Trong năm qua, zk-SNARK đã phát triển ngoài mong đợi. Mặc dù sự đồng thuận chung là những đổi mới này còn phải mất nhiều năm nữa, nhưng các ứng dụng, chẳng hạn như ZK-EVM, đang nổi lên. Các cải tiến đối với zk-SNARK đã giúp khám phá các trường hợp sử dụng mới cho chuỗi khối và đặc biệt, chúng tôi đang chú ý nghiên cứu sử dụng zk-SNARK để giải quyết nhiều vấn đề cấp bách do việc sử dụng máy học và trí tuệ nhân tạo ngày càng tăng.

Khi máy học trở nên phổ biến, nó đang được sử dụng trong rất nhiều ứng dụng. Tuy nhiên, độ tin cậy của các dự báo và sự phụ thuộc vào các nguồn dữ liệu mờ đục đã trở thành mối quan tâm lớn. Khả năng sao chép một mô hình đòi hỏi độ chính xác cao là rất khó và không có gì đảm bảo tính nhất quán và tính chính xác của các dự đoán trong sản xuất thực tế.

Bài viết này nhằm mục đích mô tả ngắn gọn lý do tại sao có nhiều mối quan tâm đến các hệ thống học máy dựa trên zk-SNARK (ZK-ML) và thảo luận về một số ứng dụng tiềm năng của công nghệ này.

Tại sao lại cần ZK-ML?

Với học máy có giám sát, đầu vào được cung cấp cho một mô hình đã được đào tạo với các tham số cụ thể. Sau đó, mô hình tạo ra đầu ra có thể được sử dụng bởi các hệ thống khác. Nhờ các khuôn khổ và định dạng máy học nhẹ như ONNX, giờ đây có thể chạy các suy luận này trên các thiết bị biên, chẳng hạn như điện thoại di động hoặc thiết bị IoT, thay vì gửi dữ liệu đầu vào đến các máy chủ tập trung. Điều này cải thiện khả năng mở rộng và quyền riêng tư cho người dùng.

Tuy nhiên, điều quan trọng cần lưu ý là cả đầu vào và thông số của các mô hình học máy thường được giữ kín và ẩn khỏi chế độ xem công khai. Điều này là do dữ liệu đầu vào có thể chứa thông tin nhạy cảm, chẳng hạn như dữ liệu sinh trắc học hoặc tài chính cá nhân và các tham số mô hình cũng có thể chứa thông tin nhạy cảm, chẳng hạn như tham số xác thực sinh trắc học.

Mặt khác, các hệ thống hạ nguồn tiêu thụ đầu ra của mô hình ML, chẳng hạn như hợp đồng thông minh trên chuỗi, cần có khả năng xác minh rằng đầu vào đã được xử lý chính xác để tạo ra đầu ra đã yêu cầu.

Sự kết hợp giữa máy học và giao thức zkSNARK cung cấp một giải pháp mới cho những yêu cầu dường như mâu thuẫn này.

Các trường hợp sử dụng ZK-ML

Có nhiều bài báo thảo luận về cách chúng ta có thể sử dụng zk-SNARK để cải thiện quá trình học máy trong tương lai. Cộng đồng ZK-ML đã cung cấp một cây quyết định rất hữu ích cho phép chúng tôi xem xét các trường hợp sử dụng khác nhau cho kỹ thuật này.

Cây quyết định này dựa trên sự giao nhau của hai tiêu chí: nhu cầu về quyền riêng tư và tính toàn vẹn của máy tính và một vấn đề tối ưu hóa heuristic được giải quyết bằng cách sử dụng máy học. Nói cách khác, cây quyết định được sử dụng để xác định mức độ phù hợp cho các trường hợp sử dụng liên quan đến ZKML, trong đó quyền riêng tư và tính toàn vẹn tính toán là quan trọng và khi các kỹ thuật máy học được sử dụng để giải quyết các vấn đề tối ưu hóa theo kinh nghiệm,

Dưới đây là một số cách zk có thể được sử dụng để đổi mới mô hình ML:

Bảo vệ quyền riêng tư Học máy

zk-SNARK có thể được sử dụng để huấn luyện các mô hình học máy mà không để lộ dữ liệu riêng tư cho người tạo hoặc người dùng của mô hình. Điều này cho phép phát triển các mô hình có thể được sử dụng trong các ngành nhạy cảm hoặc được quản lý như chăm sóc sức khỏe hoặc tài chính mà không ảnh hưởng đến quyền riêng tư của các cá nhân sử dụng dữ liệu cá nhân.

Học máy có thể kiểm chứng

zk-SNARK có thể được sử dụng để chứng minh rằng một mô hình máy học đã được đào tạo trên một tập dữ liệu cụ thể hoặc một mô hình cụ thể đã được sử dụng để đưa ra dự đoán mà không tiết lộ chi tiết về dữ liệu đào tạo hoặc mô hình. Điều này có thể làm tăng sự tin tưởng vào kết quả của các mô hình máy học, điều này rất quan trọng trong các ứng dụng như chấm điểm tín dụng hoặc chẩn đoán y tế.

Học máy bảo mật

zk-SNARK có thể được sử dụng để bảo vệ tính toàn vẹn của các mô hình máy học bằng cách đảm bảo rằng mô hình đó không bị can thiệp hoặc thay thế bằng một mô hình khác. Điều này hữu ích trong các ứng dụng mà các mô hình được triển khai trong các môi trường không đáng tin cậy như thiết bị biên hoặc đám mây công cộng.

Các ứng dụng có thể có của ZKonduit (EZKL)

Các dự án như ZKonduit đang coi ZK-ML là chìa khóa để tạo ra mắt blockchain, hợp đồng thông minh thực hiện phán đoán, lời tiên tri một người và nói chung là nhận dữ liệu trên chuỗi theo cách có thể mở rộng. Sử dụng các oracle ZK-ML cung cấp một cách dễ dàng hơn, nhanh hơn và hiệu quả hơn để chuyển dữ liệu ngoài chuỗi sang chuỗi khối, giúp tăng đáng kể tiềm năng đưa dữ liệu vào chuỗi. ZK-ML có thể cho phép "các thẩm phán thông minh" diễn giải các sự kiện không rõ ràng. Điều này có thể dẫn đến các trường hợp sử dụng mới không thể tưởng tượng được cho Web3, nhưng sau đây chỉ là một số trường hợp đã được thảo luận gần đây:

ZK KYC

Có thể chứng minh rằng danh tính của một người khớp với thẻ ID tương ứng và số ID đó không nằm trong danh sách xử phạt. Mặc dù công nghệ này có sẵn, nhưng các cơ quan quản lý có thể không chấp nhận nó, vì họ hiện đang yêu cầu các ngân hàng "biết" khách hàng của họ, thay vì chỉ xác minh rằng họ không nằm trong danh sách trừng phạt. Đây là lãnh thổ mới cho các cơ quan quản lý, những người phải thực hiện các bước để ngăn chặn những người chơi không mong muốn sử dụng các dự án phi tập trung.

Kiểm tra gian lận

Hợp đồng thông minh hoặc tài khoản trừu tượng thêm kiểm tra thư rác gian lận ZK-ML để phát hiện hành vi bất thường. Điều này có nghĩa là các kỹ thuật máy học không kiến ​​thức có thể được sử dụng để phát hiện và ngăn chặn hoạt động lừa đảo hoặc spam bằng cách phân tích các mẫu hoạt động và so sánh chúng với các mẫu hoạt động lừa đảo hoặc spam đã biết. Điều này có thể giúp đảm bảo tính bảo mật và tính toàn vẹn của hệ thống bằng cách phát hiện và ngăn chặn hoạt động độc hại.

Làm cho DAO tự chủ

Tóm lại là

Tóm lại là

Việc tích hợp bằng chứng không kiến ​​thức vào các hệ thống AI có thể cung cấp mức độ bảo mật và quyền riêng tư mới cho người dùng và các công ty sử dụng các hệ thống này. Bằng cách cho phép AI chứng minh tính hợp lệ của các quyết định của mình mà không tiết lộ dữ liệu hoặc thuật toán cơ bản, bằng chứng không kiến ​​thức có thể giúp giảm thiểu rủi ro vi phạm dữ liệu và các cuộc tấn công độc hại. Ngoài ra, họ có thể giúp xây dựng niềm tin vào các hệ thống AI bằng cách cung cấp một cách minh bạch và có thể kiểm chứng để chứng minh tính công bằng và chính xác của chúng.

Khi lĩnh vực trí tuệ nhân tạo tiếp tục phát triển và mở rộng, việc áp dụng bằng chứng không kiến ​​thức sẽ ngày càng trở nên quan trọng để đảm bảo triển khai an toàn và có trách nhiệm các công nghệ mạnh mẽ này.