multiplicación de matrices
Ataque adversario
Estos desafíos primero afectan la precisión de los modelos de aprendizaje automático, segundo afectan su costo y velocidad de prueba, y tercero son el riesgo de ataques de robo de modelos.
Actualmente se están realizando mejoras a estos problemas, la demostración ZK-MNIST de @0xPARC en 2021 mostró cómo implementar un modelo de clasificación de imágenes MNIST a pequeña escala en un circuito verificable; Daniel Kang hizo lo mismo para los modelos a escala ImageNet, actualmente a escala ImageNet La precisión del modelo se ha mejorado al 92% y se espera que se alcance pronto con una mayor aceleración de hardware del espacio ML más amplio.
ZKML aún se encuentra en la etapa inicial de desarrollo, pero ha comenzado a mostrar muchos resultados y podemos esperar ver aplicaciones más innovadoras de ZKML en la cadena. A medida que ZKML continúa desarrollándose, podemos prever un futuro en el que el aprendizaje automático para preservar la privacidad se convertirá en la norma.
Ver originales
El contenido es solo de referencia, no una solicitud u oferta. No se proporciona asesoramiento fiscal, legal ni de inversión. Consulte el Descargo de responsabilidad para obtener más información sobre los riesgos.
Lea sobre las aplicaciones y el potencial del aprendizaje automático de conocimiento cero zkML
Escrito por: Callum, Web3CN.Pro
ZK ha seguido estando de moda desde 2022, y su tecnología ha progresado mucho, y los proyectos de la serie ZK también han seguido esforzándose. Al mismo tiempo, con la popularización de Machine Learning (ML) y su aplicación generalizada en la producción y la vida, muchas empresas han comenzado a construir, entrenar e implementar modelos de aprendizaje automático. Pero un problema importante que enfrenta actualmente el aprendizaje automático es cómo garantizar la confiabilidad y la dependencia de datos opacos. Esta es la importancia de ZKML: permitir que las personas que usan el aprendizaje automático entiendan completamente el modelo sin revelar la información del modelo en sí.
¿Qué es ZKML?
Qué es ZKML, veámoslo por separado. ZK (Zero-Knowledge Proof) es un protocolo criptográfico donde el probador puede demostrarle al verificador que una declaración dada es verdadera sin revelar ninguna otra información, es decir, el resultado puede conocerse sin el proceso.
ZK tiene dos características principales: primero, prueba lo que quiere probar sin revelar demasiada información al verificador; segundo, es difícil generar pruebas y es fácil de verificar pruebas.
Basándose en estas dos características, ZK ha desarrollado varios casos de uso importantes: expansión de capa 2, cadena pública privada, almacenamiento descentralizado, verificación de identidad y aprendizaje automático. El enfoque de investigación de este artículo se centrará en ZKML (Zero-Knowledge Machine Learning).
Qué es ML (Machine Learning), Machine Learning es una ciencia de la inteligencia artificial que involucra el desarrollo y aplicación de algoritmos que permiten a las computadoras aprender y adaptarse a los datos de manera autónoma, optimizando su rendimiento a través de un proceso iterativo sin necesidad de un proceso de programación. Utiliza algoritmos y modelos para identificar datos para obtener parámetros del modelo y finalmente hacer predicciones/decisiones.
En la actualidad, el aprendizaje automático se ha aplicado con éxito en varios campos. Con la mejora de estos modelos, el aprendizaje automático necesita realizar más y más tareas. Para garantizar modelos de alta precisión, esto requiere el uso de la tecnología ZK: usando el modelo público Verificación de datos privados o validar modelos privados con datos públicos.
El ZKML del que estamos hablando hasta ahora es crear pruebas de conocimiento cero de los pasos de inferencia de los modelos ML, no el entrenamiento del modelo ML.
¿Por qué necesitamos ZKML?
A medida que avanza la tecnología de inteligencia artificial, se vuelve más difícil distinguir entre inteligencia artificial e inteligencia humana y generación humana. Las pruebas de conocimiento cero tienen la capacidad de resolver este problema. Nos permite determinar si un determinado contenido se genera aplicando un determinado modelo. generado sin revelar ninguna otra información sobre el modelo o la entrada.
Las plataformas tradicionales de aprendizaje automático a menudo requieren que los desarrolladores envíen sus arquitecturas modelo al host para la verificación del rendimiento. Esto puede causar varios problemas:
Estos desafíos han creado la necesidad de soluciones que puedan proteger la privacidad de los modelos de aprendizaje automático y sus datos de entrenamiento.
ZK propone un enfoque prometedor para abordar los desafíos que enfrentan las plataformas ML tradicionales. Al aprovechar el poder de ZK, ZKML proporciona una solución para preservar la privacidad con las siguientes ventajas:
La integración de ZK en el proceso de ML proporciona una plataforma segura y que preserva la privacidad que aborda las limitaciones del ML tradicional. Esto no solo promueve la adopción del aprendizaje automático en la industria de la privacidad, sino que también atrae a desarrolladores Web2 experimentados para explorar las posibilidades dentro del ecosistema Web3.
Aplicaciones y oportunidades de ZKML
Con la mejora cada vez mayor de la criptografía, la tecnología de prueba de conocimiento cero y las instalaciones de hardware, cada vez más proyectos han comenzado a explorar el uso de ZKML. El ecosistema ZKML se puede dividir aproximadamente en las siguientes cuatro categorías:
Según las categorías ecológicas de estas aplicaciones de ZKML, podemos clasificar algunos proyectos actuales de aplicación de ZKML:
ZKML es todavía una tecnología emergente, su mercado aún es muy temprano y muchas aplicaciones solo se experimentan en hackatones, pero ZKML aún abre un nuevo espacio de diseño para los contratos inteligentes:
DeFi
Las aplicaciones Defi parametrizadas mediante ML pueden automatizarse más. Por ejemplo, los protocolos de préstamo podrían usar modelos ML para actualizar parámetros en tiempo real. Actualmente, los protocolos de préstamo confían principalmente en modelos fuera de la cadena administrados por organizaciones para determinar garantías, LTV, umbrales de liquidación, etc., pero una mejor alternativa podría ser modelos de código abierto capacitados por la comunidad que cualquiera puede ejecutar y verificar. Usando un oráculo de ML fuera de la cadena verificable, los modelos de ML pueden procesar datos firmados fuera de la cadena para predicción y clasificación. Estos oráculos de ML fuera de la cadena pueden resolver sin confianza mercados de predicción del mundo real, protocolos de préstamo, etc. al verificar el razonamiento y publicar pruebas en la cadena.
Redes Sociales Web3
Filtra las redes sociales de Web3. La naturaleza descentralizada de las aplicaciones sociales Web3 generará más spam y contenido malicioso. Idealmente, las plataformas de redes sociales podrían usar modelos ML de código abierto acordados por la comunidad y publicar pruebas de razonamiento modelo cuando eligen filtrar publicaciones. Como usuario de las redes sociales, es posible que esté dispuesto a ver anuncios personalizados, pero desee mantener las preferencias e intereses de su usuario privados de los anunciantes. Por lo tanto, los usuarios pueden optar por ejecutar un modelo localmente si lo prefieren, que se puede alimentar a las aplicaciones de medios para proporcionarles contenido.
GameFi
ZKML se puede aplicar a nuevos tipos de juegos en cadena, creando juegos cooperativos humanos-IA y otros juegos innovadores en cadena donde el modelo de IA puede actuar como un NPC, y cada acción que realiza el NPC se publica en la cadena con Cualquier prueba que cualquiera pueda verificar para determinar si se está ejecutando el modelo correcto. Al mismo tiempo, los modelos ML se pueden usar para ajustar dinámicamente la emisión de tokens, el suministro, la quema, los umbrales de votación, etc. Se puede diseñar un modelo de contrato de incentivo que reequilibrará la economía del juego si se alcanza un cierto umbral de reequilibrio y la prueba de razonamiento verificado.
Autenticación
Reemplace las claves privadas con autenticación biométrica que preserva la privacidad. La gestión de claves privadas sigue siendo uno de los mayores puntos débiles en Web3. La extracción de claves privadas a través del reconocimiento facial u otros factores únicos podría ser una posible solución para ZKML.
4. Desafíos ZKML
Aunque ZKML se mejora y optimiza constantemente, el campo aún se encuentra en una etapa temprana de desarrollo y aún existen algunos desafíos desde la tecnología hasta la práctica:
Estos desafíos primero afectan la precisión de los modelos de aprendizaje automático, segundo afectan su costo y velocidad de prueba, y tercero son el riesgo de ataques de robo de modelos.
Actualmente se están realizando mejoras a estos problemas, la demostración ZK-MNIST de @0xPARC en 2021 mostró cómo implementar un modelo de clasificación de imágenes MNIST a pequeña escala en un circuito verificable; Daniel Kang hizo lo mismo para los modelos a escala ImageNet, actualmente a escala ImageNet La precisión del modelo se ha mejorado al 92% y se espera que se alcance pronto con una mayor aceleración de hardware del espacio ML más amplio.
ZKML aún se encuentra en la etapa inicial de desarrollo, pero ha comenzado a mostrar muchos resultados y podemos esperar ver aplicaciones más innovadoras de ZKML en la cadena. A medida que ZKML continúa desarrollándose, podemos prever un futuro en el que el aprendizaje automático para preservar la privacidad se convertirá en la norma.