ما هو zkML؟

ملخص: التعلم الآلي صفر المعرفة (zkML) هو تقنية مبتكرة تجمع بين التعلم الآلي المتقدم وخصوصية التشفير ، باستخدام براهين المعرفة الصفرية لضمان سرية البيانات. إنه يتيح تطبيقات الذكاء الاصطناعي الآمنة في المجالات الحساسة مثل الرعاية الصحية والتمويل ، مما يسمح بتحليل البيانات القوي دون المساس بالخصوصية. 

تعمل zkML في شبكة لامركزية ، حيث تقوم العقد المختلفة بتدريب نماذج التعلم الآلي بشكل تعاوني دون الكشف عن مجموعات البيانات الفردية الخاصة بها.

ما هو التعلم الآلي صفر المعرفة (zkML)؟

التعلم الآلي صفر المعرفة (zkML) هو مزيج رائد من التشفير الذي يركز على الخصوصية والتعلم الآلي المتقدم. يستخدم تقنيات تشفير خاصة ، تعرف باسم براهين المعرفة الصفرية ، لضمان إمكانية التحقق من عمليات التعلم الآلي والوثوق بها دون الكشف عن أي بيانات سرية أساسية. 

بشكل أساسي ، يسمح zkML بالتطبيق الآمن والتحقق من صحة رؤى التعلم الآلي مع حماية المعلومات الحساسة بشكل كامل. هذا مهم بشكل خاص في المجالات التي تكون فيها الخصوصية أمرا بالغ الأهمية ، مثل الرعاية الصحية أو التمويل ، مما يتيح استخدام أدوات الذكاء الاصطناعي القوية دون المساس بالسرية الفردية.

‍

كيف يعمل zkML؟

zkML هي تقنية متطورة تدمج التعلم الآلي مع تقنيات التشفير في شبكة لامركزية. في zkML ، يتم تدريب نماذج التعلم الآلي عبر عقد مختلفة في شبكة موزعة ، يحتوي كل منها على جزء خاص به من البيانات. ثم تنشئ هذه العقد براهين المعرفة الصفرية - وهو شكل من أشكال أدلة التشفير. تسمح هذه البراهين للعقد بتأكيد صفات أو خصائص معينة لبياناتها دون الكشف عن البيانات نفسها.

للحصول على مثال عملي ، ضع في اعتبارك تطبيق zkML في الرعاية الصحية. يمكن للمستشفيات المختلفة ، التي يعمل كل منها كعقدة في الشبكة ، تدريب نموذج التعلم الآلي بشكل تعاوني على بيانات المرضى. ومع ذلك ، بدلا من مشاركة سجلات المرضى الحساسة ، يقوم كل مستشفى بإنشاء دليل على عدم المعرفة. يتحقق هذا الدليل من سلامة وملاءمة بياناتهم للنموذج دون المساس بسرية المريض. 

تحقيقا لهذه الغاية ، تستفيد zkML من قوة التعلم الجماعي للشبكة مع الحفاظ بدقة على خصوصية البيانات الفردية. لا تعمل هذه المنهجية على تضخيم قدرات التعلم الآلي فحسب ، بل تدعم أيضا متطلبات الخصوصية الصارمة المطلوبة غالبا في الأنظمة اللامركزية.

‍

حالات استخدام zkML

يتقدم التعلم الآلي صفر المعرفة (zkML) بسرعة ، ويقدم تطبيقات مهمة في تعزيز قابلية التوسع والخصوصية عبر مختلف المجالات. تشير إمكانية الوصول المتزايدة للمطورين إلى زيادة محتملة في الاستخدامات المبتكرة. تشمل التطبيقات الرئيسية ما يلي:

• قابلية التوسع في Blockchain: يساعد zkML في توسيع نطاق Ethereum من خلال مجموعات ZK ، والتي تمثلها منصات مثل Starknet و Scroll و Polygon Zero. تحافظ هذه الحلول على اللامركزية والأمان مع تعزيز الإنتاجية من خلال الحوسبة خارج السلسلة والتحقق على السلسلة.
• حماية الخصوصية: باستخدام أدلة ZK ، يتيح zkML تطوير التطبيقات التي تحمي خصوصية المستخدم ، مثل Semaphore و Penumbra ، ومنصات مثل Aztec Network التي تقدم حلول المعاملات الخاصة.
• التحقق من الهوية ومصدر البيانات: يدعم zkML إنشاء أنظمة التحقق من الهوية ، مثل WorldID ، مما يضمن شهادة هوية فريدة دون الكشف عن التفاصيل الشخصية ، إلى جانب منصات مثل Sismo و Axiom.
• بروتوكولات الطبقة 1 الخاصة: تستخدم Zcash و Mina zkML لإنشاء بروتوكولات طبقة 1 خاصة وفعالة ، وتفريغ الحساب والحفاظ على خصوصية المستخدم.
• تقييم نموذج الرعاية الصحية: يسهل zkML التحقق من دقة نموذج التعلم الآلي في الرعاية الصحية دون الكشف عن البيانات الحساسة ، مما يضمن سرية المريض والامتثال للمعايير التنظيمية.
• شفافية التعلم الآلي كخدمة: يضمن أن مقدمي الخدمة يقدمون نموذج التعلم الآلي المطالب به ، مما يعزز الثقة في MLaaS.

مع تطور zkML ، تستعد للتوسع أكثر ، حيث تلعب دورا حيويا في الخصوصية وقابلية التوسع في الأنظمة اللامركزية والقطاعات الأخرى.

‍

الوضع الحالي ل zkML

الوضع الحالي للتعلم الآلي صفر المعرفة (zkML) في مرحلة التطوير ، مع التركيز على دمج براهين المعرفة الصفرية مع التعلم الآلي لمرحلة الاستدلال على النماذج. هذا النهج مفيد بشكل خاص للتحقق من المخرجات من النماذج الذكاء الاصطناعي مثل GPT-4 أو DALL-E 2 دون المساس ببيانات الإدخال الحساسة. 

على الرغم من وجود قيود في التعامل مع النماذج الكبيرة بسبب القيود الحسابية ، فقد تم إحراز تقدم ملحوظ. على سبيل المثال ، أثبتت Modulus Labs جدوى إنشاء إثباتات للنماذج التي تحتوي على 18 مليون معلمة ، مما يمثل خطوة مهمة إلى الأمام في التطبيق العملي ل zkML لضمان الخصوصية في المحتوى الذي يتم إنشاؤه الذكاء الاصطناعي.

‍

الخلاصة

باختصار ، يمثل التعلم الآلي صفر المعرفة (zkML) ابتكارا محوريا ، حيث يدمج التعلم الآلي المتقدم مع خصوصية التشفير. يعد تطبيقه أمرا بالغ الأهمية بشكل خاص في مجالات مثل الرعاية الصحية والتمويل ، حيث يتيح استخدام الذكاء الاصطناعي دون المساس بسرية البيانات. حاليا في مرحلة التطوير ، يظهر zkML واعدا في تعزيز الأمان وقابلية التوسع في الشبكات اللامركزية.