지난 1년 동안 zk-SNARK는 기대 이상으로 발전했습니다. 일반적인 합의는 이러한 혁신이 몇 년 후에 가능할 것이라는 것이지만 ZK-EVM과 같은 애플리케이션이 등장하고 있습니다. zk-SNARK의 개선으로 블록체인의 새로운 사용 사례를 탐색할 수 있게 되었으며, 특히 기계 학습 및 인공 지능의 사용 증가로 인해 제기된 많은 긴급한 문제를 해결하기 위해 zk-SNARK를 사용한 연구에 세심한 주의를 기울이고 있습니다.

기계 학습이 인기를 얻으면서 다양한 응용 분야에서 사용되고 있습니다. 그러나 예측의 신뢰성과 불투명한 데이터 소스에 대한 의존도가 주요 관심사가 되었습니다. 높은 정확도를 주장하는 모델을 복제하는 능력은 어렵고 실제 생산에서 예측의 일관성과 정확성을 보장할 수 없습니다.

이 기사는 zk-SNARK 기반 기계 학습(ZK-ML) 시스템에 많은 관심이 있는 이유를 간략하게 설명하고 이 기술의 일부 잠재적 응용 분야에 대해 논의하는 것을 목표로 합니다.

ZK-ML이 필요한 이유는 무엇입니까?

감독 머신 러닝을 사용하면 특정 매개변수로 훈련된 모델에 입력이 제공됩니다. 그런 다음 모델은 다른 시스템에서 사용할 수 있는 출력을 생성합니다. ONNX와 같은 경량 기계 학습 프레임워크 및 형식 덕분에 이제 입력 데이터를 중앙 집중식 서버로 보내는 대신 휴대폰이나 IoT 장치와 같은 에지 장치에서 이러한 추론을 실행할 수 있습니다. 이를 통해 사용자의 확장성과 개인 정보 보호가 향상됩니다.

그러나 기계 학습 모델의 입력과 매개 변수는 종종 비공개로 유지되고 공개되지 않도록 숨겨져 있다는 점에 유의해야 합니다. 이는 입력 데이터에 개인 금융 또는 생체 데이터와 같은 민감한 정보가 포함될 수 있고 모델 매개변수에도 생체 인증 매개변수와 같은 민감한 정보가 포함될 수 있기 때문입니다.

반면에 온체인 스마트 계약과 같이 ML 모델의 출력을 소비하는 다운스트림 시스템은 청구된 출력을 생성하기 위해 입력이 올바르게 처리되었는지 확인할 수 있어야 합니다.

기계 학습과 zkSNARK 프로토콜의 조합은 이러한 모순적인 요구 사항에 대한 새로운 솔루션을 제공합니다.

ZK-ML 사용 사례

zk-SNARK를 사용하여 미래 기계 학습을 개선하는 방법에 대해 논의하는 많은 논문이 있습니다. ZK-ML 커뮤니티는 이 기술에 대한 다양한 사용 사례를 고려할 수 있는 매우 유용한 결정 트리를 제공했습니다.

이 결정 트리는 개인 정보 보호 및 계산 무결성의 필요성과 머신 러닝을 사용하여 해결된 휴리스틱 최적화 문제라는 두 가지 기준의 교차점을 기반으로 합니다. 즉, 결정 트리는 개인 정보 보호 및 계산 무결성이 중요하고 휴리스틱 최적화 문제를 해결하기 위해 기계 학습 기술이 사용되는 ZKML과 관련된 사용 사례에 대한 적합성을 결정하는 데 사용됩니다.

ML 모델 혁신에 zk를 사용하는 방법은 다음과 같습니다.

개인 정보 보호 기계 학습

zk-SNARK는 개인 데이터를 모델 작성자나 사용자에게 노출하지 않고 기계 학습 모델을 훈련하는 데 사용할 수 있습니다. 이를 통해 개인 데이터를 사용하는 개인의 프라이버시를 손상시키지 않고 의료 또는 금융과 같은 민감하거나 규제된 산업에서 사용할 수 있는 모델을 개발할 수 있습니다.

검증 가능한 기계 학습

zk-SNARK는 기계 학습 모델이 특정 데이터 세트에서 훈련되었거나 특정 모델이 예측을 위해 사용되었음을 훈련 데이터 또는 모델의 세부 정보를 공개하지 않고 증명하는 데 사용할 수 있습니다. 이는 신용 평가 또는 의료 진단과 같은 애플리케이션에서 중요한 기계 학습 모델의 결과에 대한 신뢰를 높일 수 있습니다.

보안 기계 학습

zk-SNARK는 모델이 변조되거나 다른 모델로 대체되지 않도록 하여 기계 학습 모델의 무결성을 보호하는 데 사용할 수 있습니다. 이는 모델이 에지 장치 또는 퍼블릭 클라우드와 같은 신뢰할 수 없는 환경에 배포되는 애플리케이션에서 유용합니다.

ZKonduit(EZKL)의 가능한 응용 프로그램

ZKonduit와 같은 프로젝트는 ZK-ML을 블록체인의 눈, 판단력을 발휘하는 스마트 계약, 일인 오라클, 일반적으로 확장 가능한 방식으로 온체인 데이터를 얻는 열쇠로 보고 있습니다. ZK-ML 오라클을 사용하면 오프체인 데이터를 블록체인으로 전송하는 더 쉽고 빠르고 효율적인 방법을 제공하여 데이터를 온체인으로 가져올 가능성이 크게 높아집니다. ZK-ML은 모호한 사건을 해석하기 위해 "스마트 심판"을 활성화할 수 있습니다. 이로 인해 Web3에 대한 상상할 수 없는 새로운 사용 사례가 생길 수 있지만 다음은 최근에 논의된 몇 가지에 불과합니다.

ZK KYC

개인의 신원이 해당 ID 카드와 일치하고 ID 번호가 제재 목록에 없음을 증명할 수 있어야 합니다. 기술을 사용할 수 있지만 규제 기관은 현재 은행이 제재 목록에 있지 않은지 확인하는 것이 아니라 고객을 "알아야"하도록 요구하기 때문에 이를 허용하지 않을 수 있습니다. 이것은 원치 않는 플레이어가 분산된 프로젝트를 사용하지 못하도록 조치를 취해야 하는 규제 기관의 새로운 영역입니다.

사기 수표

스마트 계약 또는 추상 계정은 비정상적인 행동을 감지하기 위해 ZK-ML 사기 스팸 검사를 추가합니다. 즉, 활동 패턴을 분석하고 알려진 사기 또는 스팸 활동 패턴과 비교하여 영지식 기계 학습 기술을 사용하여 사기 또는 스팸 활동을 감지하고 방지할 수 있습니다. 이렇게 하면 악의적인 활동을 감지하고 방지하여 시스템의 보안과 무결성을 보장할 수 있습니다.

DAO를 자율적으로 만들기

결론적으로

결론적으로

영지식 증명을 AI 시스템에 통합하면 이러한 시스템을 사용하는 사용자와 회사에 새로운 수준의 보안 및 개인 정보 보호를 제공할 수 있습니다. AI가 기본 데이터나 알고리즘을 공개하지 않고 결정의 유효성을 증명할 수 있도록 함으로써 영지식 증명은 데이터 위반 및 악의적인 공격의 위험을 완화하는 데 도움이 될 수 있습니다. 또한 공정성과 정확성을 증명할 수 있는 투명하고 검증 가능한 방법을 제공하여 AI 시스템에 대한 신뢰를 구축하는 데 도움을 줄 수 있습니다.

인공 지능 분야가 계속 성장하고 확장됨에 따라 이러한 강력한 기술의 안전하고 책임 있는 배포를 보장하기 위해 영지식 증명의 적용이 점점 더 중요해질 것입니다.