Що таке машинне навчання з нульовим розголошенням (ZKML)?
Штучний інтелект генерує нові технорішення для блокчейн-середовища. На перетині двох областей можна споглядати формування нової тенденції ─ машинного навчання з нульовим розголошенням (ZKML). Ця система дає змогу забезпечити більш ефективне застосування масивів даних, водночас зберігаючи високий стандарт їхньої конфіденційності.
Машинне навчання з нульовим розголошенням: принципи та механіки
Розробки ZKML поєднують системи машинного навчання та алгоритми нульового розголошення. Метою цих рішень є забезпечення високого рівня конфіденційності інформації. Завдяки симбіозу двох сфер тренувати моделі машинного навчання стає дедалі легше, а створення застосунків з великими масивами даних проходить більш ефективно.
Доказ із нульовим розголошенням
Технології ZK-proof надають змогу верифікувати істинність інформації (або ж частин), водночас не розкриваючи її безпосередньо. Ці криптографічні рішення дозволяють переносити обчислювальні операції за межі ланцюжків, й у такий спосіб забезпечують блокчейну вищий рівень масштабованості та безпеки його транзакцій. В основі ZK-proof лежать математичні алгоритми, а сам функціонал доказів ґрунтується на криптографічних протоколах, як-от STARK і zkSync.
ZK-ролап із технологією STARK. Джерело: офіційний форум Polygon
Алгоритми машинного навчання
Сьогодні ШІ-технології вирізняються різноманіттям. Одним із відгалужень цього сектора є машинне навчання. Ці методики покликані натренувати моделі на об'ємних масивах даних для вирішення певних завдань. Цей сектор охоплює різні технологічні рішення. Одне з найпопулярніших на сьогодні — так звані великі мовні моделі, або ж LLM. У своїй роботі на них покладаються чат-боти, серед яких відомі продукти Chat GPT і Bard. Крім того, алгоритми машинного навчання застосувуються в рекомендаційних системах, генерації контенту, алгоритмічній торгівлі та багатьох інших видах діяльності. Процес машинного навчання містить три етапи: збір даних, безпосереднє навчання моделі та її застосування.
Три етапи циклу машинного навчання. Джерело: github.com
Машинне навчання з нульовим розголошенням: сценарії застосування
Практична користь цих технологій не викликає сумнівів, проте їхній стрімкий розвиток породжує побоювання щодо конфіденційності та порушення права інтелектуальної власності. То тут, то там виникають проблеми з несанкціонованим використанням даних, загрозою дипфейків, або зазіханнями на авторське право. До того ж технологія вимагає розміщення великих серверів і залучення серйозних обчислювальних потужностей. Ці труднощі може вирішити ZKML, залучивши до процесу ончейн-верифікацію даних. Своєю чергою технології машинного навчання в блокчейн-середовищі уможливлять створення ШІ-смартконтрактів, котрі самостійно аналізуватимуть інформацію та ухвалюватимуть відповідні рішення. Розглянемо основні напрямки для впровадження ZKML:
- Охорона здоров'я. З огляду на масштаби галузі та вимоги до захисту її даних, тут стануть у пригоді технології цифрової ідентифікації та аналізу, що здатні забезпечувати найвищу приватність. Своєю чергою пацієнти отримають відкритий доступ до персональних медичних рекомендацій і планів лікування. Також ці рішення можна застосовувати в науково-дослідних проєктах, де на базі масивів даних вчені зможуть побудувати засоби для діагностики.
- Фінсектор. У цьому випадку ZKML-технології пропонують захист від витоків даних і незмінну конфіденційність інформації. За рахунок застосування цих рішень фінансові організації отримають додаткові можливості для оцінки ризиків та запобігання шахрайським практикам. Процедура KYC (Know Your Customer) теж може отримати суттєву перевагу. А пересічним користувачам будуть доступні криптографічні промпти для персоналізації рекомендацій, а також проведення безпечних транзакцій без розголошення інформації про себе.
- Електронна комерція. Інтернет-магазини зможуть застосовувати ZKML для надання своїм користувачам індивідуальних рекомендацій ─ алгоритми проведуть весь необхідний аналіз масивів даних. Водночас власне маркетплейси не отримають жодного доступу до персональної інформації своїх юзерів.
- Геймінг. Гравці теж не залишаться осторонь. ZKML пропонує геймерам можливості для підтвердження права власності на внутрішньоігрові NFT-предмети. Крім того, ці рішення здатні генерувати аналітику геймплею. Більше автономності для юзерів і поліпшення динаміки ігрового досвіду.
- Управління. Нові методи для підвищення прозорості, підзвітності та конфіденційності. Для DAO ─ можливість аналізувати масиви даних у процесі голосувань. Відповідно рішення приймати стане простіше, коли всі дані вже під рукою. Процеси управління можна делегувати ШІ-агенту. Ба більше, ця модель покращить і безпеку протоколу.
Підсумки: виклики та перспективи
ZKML лише починає свій розвиток. Природно, як і в інших рішеннях, тут наявні певні труднощі. Масштаби і комплексність масивів даних продовжують зростати, а тому впроваджувати ZKML-алгоритми також стає дедалі складніше. Ба більше, існують і проблеми технічного характеру. Однак машинне навчання з нульовим розголошенням стрімко еволюціонує, а отже в майбутньому маємо усі шанси, що ZKML спроможеться трансформувати як поняття конфіденційності, так і підходи до захисту даних.
Анаіт Аветісян
Автор
Web3-райтер і крипто-HODLер за сумісництвом. Стежить за ринковими трендами та цікавиться новітніми технологіями.
