Что такое машинное обучение с нулевым разглашением (ZKML)?
Искусственный интеллект приносит новые технорешения для блокчейн-среды. На пересечении двух областей можно наблюдать становление новой тенденции — машинного обучения с нулевым разглашением (ZKML). Эта система позволяет обеспечить более эффективное применение массивов данных, в то же время сохраняя высокий стандарт их конфиденциальности.
Машинное обучение с нулевым разглашением: принципы и механики
Разработки ZKML объединяют в себе системы машинного обучения и алгоритмы нулевого разглашения. Суть этого решения сводиться к обеспечению высокого уровня конфиденциальности информации. Благодаря симбиозу двух сфер тренировать модели машинного обучения становиться проще, а создание приложений с большими массивами данных проходит более эффективно.
Доказательство с нулевым разглашением
Технологии ZK-proof позволяют верифицировать истинность информации (или же частей), при этом непосредственно ее не раскрывая. Эти криптографические решения позволяют переносить вычислительные операции за пределы цепочек, тем самым обеспечивая блокчейну более высокий уровень масштабируемости и безопасности его транзакций. В основе ZK-proof лежат математические алгоритмы, а сам функционал доказательств строится на криптографических протоколах, вроде STARK и zkSync.
ZK-роллап с технологией STARK. Источник: официальный форум Polygon
Алгоритмы машинного обучения
ИИ-технологии сегодня довольно разнообразны. Одним из ответвлений этого сектора является машинное обучение. Эти методики призваны натренировать модели на объемных массивах данных для решения определенных задач. Эта сфера охватывает различные технологические решения. Одно из самых популярных на сегодняшний день — так называемые большие языковые модели, или же LLM. В своей работе на них полагаются чат-боты, среди которых известные продукты Chat GPT и Bard. Кроме того, алгоритмы машинного обучения находят свое применение в рекомендательных системах, генерации контента, алгоритмической торговле и многих других видах деятельности.Процесс машинного обучения состоит из трех этапов: сбора данных, непосредственно обучения модели и ее применения.
Три этапа цикла машинного обучения. Источник: github.com
Машинное обучение с нулевым разглашением: сценарии использования
Практическая польза этих технологий неоспорима, однако их стремительное развитие порождает опасения касательно конфиденциальности и нарушения права интеллектуальной собственности. То тут, то там возникают проблемы с несанкционированным использованием данных, угрозой дипфейков или посягательствами на авторские права. К тому же технология требует размещения обширных серверов и привлечения серьезных вычислительных мощностей. Эти трудности может решить ZKML, привнеся в процесс ончейн-верификацию данных. В свою очередь, технологии машинного обучения в блокчейн-среде позволят создавать ИИ-смартконтракты, что способны будут самостоятельно анализировать информацию и принимать соответствующие решения. Рассмотрим основые направления для внедрения ZKML:
- Здравоохранение. Учитывая масштабы отрасли и требования к защите ее данных, здесь пригодятся технологии цифровой идентификации и анализа, что способны сохранять высочайшую приватность. В свою очередь пациенты получат свободный доступ к персональным медицинским рекомендациям и планам лечения. Также эти решения можно применять в научно-исследовательских проектах, где на базе массивов данных ученые смогут построить средства для диагностики.
- Финсектор. В этом случае ZKML-технологии предлагают защиту от утечек данных и неизменную конфиденциальность информации. Применяя эти решения, финансовые организации получат дополнительные возможности для предотвращения мошеннических практик и оценки рисков. Процедура KYC (Know Your Customer) тоже может получить существенное преимущество. А рядовым пользователям будут доступны криптографические промпты для персонализации рекомендаци, а также проведение безопасных транзакций без раскрытия информации о себе.
- Электронная коммерция. Интернет-магазины могут применять ZKML для предоставления своим пользователям индивидуальных рекомендаций — алгоритмы проведут весь необходимый анализ массивов данных. При этом непосредственно маркетплейсы не будут иметь никакого доступа к персональной информации своих юзеров.
- Гейминг. Игроки тоже не остануться в стороне. ZKML несет геймерам возможности подтверждения права собственности на внутриигровые NFT-предметы. Кроме того, эти решения способны предоставлять аналитику геймплея. Больше автономности для юзеров и повышение динамики игрового опыта.
- Управление. Новые подходы для повышения прозрачности, подотчетности и конфиденциальности. Для DAO — возможность анализировать массивы данных в процессе голосований. Соответсвенно, решения принимать станет проще, когда все данные уже под рукой. Процессы управления можно делегировать ИИ-агенту. Более того, эта модель поднимет и безопасность протокола.
Итоги: вызовы и перспективы
ZKML только начинает развиваться. Естественно, как и у других решений, вызовы здесь присутствуют. Масштабы и комплексность массивов данных продолжают расти, а поэтому внедрять ZKML-алгоримы тоже становиться сложнее. Более того, существуют и проблемы технического характера. Однако машинное обучение с нулевым разглашением стремительно эволюционирует, а значит в будущем есть все шансы, что ZKML сможет трансформировать как понятие конфиденциальности, так и подходы к защите данных.
Анаит Аветисян
Автор
Web3-райтер и по совместительству крипто-HODLер. Отслеживает тенденции рынка, а также интересуется новейшими технологиями.
