ZKML es un tema de investigación y desarrollo que últimamente ha hecho olas en los círculos criptográficos. Pero, ¿qué es exactamente y por qué es útil? Aprendamos sobre este tema con Coincu en este artículo.
¿Qué es el conocimiento cero?
Una prueba de conocimiento cero (ZK) es un proceso criptográfico en el que una parte, el probador, puede demostrar a la otra, el verificador, que una declaración en particular es verdadera sin exponer ninguna información adicional aparte del hecho de que la declaración es verdadera. Es un campo de estudio que ha tenido un desarrollo significativo en una variedad de frentes, desde la investigación hasta las implementaciones y aplicaciones de protocolos.
El proceso por el cual una parte (el probador) puede probar a otra parte (el verificador) que conoce un valor de x sin dar ninguna información sobre si conocen el valor de x se encuentra en el centro.
El objetivo principal de la tecnología de prueba de conocimiento cero es mantener el secreto de la información de entrada mientras se verifica su validez.
La creación de pruebas de conocimiento cero es un proceso computacionalmente costoso que es varias veces más costoso que el cálculo inicial. Esto implica que hay ciertos cálculos para los cuales las pruebas de conocimiento cero son imposibles debido al tiempo requerido para construirlos en el hardware más grande disponible. Sin embargo, las mejoras recientes en criptografía, tecnología y sistemas distribuidos han hecho que las pruebas de conocimiento cero sean alcanzables para cálculos cada vez más costosos. Estos avances han permitido el desarrollo de protocolos que pueden aprovechar las pruebas de cálculos pesados, ampliando así el espacio de diseño para nuevas aplicaciones.
Ventajas de ZK
La capacidad de emplear conjuntos de datos que preservan la privacidad en sistemas transparentes, como las redes públicas de cadenas de bloques, es la principal ventaja de la prueba de conocimiento cero (por ejemplo, Ethereum). Si bien las cadenas de bloques están destinadas a ser muy transparentes, cualquiera que ejecute su propio nodo de cadena de bloques pueda ver y descargar todos los datos almacenados en el libro mayor, la adición de la tecnología ZKP permite a los usuarios y empresas aprovechar sus conjuntos de datos privados en la ejecución de contratos inteligentes sin exponer los datos subyacentes.
Mantener la privacidad en las redes de cadena de bloques es fundamental para las organizaciones convencionales como las corporaciones de la cadena de suministro, las empresas y los bancos que desean comunicarse y crear contratos inteligentes, pero deben conservar su secreto comercial para seguir siendo competitivos. Además, la ley suele exigir a dichas organizaciones que protejan la información de identificación personal (PII) de sus clientes y que se adhieran a regulaciones como el Reglamento General de Protección de Datos (GDPR) de la Unión Europea y la Ley de Portabilidad y Responsabilidad de Seguros Médicos de EE. UU. (HIPAA).
Aunque las redes blockchain autorizadas han evolucionado para salvaguardar la privacidad de las transacciones de las empresas frente a la observación pública, ZKP permite a las organizaciones comunicarse de forma segura con las redes. Sin renunciar a la gestión de conjuntos de datos confidenciales y privados, la cadena de bloques pública normalmente se beneficia del gran impacto en la red de los usuarios de todo el mundo. Como consecuencia, la tecnología ZKP está habilitando efectivamente una amplia variedad de casos de uso institucional para redes públicas de blockchain que antes no estaban disponibles, promoviendo la innovación y fomentando el crecimiento económico global.
Aprendizaje automático
El aprendizaje automático es una disciplina de inteligencia artificial que incluye la creación y el despliegue de algoritmos que permiten a las computadoras aprender y adaptarse a los datos de forma independiente, mejorando su rendimiento a través de un proceso iterativo que no necesita programación. Identifica los datos mediante algoritmos y modelos, luego utiliza los parámetros del modelo para generar predicciones/decisiones.
Los modelos de lenguaje grande, como GPT-4 y Bard, son sistemas de procesamiento de lenguaje natural de vanguardia que utilizan cantidades masivas de datos de entrenamiento para producir texto similar al humano, mientras que los modelos de texto a imagen, como DALL-E 2, Midjourney , y Stable Diffusion, convierten descripciones textuales en representaciones visuales con notable fidelidad.
El aprendizaje automático ahora se está utilizando de manera efectiva en una variedad de sectores. A medida que se desarrollen estos modelos, se requerirá el aprendizaje automático para realizar una cantidad cada vez mayor de trabajos. La tecnología ZK es necesaria para lograr un modelo de alta precisión: empleando la verificación de modelos públicos de datos privados o validando modelos privados utilizando datos públicos.
Hasta ahora, el ZKML que hemos discutido se usa para proporcionar pruebas de conocimiento cero de las etapas de inferencia del modelo ML en lugar del entrenamiento del modelo ML.
La importancia de ZKML
A medida que avanza la tecnología de inteligencia artificial, distinguir entre inteligencia artificial, inteligencia humana y generación humana se vuelve cada vez más desafiante. Este es un problema que las pruebas de conocimiento cero pueden abordar. Nos permite detectar si una determinada pieza de contenido se crea aplicando un modelo específico sin dar ninguna información adicional sobre el modelo o la entrada.
En un futuro en el que el material generado por IA imita cada vez más la información creada por humanos, el posible uso de criptografía de conocimiento cero podría ayudarnos a determinar que cierto contenido se produjo aplicando un modelo específico a una entrada determinada. Si se construye una representación de circuito de conocimiento cero para ellos, esto podría brindar una técnica para verificar los resultados de modelos de lenguaje enorme como GPT4, modelos de texto a imagen como DALL-E 2 o cualquier otro modelo. La calidad de conocimiento cero de estas pruebas nos permite ocultar secciones de la entrada o del modelo si es necesario. Un excelente ejemplo de esto sería usar un modelo de aprendizaje automático en datos confidenciales y permitir que el usuario conozca el resultado de la inferencia del modelo en sus datos sin revelar su entrada a ningún tercero.
Las plataformas de aprendizaje automático más antiguas a menudo piden a los desarrolladores que envíen sus arquitecturas modelo para la verificación del rendimiento al host. Esto puede conducir a una serie de problemas, que incluyen:
ZK presenta una forma potencial de abordar los problemas que enfrentan los sistemas ML estándar. ZKML, al usar el poder de ZK, ofrece una solución para preservar la privacidad con los siguientes beneficios:
- Privacidad del modelo: los desarrolladores pueden participar en la validación sin revelar toda la arquitectura del modelo, preservando su propiedad intelectual.
- Verificación transparente: ZK puede evaluar el rendimiento del modelo sin revelar las partes internas del modelo, lo que permite un procedimiento de evaluación transparente y sin confianza.
- Privacidad de datos: para garantizar que no se divulgue información confidencial, ZK puede usarse para validar datos privados usando modelos públicos o modelos privados usando datos públicos.
- La incorporación de ZK en el proceso de ML crea una plataforma segura y que preserva la privacidad que aborda las deficiencias del ML convencional. Esto no solo fomenta el uso del aprendizaje automático en la empresa de privacidad, sino que también atrae a los desarrolladores Web2 experimentados a investigar el potencial dentro del ecosistema Web3.
La biblioteca ezkl de Zkonduit, que le permite construir pruebas ZK de modelos ML exportados a través de ONNX, es otro esfuerzo que se esfuerza por mejorar el estado del arte de los sistemas ZKML. Esto permite a cualquier ingeniero de ML generar pruebas ZK de los pasos de inferencia de sus modelos y probar el resultado a cualquier verificador.
Conclusión
La comunidad ZKML fue fundada en la segunda mitad de 2022 por varios equipos y personas diferentes que trabajan en el área ZKML (incluido Worldcoin).
Muchas organizaciones se esfuerzan por mejorar la tecnología ZK mediante el desarrollo de hardware optimizado para acelerar el cálculo de pruebas ZK, especialmente para operaciones que requieren muchos recursos, como los algoritmos de prueba y verificación. Debido a los avances en hardware especializado, diseño de sistemas de prueba (tamaño de prueba, tiempo de verificación, tiempo de generación de prueba, etc.) e implementaciones de protocolo ZK de mayor rendimiento, podrá probar modelos más grandes en computadoras menos potentes en menos tiempo a medida que avanza la tecnología ZK. .
ZKML aún se encuentra en sus primeras etapas de desarrollo, pero ha comenzado a brindar beneficios significativos y podemos esperar ver aplicaciones ZKML más ingeniosas en la cadena. Podemos imaginar un futuro en el que el aprendizaje automático que preserva la privacidad se convierta en el estándar a medida que evoluciona ZKML.
DESCARGO DE RESPONSABILIDAD: La información en este sitio web se proporciona como un comentario general del mercado y no constituye un consejo de inversión. Le animamos a que haga su propia investigación antes de invertir.