ในปีที่ผ่านมา zk-SNARKs มีความก้าวหน้าเหนือความคาดหมาย ในขณะที่ฉันทามติทั่วไปคือนวัตกรรมเหล่านี้ใช้เวลาหลายปี แอปพลิเคชัน เช่น ZK-EVM กำลังเกิดขึ้นใหม่ การปรับปรุง zk-SNARK ทำให้สามารถสำรวจกรณีการใช้งานใหม่ๆ สำหรับบล็อกเชนได้ และโดยเฉพาะอย่างยิ่ง เรากำลังให้ความสนใจอย่างใกล้ชิดกับการวิจัยโดยใช้ zk-SNARK เพื่อแก้ปัญหาเร่งด่วนมากมายที่เกิดจากการใช้งานแมชชีนเลิร์นนิงและปัญญาประดิษฐ์ที่เพิ่มขึ้น

เมื่อแมชชีนเลิร์นนิงได้รับความนิยม จึงมีการใช้งานที่หลากหลาย อย่างไรก็ตาม ความน่าเชื่อถือของการคาดการณ์และการพึ่งพาแหล่งข้อมูลที่คลุมเครือได้กลายเป็นข้อกังวลหลัก ความสามารถในการจำลองแบบจำลองที่อ้างว่ามีความแม่นยำสูงเป็นเรื่องยาก และไม่มีการรับประกันความสอดคล้องและความถูกต้องของการคาดการณ์ในการผลิตจริง

บทความนี้มีวัตถุประสงค์เพื่ออธิบายสั้น ๆ ว่าเหตุใดจึงมีความสนใจอย่างมากในระบบแมชชีนเลิร์นนิง (ZK-ML) ที่ใช้ zk-SNARK และหารือเกี่ยวกับการประยุกต์ใช้เทคโนโลยีที่เป็นไปได้บางประการ

เหตุใดจึงต้องใช้ ZK-ML

ด้วยการเรียนรู้ของเครื่องภายใต้การดูแล การป้อนข้อมูลจะถูกส่งไปยังโมเดลที่ได้รับการฝึกอบรมด้วยพารามิเตอร์เฉพาะ จากนั้นโมเดลจะสร้างเอาต์พุตที่ระบบอื่นสามารถใช้ได้ ด้วยเฟรมเวิร์กและรูปแบบแมชชีนเลิร์นนิงที่มีน้ำหนักเบา เช่น ONNX ทำให้ตอนนี้สามารถเรียกใช้การอนุมานบนอุปกรณ์ Edge เช่น โทรศัพท์มือถือหรืออุปกรณ์ IoT แทนการส่งข้อมูลอินพุตไปยังเซิร์ฟเวอร์ส่วนกลาง สิ่งนี้ช่วยปรับปรุงความสามารถในการปรับขนาดและความเป็นส่วนตัวสำหรับผู้ใช้

อย่างไรก็ตาม สิ่งสำคัญคือต้องทราบว่าทั้งอินพุตและพารามิเตอร์ของโมเดลแมชชีนเลิร์นนิงมักถูกเก็บไว้เป็นส่วนตัวและซ่อนไม่ให้เห็นจากสาธารณะ ทั้งนี้เนื่องจากข้อมูลที่ป้อนเข้าอาจมีข้อมูลที่ละเอียดอ่อน เช่น ข้อมูลทางการเงินส่วนบุคคลหรือไบโอเมตริกซ์ และพารามิเตอร์แบบจำลองอาจมีข้อมูลที่ละเอียดอ่อน เช่น พารามิเตอร์การตรวจสอบไบโอเมตริกซ์

ในทางกลับกัน ระบบดาวน์สตรีมที่ใช้เอาต์พุตของโมเดล ML เช่น สัญญาอัจฉริยะแบบออนเชน จะต้องสามารถตรวจสอบได้ว่าอินพุตได้รับการประมวลผลอย่างถูกต้องเพื่อสร้างเอาต์พุตที่อ้างสิทธิ์

การผสมผสานระหว่างแมชชีนเลิร์นนิงและโปรโตคอล zkSNARK ทำให้เกิดโซลูชันใหม่สำหรับข้อกำหนดที่ดูขัดแย้งกันเหล่านี้

กรณีการใช้งาน ZK-ML

มีบทความมากมายที่กล่าวถึงวิธีการที่เราสามารถใช้ zk-SNARK เพื่อปรับปรุงการเรียนรู้ของเครื่องในอนาคต ชุมชน ZK-ML ได้จัดทำแผนผังการตัดสินใจที่มีประโยชน์มาก ซึ่งช่วยให้เราพิจารณากรณีการใช้งานต่างๆ สำหรับเทคนิคนี้

โครงสร้างการตัดสินใจนี้อิงตามเกณฑ์สองข้อที่ตัดกัน: ความต้องการความเป็นส่วนตัวและความสมบูรณ์ของการคำนวณ และปัญหาการปรับแก้ฮิวริสติกให้เหมาะสมซึ่งแก้ไขได้โดยใช้แมชชีนเลิร์นนิง กล่าวอีกนัยหนึ่ง ต้นไม้การตัดสินใจถูกใช้เพื่อพิจารณาความเหมาะสมสำหรับกรณีการใช้งานที่เกี่ยวข้องกับ ZKML ซึ่งความเป็นส่วนตัวและความสมบูรณ์ของการคำนวณมีความสำคัญ และในกรณีที่ใช้เทคนิคการเรียนรู้ของเครื่องเพื่อแก้ปัญหาการเพิ่มประสิทธิภาพแบบฮิวริสติก

ต่อไปนี้คือบางวิธีที่สามารถใช้ zk สำหรับนวัตกรรมโมเดล ML:

การรักษาความเป็นส่วนตัวของการเรียนรู้ของเครื่อง

สามารถใช้ zk-SNARK เพื่อฝึกโมเดลแมชชีนเลิร์นนิ่งโดยไม่เปิดเผยข้อมูลส่วนตัวแก่ผู้สร้างหรือผู้ใช้โมเดล ซึ่งช่วยให้สามารถพัฒนาแบบจำลองที่สามารถใช้ในอุตสาหกรรมที่ละเอียดอ่อนหรือมีการควบคุม เช่น การดูแลสุขภาพหรือการเงิน โดยไม่กระทบต่อความเป็นส่วนตัวของบุคคลที่ใช้ข้อมูลส่วนบุคคล

การเรียนรู้ของเครื่องที่ตรวจสอบได้

สามารถใช้ zk-SNARK เพื่อพิสูจน์ว่าโมเดลแมชชีนเลิร์นนิงได้รับการฝึกฝนในชุดข้อมูลเฉพาะ หรือโมเดลเฉพาะนั้นถูกใช้เพื่อทำการทำนาย โดยไม่ต้องเปิดเผยรายละเอียดของข้อมูลการฝึกหรือโมเดล สิ่งนี้สามารถเพิ่มความไว้วางใจในผลลัพธ์ของโมเดลแมชชีนเลิร์นนิง ซึ่งมีความสำคัญในการใช้งาน เช่น การให้คะแนนเครดิตหรือการวินิจฉัยทางการแพทย์

การเรียนรู้ของเครื่องรักษาความปลอดภัย

สามารถใช้ zk-SNARK เพื่อปกป้องความสมบูรณ์ของโมเดลแมชชีนเลิร์นนิงโดยทำให้แน่ใจว่าโมเดลไม่ได้ถูกดัดแปลงหรือแทนที่ด้วยโมเดลอื่น สิ่งนี้มีประโยชน์ในแอปพลิเคชันที่มีการปรับใช้โมเดลในสภาพแวดล้อมที่ไม่น่าเชื่อถือ เช่น อุปกรณ์ขอบหรือคลาวด์สาธารณะ

การใช้งานที่เป็นไปได้ของ ZKonduit (EZKL)

โครงการต่างๆ เช่น ZKonduit มองว่า ZK-ML เป็นกุญแจสำคัญในการจับตาดูบล็อกเชน สัญญาอัจฉริยะที่ใช้วิจารณญาณ การทำนายโดยมนุษย์คนเดียว และโดยทั่วไปแล้วการรับข้อมูลบนเชนด้วยวิธีที่ปรับขนาดได้ การใช้ ZK-ML oracles เป็นวิธีที่ง่าย เร็วขึ้น และมีประสิทธิภาพมากขึ้นในการถ่ายโอนข้อมูลนอกเชนไปยังบล็อกเชน ซึ่งเพิ่มศักยภาพอย่างมากในการนำข้อมูลมาไว้บนเชน ZK-ML สามารถเปิดใช้งาน "ผู้ตัดสินที่ชาญฉลาด" เพื่อตีความเหตุการณ์ที่ไม่ชัดเจน สิ่งนี้อาจนำไปสู่กรณีการใช้งานใหม่ที่คาดไม่ถึงสำหรับ Web3 แต่ต่อไปนี้เป็นเพียงส่วนน้อยที่ได้รับการกล่าวถึงเมื่อเร็วๆ นี้:

ZK KYC

สามารถพิสูจน์ได้ว่าตัวตนของบุคคลนั้นตรงกับบัตรประจำตัวประชาชน และหมายเลขประจำตัวนั้นไม่ได้อยู่ในรายการลงโทษ แม้ว่าเทคโนโลยีจะพร้อมใช้งาน แต่หน่วยงานกำกับดูแลอาจไม่ยอมรับ เนื่องจากปัจจุบันธนาคารต้องการให้ธนาคาร "รู้จัก" ลูกค้าของตน แทนที่จะตรวจสอบเพียงว่าพวกเขาไม่ได้อยู่ในรายการคว่ำบาตร นี่เป็นพื้นที่ใหม่สำหรับผู้ควบคุมซึ่งต้องดำเนินการเพื่อป้องกันผู้เล่นที่ไม่ต้องการจากการใช้โครงการที่กระจายอำนาจ

ตรวจสอบการฉ้อโกง

สัญญาอัจฉริยะหรือบัญชีนามธรรมเพิ่มการตรวจสอบสแปมการฉ้อโกง ZK-ML เพื่อตรวจจับพฤติกรรมที่ผิดปกติ ซึ่งหมายความว่าสามารถใช้เทคนิคการเรียนรู้ของเครื่องที่ไม่มีความรู้เพื่อตรวจจับและป้องกันกิจกรรมการฉ้อโกงหรือสแปมโดยการวิเคราะห์รูปแบบกิจกรรมและเปรียบเทียบกับรูปแบบกิจกรรมการฉ้อโกงหรือสแปมที่ทราบ สิ่งนี้สามารถช่วยรับประกันความปลอดภัยและความสมบูรณ์ของระบบโดยการตรวจจับและป้องกันกิจกรรมที่เป็นอันตราย

ทำให้ DAO เป็นอิสระ

สรุปแล้ว

สรุปแล้ว

การผสานรวมการพิสูจน์ความรู้ที่ไม่มีความรู้เข้ากับระบบ AI สามารถมอบความปลอดภัยและความเป็นส่วนตัวในระดับใหม่สำหรับผู้ใช้และบริษัทที่ใช้ระบบเหล่านี้ การเปิดใช้งาน AI เพื่อพิสูจน์ความถูกต้องของการตัดสินใจโดยไม่ต้องเปิดเผยข้อมูลพื้นฐานหรืออัลกอริทึม การพิสูจน์ที่ไม่มีความรู้สามารถช่วยลดความเสี่ยงของการละเมิดข้อมูลและการโจมตีที่เป็นอันตราย นอกจากนี้ยังช่วยสร้างความไว้วางใจในระบบ AI ด้วยการมอบวิธีการที่โปร่งใสและตรวจสอบได้เพื่อพิสูจน์ความยุติธรรมและความถูกต้อง

ในขณะที่สาขาปัญญาประดิษฐ์เติบโตและขยายตัวอย่างต่อเนื่อง การประยุกต์ใช้การพิสูจน์ความรู้ที่ไม่มีความรู้จะมีความสำคัญมากขึ้นเรื่อย ๆ เพื่อให้แน่ใจว่าการปรับใช้เทคโนโลยีที่มีประสิทธิภาพเหล่านี้อย่างปลอดภัยและมีความรับผิดชอบ