اقرأ عن التطبيقات وإمكانيات التعلم الآلي الصفري zkML

تكمن أهمية zkML في: السماح للأشخاص الذين يستخدمون التعلم الآلي بفهم النموذج بشكل كامل دون الكشف عن معلومات النموذج نفسه.

** بقلم: Callum، Web3CN.Pro **

استمرت ZK في كونها ساخنة منذ عام 2022 ، وحققت تقنيتها تقدمًا كبيرًا ، كما استمرت مشاريع سلسلة ZK في بذل الجهود. في الوقت نفسه ، مع تعميم التعلم الآلي (ML) وتطبيقه على نطاق واسع في الإنتاج والحياة ، بدأت العديد من الشركات في بناء نماذج التعلم الآلي وتدريبها ونشرها. لكن المشكلة الرئيسية التي تواجه التعلم الآلي حاليًا هي كيفية ضمان الجدارة بالثقة والاعتماد على البيانات غير الشفافة. هذه هي أهمية ZKML: السماح للأشخاص الذين يستخدمون التعلم الآلي بفهم النموذج تمامًا دون الكشف عن معلومات النموذج نفسه.

ما هو ZKML

ما هو ZKML ، دعنا ننظر إليه بشكل منفصل. ZK (Zero-Knowledge Proof) هو بروتوكول تشفير حيث يمكن للمثقف أن يثبت للمدقق أن بيانًا معينًا صحيحًا دون الكشف عن أي معلومات أخرى ، أي أنه يمكن معرفة النتيجة بدون العملية.

ZK له خاصيتان رئيسيتان: أولاً ، يثبت ما يريد إثباته دون الكشف عن الكثير من المعلومات للمدقق ؛ ثانيًا ، من الصعب إنشاء البراهين ، ومن السهل التحقق من البراهين.

بناءً على هاتين الخاصيتين ، طورت ZK العديد من حالات الاستخدام الرئيسية: توسيع الطبقة الثانية ، والسلسلة العامة الخاصة ، والتخزين اللامركزي ، والتحقق من الهوية ، والتعلم الآلي. سيركز تركيز البحث في هذه المقالة على ZKML (التعلم الآلي للمعرفة الصفرية).

ما هو التعلم الآلي (ML) ، التعلم الآلي هو علم الذكاء الاصطناعي الذي يتضمن تطوير وتطبيق الخوارزميات التي تمكن أجهزة الكمبيوتر من التعلم والتكيف مع البيانات بشكل مستقل ، وتحسين أدائها من خلال عملية تكرارية دون الحاجة إلى عملية برمجة. يستخدم الخوارزميات والنماذج لتحديد البيانات للحصول على معلمات النموذج وأخيراً إجراء التنبؤات / القرارات.

في الوقت الحالي ، تم تطبيق التعلم الآلي بنجاح في مختلف المجالات. مع تحسين هذه النماذج ، يحتاج التعلم الآلي إلى أداء المزيد والمزيد من المهام. من أجل ضمان نماذج عالية الدقة ، يتطلب هذا استخدام تقنية ZK: استخدام النموذج العام التحقق من البيانات الخاصة أو التحقق من صحة النماذج الخاصة بالبيانات العامة.

ZKML الذي نتحدث عنه حتى الآن هو إنشاء براهين صفرية المعرفة لخطوات الاستدلال لنماذج ML ، وليس تدريب نموذج ML.

لماذا نحتاج ZKML

مع تقدم تقنية الذكاء الاصطناعي ، يصبح التمييز بين الذكاء الاصطناعي والذكاء البشري وجيل الإنسان أكثر صعوبة. تتمتع براهين المعرفة الصفرية بالقدرة على حل هذه المشكلة. فهي تتيح لنا تحديد ما إذا كان محتوى معين يتم إنشاؤه من خلال تطبيق نموذج معين تم إنشاؤه دون الكشف عن أي معلومات أخرى حول النموذج أو المدخلات.

غالبًا ما تتطلب منصات التعلم الآلي التقليدية من المطورين إرسال هياكل نموذجهم إلى المضيف للتحقق من الأداء. هذا يمكن أن يسبب عدة مشاكل:

• فقدان الملكية الفكرية: قد يؤدي الكشف عن بنية النموذج بالكامل إلى كشف الأسرار التجارية القيمة أو الابتكارات التي يرغب المطورون في الحفاظ على خصوصيتها.
• الافتقار إلى الشفافية: قد لا تكون عملية التقييم شفافة وقد لا يتمكن المشاركون من التحقق من تصنيف نموذجهم مقابل النماذج الأخرى.
• مخاوف خصوصية البيانات: قد تكشف النماذج المشتركة المدربة على البيانات الحساسة عن غير قصد معلومات حول البيانات الأساسية ، منتهكة بذلك قواعد ولوائح الخصوصية.

خلقت هذه التحديات الحاجة إلى حلول يمكنها حماية خصوصية نماذج التعلم الآلي وبيانات التدريب الخاصة بها.

تقترح ZK نهجًا واعدًا لمواجهة التحديات التي تواجهها منصات ML التقليدية. من خلال تسخير قوة ZK ، توفر ZKML حلاً يحافظ على الخصوصية بالمزايا التالية:

• خصوصية النموذج: يمكن للمطورين المشاركة في التحقق من الصحة دون الكشف عن بنية النموذج بالكامل ، وبالتالي حماية ملكيتهم الفكرية.
• التحقق الشفاف: يمكن لـ ZK التحقق من أداء النموذج دون الكشف عن الأجزاء الداخلية للنموذج ، وبالتالي تسهيل عملية تقييم شفافة وغير موثوقة.
• خصوصية البيانات: يمكن استخدام ZK للتحقق من البيانات الخاصة باستخدام النماذج العامة أو التحقق من النماذج الخاصة باستخدام البيانات العامة ، مما يضمن عدم تسريب المعلومات الحساسة.

يوفر دمج ZK في عملية ML نظامًا أساسيًا آمنًا يحافظ على الخصوصية يعالج قيود ML التقليدية. لا يؤدي هذا إلى تعزيز تبني التعلم الآلي في صناعة الخصوصية فحسب ، بل يجذب أيضًا مطوري Web2 ذوي الخبرة لاستكشاف الإمكانيات داخل نظام Web3 البيئي.

تطبيقات وفرص ZKML

مع التحسين المتزايد للتشفير وتقنية إثبات المعرفة الصفرية ومرافق الأجهزة ، بدأت المزيد والمزيد من المشاريع في استكشاف استخدام ZKML. يمكن تقسيم نظام ZKML البيئي تقريبًا إلى الفئات الأربع التالية:

• مترجم التحقق من النموذج: بنية تحتية لتجميع النماذج من التنسيقات الحالية (مثل Pytorch و ONNX وما إلى ذلك) في دوائر حسابية يمكن التحقق منها.
• نظام إثبات معمم: نظام إثبات تم إنشاؤه للتحقق من المسارات الحسابية التعسفية.
• نظام إثبات خاص بـ ZKML: نظام إثبات مصمم خصيصًا للتحقق من الآثار الحسابية لنماذج ML.
• التطبيقات: المشاريع التي تتعامل مع حالات استخدام ZKML.

وفقًا للفئات البيئية لتطبيقات ZKML ، يمكننا تصنيف بعض مشاريع ZKML الحالية:

! [مصدر الصورة:bastian_wetzel] (https://img.gateio.im/social/moments-aa7e7524fb-b16915859f-dd1a6f-e5a980)

لا تزال ZKML تقنية ناشئة ، ولا يزال سوقها مبكرًا للغاية ، ويتم تجربة العديد من التطبيقات فقط في الهاكاثون ، لكن ZKML لا يزال يفتح مساحة تصميم جديدة للعقود الذكية:

ديفي

يمكن أن تكون تطبيقات Defi ذات المعلمات باستخدام ML أكثر تلقائية. على سبيل المثال ، يمكن أن تستخدم بروتوكولات الإقراض نماذج ML لتحديث المعلمات في الوقت الفعلي. في الوقت الحالي ، تثق بروتوكولات الإقراض بشكل أساسي في النماذج خارج السلسلة التي تديرها المنظمات لتحديد الضمانات ، والقيمة الدائمة للقيمة ، وحدود التصفية ، وما إلى ذلك ، ولكن قد يكون البديل الأفضل هو نماذج مفتوحة المصدر مدربة من المجتمع ويمكن لأي شخص تشغيلها والتحقق منها. باستخدام أوراكل ML خارج السلسلة يمكن التحقق منه ، يمكن لنماذج ML معالجة البيانات الموقعة خارج السلسلة للتنبؤ والتصنيف. يمكن لوسائل ML خارج السلسلة هذه أن تحل دون ثقة أسواق التنبؤ في العالم الحقيقي ، وبروتوكولات الإقراض ، وما إلى ذلك عن طريق التحقق من المنطق ونشر البراهين على السلسلة.

Web3 الاجتماعية

تصفية الوسائط الاجتماعية Web3. ستؤدي الطبيعة اللامركزية للتطبيقات الاجتماعية Web3 إلى المزيد من المحتوى الضار والبريد العشوائي. من الناحية المثالية ، يمكن لمنصات الوسائط الاجتماعية استخدام نماذج ML مفتوحة المصدر متفق عليها من المجتمع ونشر أدلة على التفكير النموذجي عندما يختارون تصفية المنشورات. بصفتك مستخدمًا لوسائل التواصل الاجتماعي ، قد تكون على استعداد لعرض الإعلانات المخصصة ، ولكنك ترغب في الحفاظ على خصوصية تفضيلات المستخدم واهتماماته من المعلنين. لذلك يمكن للمستخدمين اختيار تشغيل نموذج محليًا إذا رغبوا في ذلك ، والذي يمكن إدخاله في تطبيقات الوسائط لتوفير المحتوى لهم.

GameFi

يمكن تطبيق ZKML على أنواع جديدة من الألعاب على السلسلة ، وإنشاء ألعاب تعاونية بين الإنسان والذكاء الاصطناعي وغيرها من الألعاب المبتكرة على السلسلة حيث يمكن أن يعمل نموذج الذكاء الاصطناعي كشخصية غير قابلة للعب ، ويتم نشر كل إجراء تتخذه NPC على السلسلة باستخدام أي أدلة يمكن لأي شخص التحقق منها لتحديد تشغيل النموذج الصحيح. في الوقت نفسه ، يمكن استخدام نماذج ML لضبط إصدار الرمز المميز ، والتزويد ، والحرق ، وحدود التصويت ديناميكيًا ، وما إلى ذلك. من المنطق التحقق منها.

المصادقة

استبدل المفاتيح الخاصة بمصادقة بيومترية تحافظ على الخصوصية. تظل إدارة المفاتيح الخاصة واحدة من أكبر نقاط الضعف في Web3. قد يكون استخراج المفاتيح الخاصة عن طريق التعرف على الوجه أو عوامل فريدة أخرى حلاً محتملاً لـ ZKML.

4. تحديات ZKML

على الرغم من أن ZKML يتم تحسينه وتحسينه باستمرار ، إلا أن المجال لا يزال في مرحلة مبكرة من التطوير ، ولا تزال هناك بعض التحديات من التكنولوجيا إلى الممارسة:

• التكميم مع الحد الأدنى من فقدان الدقة
• حجم الدائرة ، خاصة عندما تتكون الشبكة من طبقات متعددة
• دليل فعال لمضاعفة المصفوفة
• هجوم عدائي

تؤثر هذه التحديات أولاً على دقة نماذج التعلم الآلي ، وثانيًا تؤثر على تكلفتها وسرعة إثباتها ، وثالثًا مخاطر هجمات سرقة النماذج.

تجري حاليًا تحسينات على هذه المشكلات ، حيث أظهر العرض التوضيحي ZK-MNIST @ 0xPARC في عام 2021 كيفية تنفيذ نموذج تصنيف صور MNIST صغير الحجم في دائرة يمكن التحقق منها ؛ فعل دانيال كانج الشيء نفسه بالنسبة لنماذج مقياس ImageNet ، حاليًا ImageNet-scale الدقة تم تحسين النموذج إلى 92٪ ومن المتوقع أن يتم الوصول إليه قريبًا مع زيادة تسريع الأجهزة في مساحة ML الأوسع.

لا يزال ZKML في مرحلة التطوير المبكرة ، لكنه بدأ يظهر الكثير من النتائج ، ويمكننا أن نتوقع رؤية المزيد من التطبيقات المبتكرة لـ ZKML على السلسلة. مع استمرار تطوير ZKML ، يمكننا توقع مستقبل يصبح فيه التعلم الآلي الذي يحافظ على الخصوصية هو القاعدة.