Signifikansi zkML adalah: memungkinkan orang yang menggunakan pembelajaran mesin untuk sepenuhnya memahami model tanpa mengungkapkan informasi model itu sendiri.
Ditulis oleh: Callum, Web3CN.Pro
ZK terus menjadi panas sejak 2022, dan teknologinya telah membuat kemajuan besar, dan proyek seri ZK juga terus berupaya. Pada saat yang sama, dengan mempopulerkan Machine Learning (ML) dan penerapannya yang meluas dalam produksi dan kehidupan, banyak perusahaan mulai membangun, melatih, dan menerapkan model pembelajaran mesin. Namun masalah utama yang dihadapi pembelajaran mesin saat ini adalah bagaimana memastikan kepercayaan dan ketergantungan pada data buram. Inilah pentingnya ZKML: agar orang yang menggunakan pembelajaran mesin memahami sepenuhnya model tanpa mengungkapkan informasi model itu sendiri.
Apa itu ZKML
Apa itu ZKML, mari kita lihat secara terpisah. ZK (Zero-Knowledge Proof) adalah protokol kriptografi di mana pembukti dapat membuktikan kepada pemverifikasi bahwa pernyataan yang diberikan benar tanpa mengungkapkan informasi lain, yaitu hasilnya dapat diketahui tanpa proses.
ZK memiliki dua karakteristik utama: pertama, membuktikan apa yang ingin dibuktikan tanpa mengungkapkan terlalu banyak informasi kepada pemverifikasi; kedua, sulit menghasilkan bukti, dan mudah memverifikasi bukti.
Berdasarkan dua karakteristik ini, ZK telah mengembangkan beberapa kasus penggunaan utama: Ekspansi lapisan 2, rantai publik privat, penyimpanan terdesentralisasi, verifikasi identitas, dan pembelajaran mesin. Fokus penelitian artikel ini akan fokus pada ZKML (Zero-Knowledge Machine Learning).
Apa itu ML (Machine Learning), Machine Learning adalah ilmu kecerdasan buatan yang melibatkan pengembangan dan penerapan algoritma yang memungkinkan komputer untuk belajar dan beradaptasi dengan data secara mandiri, mengoptimalkan kinerjanya melalui proses iteratif tanpa memerlukan proses pemrograman. Ini menggunakan algoritma dan model untuk mengidentifikasi data untuk mendapatkan parameter model dan akhirnya membuat prediksi/keputusan.
Saat ini, pembelajaran mesin telah berhasil diterapkan di berbagai bidang. Dengan peningkatan model ini, pembelajaran mesin perlu melakukan lebih banyak tugas. Untuk memastikan model dengan akurasi tinggi, ini memerlukan penggunaan teknologi ZK: menggunakan model publik verifikasi Data pribadi atau memvalidasi model pribadi dengan data publik.
ZKML yang kita bicarakan sejauh ini menciptakan bukti tanpa pengetahuan tentang langkah-langkah inferensi model ML, bukan pelatihan model ML.
Mengapa kita membutuhkan ZKML
Seiring kemajuan teknologi kecerdasan buatan, menjadi lebih sulit untuk membedakan antara kecerdasan buatan dan kecerdasan manusia dan generasi manusia. Bukti tanpa pengetahuan memiliki kemampuan untuk memecahkan masalah ini. Ini memungkinkan kita untuk menentukan apakah konten tertentu dihasilkan dengan menerapkan model tertentu dihasilkan tanpa mengungkapkan informasi lain tentang model atau input.
Platform pembelajaran mesin tradisional sering kali mengharuskan pengembang mengirimkan arsitektur model mereka ke host untuk verifikasi kinerja. Ini dapat menyebabkan beberapa masalah:
Kehilangan Kekayaan Intelektual: Mengungkap arsitektur model lengkap dapat mengungkap rahasia dagang atau inovasi berharga yang ingin dirahasiakan oleh pengembang.
Kurangnya transparansi: Proses evaluasi mungkin tidak transparan dan peserta mungkin tidak dapat memverifikasi peringkat model mereka terhadap model lain.
Masalah privasi data: Model bersama yang dilatih tentang data sensitif mungkin secara tidak sengaja mengungkapkan informasi tentang data yang mendasarinya, melanggar norma dan peraturan privasi.
Tantangan ini telah menciptakan kebutuhan akan solusi yang dapat melindungi privasi model pembelajaran mesin dan data pelatihannya.
ZK mengusulkan pendekatan yang menjanjikan untuk mengatasi tantangan yang dihadapi oleh platform ML tradisional. Dengan memanfaatkan kekuatan ZK, ZKML memberikan solusi perlindungan privasi dengan keuntungan sebagai berikut:
Privasi model: Pengembang dapat berpartisipasi dalam validasi tanpa mengungkapkan seluruh arsitektur model, sehingga melindungi kekayaan intelektual mereka.
Verifikasi transparan: ZK dapat memverifikasi kinerja model tanpa mengungkapkan internal model, sehingga memfasilitasi proses evaluasi yang transparan dan tanpa kepercayaan.
Privasi data: ZK dapat digunakan untuk memverifikasi data pribadi menggunakan model publik atau memverifikasi model pribadi menggunakan data publik, memastikan bahwa informasi sensitif tidak bocor.
Mengintegrasikan ZK ke dalam proses ML menyediakan platform yang aman dan menjaga privasi yang mengatasi keterbatasan ML tradisional. Ini tidak hanya mempromosikan adopsi pembelajaran mesin di industri privasi, tetapi juga menarik pengembang Web2 berpengalaman untuk mengeksplorasi kemungkinan dalam ekosistem Web3.
Aplikasi dan Peluang ZKML
Dengan meningkatnya peningkatan kriptografi, teknologi bukti tanpa pengetahuan, dan fasilitas perangkat keras, semakin banyak proyek yang mulai mengeksplorasi penggunaan ZKML. Ekosistem ZKML secara kasar dapat dibagi menjadi empat kategori berikut:
Kompiler Verifikasi Model: Infrastruktur untuk mengkompilasi model dari format yang ada (misalnya, Pytorch, ONNX, dll.) ke dalam sirkuit komputasi yang dapat diverifikasi.
Generalized Proof System: Sebuah sistem bukti dibangun untuk memverifikasi lintasan komputasi sewenang-wenang.
Sistem bukti khusus ZKML: sistem bukti yang dibuat khusus untuk memverifikasi jejak komputasi model ML.
Aplikasi: Proyek yang menangani kasus penggunaan ZKML.
Menurut kategori ekologi dari aplikasi ZKML ini, kami dapat mengklasifikasikan beberapa proyek yang menerapkan ZKML saat ini:
ZKML masih merupakan teknologi baru, pasarnya masih sangat awal, dan banyak aplikasi hanya diujicobakan di hackathon, tetapi ZKML masih membuka ruang desain baru untuk kontrak pintar:
###DeFi
Aplikasi defi yang diparameterisasi menggunakan ML bisa lebih otomatis. Misalnya, protokol peminjaman dapat menggunakan model ML untuk memperbarui parameter secara real time. Saat ini, protokol pinjaman terutama mempercayai model off-chain yang dijalankan oleh organisasi untuk menentukan agunan, LTV, ambang batas likuidasi, dll., tetapi alternatif yang lebih baik mungkin adalah model sumber terbuka yang dilatih komunitas yang dapat dijalankan dan diverifikasi oleh siapa saja. Dengan menggunakan oracle ML off-chain yang dapat diverifikasi, model ML dapat memproses data off-chain yang ditandatangani untuk prediksi dan klasifikasi. Oracle ML off-chain ini dapat dengan mudah memecahkan pasar prediksi dunia nyata, protokol peminjaman, dll. dengan memverifikasi penalaran dan menerbitkan bukti on-chain.
Web3 Sosial
Filter media sosial Web3. Sifat terdesentralisasi dari aplikasi sosial Web3 akan menyebabkan lebih banyak spam dan konten berbahaya. Idealnya, platform media sosial dapat menggunakan model ML sumber terbuka yang disetujui komunitas dan menerbitkan bukti penalaran model saat mereka memilih untuk memfilter postingan. Sebagai pengguna media sosial, Anda mungkin ingin melihat iklan yang dipersonalisasi, tetapi ingin merahasiakan preferensi dan minat pengguna Anda dari pengiklan. Jadi pengguna dapat memilih untuk menjalankan model secara lokal jika diinginkan, yang dapat dimasukkan ke dalam aplikasi media untuk menyediakan konten bagi mereka.
GameFi
ZKML dapat diterapkan pada jenis game on-chain baru, membuat game kooperatif manusia-AI dan game on-chain inovatif lainnya di mana model AI dapat bertindak sebagai NPC, dan setiap tindakan yang dilakukan NPC diposting secara on-chain dengan Bukti apa pun yang dapat diverifikasi siapa pun untuk menentukan model yang benar sedang berjalan. Pada saat yang sama, model ML dapat digunakan untuk secara dinamis menyesuaikan penerbitan token, pasokan, pembakaran, ambang batas pemungutan suara, dll. Model kontrak insentif dapat dirancang yang akan menyeimbangkan kembali ekonomi dalam game jika ambang keseimbangan tertentu tercapai dan buktinya penalaran diverifikasi.
Autentikasi
Ganti kunci pribadi dengan autentikasi biometrik yang menjaga privasi. Manajemen kunci pribadi tetap menjadi salah satu masalah terbesar di Web3. Mengekstrak kunci pribadi melalui pengenalan wajah atau faktor unik lainnya mungkin menjadi solusi yang memungkinkan untuk ZKML.
4. Tantangan ZKML
Meskipun ZKML terus ditingkatkan dan dioptimalkan, bidang ini masih dalam tahap awal pengembangan, dan masih ada beberapa tantangan dari teknologi untuk dipraktikkan:
Kuantisasi dengan kehilangan presisi minimal
ukuran sirkuit, terutama bila jaringan terdiri dari banyak lapisan
Bukti perkalian matriks yang efisien
Serangan musuh
Tantangan-tantangan ini pertama memengaruhi keakuratan model pembelajaran mesin, kedua memengaruhi biaya dan kecepatan pembuktiannya, dan ketiga adalah risiko serangan pencurian model.
Perbaikan untuk masalah ini sedang berlangsung, demo ZK-MNIST @0xPARC pada tahun 2021 menunjukkan cara mengimplementasikan model klasifikasi gambar MNIST skala kecil dalam sirkuit yang dapat diverifikasi; Daniel Kang melakukan hal yang sama untuk model skala ImageNet, saat ini skala ImageNet Akurasi model telah ditingkatkan menjadi 92% dan diharapkan akan segera tercapai dengan akselerasi perangkat keras lebih lanjut dari ruang ML yang lebih luas.
ZKML masih dalam tahap pengembangan awal, tetapi sudah mulai menunjukkan banyak hasil, dan kita dapat berharap untuk melihat aplikasi ZKML yang lebih inovatif di rantai. Saat ZKML terus berkembang, kami dapat meramalkan masa depan di mana pembelajaran mesin yang menjaga privasi akan menjadi norma.
Lihat Asli
Konten ini hanya untuk referensi, bukan ajakan atau tawaran. Tidak ada nasihat investasi, pajak, atau hukum yang diberikan. Lihat Penafian untuk pengungkapan risiko lebih lanjut.
Baca tentang aplikasi dan potensi zkML pembelajaran mesin tanpa pengetahuan
Ditulis oleh: Callum, Web3CN.Pro
ZK terus menjadi panas sejak 2022, dan teknologinya telah membuat kemajuan besar, dan proyek seri ZK juga terus berupaya. Pada saat yang sama, dengan mempopulerkan Machine Learning (ML) dan penerapannya yang meluas dalam produksi dan kehidupan, banyak perusahaan mulai membangun, melatih, dan menerapkan model pembelajaran mesin. Namun masalah utama yang dihadapi pembelajaran mesin saat ini adalah bagaimana memastikan kepercayaan dan ketergantungan pada data buram. Inilah pentingnya ZKML: agar orang yang menggunakan pembelajaran mesin memahami sepenuhnya model tanpa mengungkapkan informasi model itu sendiri.
Apa itu ZKML
Apa itu ZKML, mari kita lihat secara terpisah. ZK (Zero-Knowledge Proof) adalah protokol kriptografi di mana pembukti dapat membuktikan kepada pemverifikasi bahwa pernyataan yang diberikan benar tanpa mengungkapkan informasi lain, yaitu hasilnya dapat diketahui tanpa proses.
ZK memiliki dua karakteristik utama: pertama, membuktikan apa yang ingin dibuktikan tanpa mengungkapkan terlalu banyak informasi kepada pemverifikasi; kedua, sulit menghasilkan bukti, dan mudah memverifikasi bukti.
Berdasarkan dua karakteristik ini, ZK telah mengembangkan beberapa kasus penggunaan utama: Ekspansi lapisan 2, rantai publik privat, penyimpanan terdesentralisasi, verifikasi identitas, dan pembelajaran mesin. Fokus penelitian artikel ini akan fokus pada ZKML (Zero-Knowledge Machine Learning).
Apa itu ML (Machine Learning), Machine Learning adalah ilmu kecerdasan buatan yang melibatkan pengembangan dan penerapan algoritma yang memungkinkan komputer untuk belajar dan beradaptasi dengan data secara mandiri, mengoptimalkan kinerjanya melalui proses iteratif tanpa memerlukan proses pemrograman. Ini menggunakan algoritma dan model untuk mengidentifikasi data untuk mendapatkan parameter model dan akhirnya membuat prediksi/keputusan.
Saat ini, pembelajaran mesin telah berhasil diterapkan di berbagai bidang. Dengan peningkatan model ini, pembelajaran mesin perlu melakukan lebih banyak tugas. Untuk memastikan model dengan akurasi tinggi, ini memerlukan penggunaan teknologi ZK: menggunakan model publik verifikasi Data pribadi atau memvalidasi model pribadi dengan data publik.
ZKML yang kita bicarakan sejauh ini menciptakan bukti tanpa pengetahuan tentang langkah-langkah inferensi model ML, bukan pelatihan model ML.
Mengapa kita membutuhkan ZKML
Seiring kemajuan teknologi kecerdasan buatan, menjadi lebih sulit untuk membedakan antara kecerdasan buatan dan kecerdasan manusia dan generasi manusia. Bukti tanpa pengetahuan memiliki kemampuan untuk memecahkan masalah ini. Ini memungkinkan kita untuk menentukan apakah konten tertentu dihasilkan dengan menerapkan model tertentu dihasilkan tanpa mengungkapkan informasi lain tentang model atau input.
Platform pembelajaran mesin tradisional sering kali mengharuskan pengembang mengirimkan arsitektur model mereka ke host untuk verifikasi kinerja. Ini dapat menyebabkan beberapa masalah:
Tantangan ini telah menciptakan kebutuhan akan solusi yang dapat melindungi privasi model pembelajaran mesin dan data pelatihannya.
ZK mengusulkan pendekatan yang menjanjikan untuk mengatasi tantangan yang dihadapi oleh platform ML tradisional. Dengan memanfaatkan kekuatan ZK, ZKML memberikan solusi perlindungan privasi dengan keuntungan sebagai berikut:
Mengintegrasikan ZK ke dalam proses ML menyediakan platform yang aman dan menjaga privasi yang mengatasi keterbatasan ML tradisional. Ini tidak hanya mempromosikan adopsi pembelajaran mesin di industri privasi, tetapi juga menarik pengembang Web2 berpengalaman untuk mengeksplorasi kemungkinan dalam ekosistem Web3.
Aplikasi dan Peluang ZKML
Dengan meningkatnya peningkatan kriptografi, teknologi bukti tanpa pengetahuan, dan fasilitas perangkat keras, semakin banyak proyek yang mulai mengeksplorasi penggunaan ZKML. Ekosistem ZKML secara kasar dapat dibagi menjadi empat kategori berikut:
Menurut kategori ekologi dari aplikasi ZKML ini, kami dapat mengklasifikasikan beberapa proyek yang menerapkan ZKML saat ini:
ZKML masih merupakan teknologi baru, pasarnya masih sangat awal, dan banyak aplikasi hanya diujicobakan di hackathon, tetapi ZKML masih membuka ruang desain baru untuk kontrak pintar:
###DeFi
Aplikasi defi yang diparameterisasi menggunakan ML bisa lebih otomatis. Misalnya, protokol peminjaman dapat menggunakan model ML untuk memperbarui parameter secara real time. Saat ini, protokol pinjaman terutama mempercayai model off-chain yang dijalankan oleh organisasi untuk menentukan agunan, LTV, ambang batas likuidasi, dll., tetapi alternatif yang lebih baik mungkin adalah model sumber terbuka yang dilatih komunitas yang dapat dijalankan dan diverifikasi oleh siapa saja. Dengan menggunakan oracle ML off-chain yang dapat diverifikasi, model ML dapat memproses data off-chain yang ditandatangani untuk prediksi dan klasifikasi. Oracle ML off-chain ini dapat dengan mudah memecahkan pasar prediksi dunia nyata, protokol peminjaman, dll. dengan memverifikasi penalaran dan menerbitkan bukti on-chain.
Web3 Sosial
Filter media sosial Web3. Sifat terdesentralisasi dari aplikasi sosial Web3 akan menyebabkan lebih banyak spam dan konten berbahaya. Idealnya, platform media sosial dapat menggunakan model ML sumber terbuka yang disetujui komunitas dan menerbitkan bukti penalaran model saat mereka memilih untuk memfilter postingan. Sebagai pengguna media sosial, Anda mungkin ingin melihat iklan yang dipersonalisasi, tetapi ingin merahasiakan preferensi dan minat pengguna Anda dari pengiklan. Jadi pengguna dapat memilih untuk menjalankan model secara lokal jika diinginkan, yang dapat dimasukkan ke dalam aplikasi media untuk menyediakan konten bagi mereka.
GameFi
ZKML dapat diterapkan pada jenis game on-chain baru, membuat game kooperatif manusia-AI dan game on-chain inovatif lainnya di mana model AI dapat bertindak sebagai NPC, dan setiap tindakan yang dilakukan NPC diposting secara on-chain dengan Bukti apa pun yang dapat diverifikasi siapa pun untuk menentukan model yang benar sedang berjalan. Pada saat yang sama, model ML dapat digunakan untuk secara dinamis menyesuaikan penerbitan token, pasokan, pembakaran, ambang batas pemungutan suara, dll. Model kontrak insentif dapat dirancang yang akan menyeimbangkan kembali ekonomi dalam game jika ambang keseimbangan tertentu tercapai dan buktinya penalaran diverifikasi.
Autentikasi
Ganti kunci pribadi dengan autentikasi biometrik yang menjaga privasi. Manajemen kunci pribadi tetap menjadi salah satu masalah terbesar di Web3. Mengekstrak kunci pribadi melalui pengenalan wajah atau faktor unik lainnya mungkin menjadi solusi yang memungkinkan untuk ZKML.
4. Tantangan ZKML
Meskipun ZKML terus ditingkatkan dan dioptimalkan, bidang ini masih dalam tahap awal pengembangan, dan masih ada beberapa tantangan dari teknologi untuk dipraktikkan:
Tantangan-tantangan ini pertama memengaruhi keakuratan model pembelajaran mesin, kedua memengaruhi biaya dan kecepatan pembuktiannya, dan ketiga adalah risiko serangan pencurian model.
Perbaikan untuk masalah ini sedang berlangsung, demo ZK-MNIST @0xPARC pada tahun 2021 menunjukkan cara mengimplementasikan model klasifikasi gambar MNIST skala kecil dalam sirkuit yang dapat diverifikasi; Daniel Kang melakukan hal yang sama untuk model skala ImageNet, saat ini skala ImageNet Akurasi model telah ditingkatkan menjadi 92% dan diharapkan akan segera tercapai dengan akselerasi perangkat keras lebih lanjut dari ruang ML yang lebih luas.
ZKML masih dalam tahap pengembangan awal, tetapi sudah mulai menunjukkan banyak hasil, dan kita dapat berharap untuk melihat aplikasi ZKML yang lebih inovatif di rantai. Saat ZKML terus berkembang, kami dapat meramalkan masa depan di mana pembelajaran mesin yang menjaga privasi akan menjadi norma.