¿Qué es zkML?

Resumen: El aprendizaje automático de conocimiento cero (zkML) es una tecnología innovadora que combina el aprendizaje automático avanzado con la privacidad criptográfica, utilizando pruebas de conocimiento cero para garantizar la confidencialidad de los datos. Permite aplicaciones de IA seguras en campos sensibles como la sanidad y las finanzas, lo que posibilita un potente análisis de datos sin comprometer la privacidad. 

zkML funciona en una red descentralizada, en la que distintos nodos entrenan en colaboración modelos de aprendizaje automático sin revelar sus conjuntos de datos individuales.

¿Qué es el aprendizaje automático de conocimiento cero (zkML)?

El aprendizaje automático de conocimiento cero(zkML) es una innovadora fusión de criptografía centrada en la privacidad y aprendizaje automático avanzado. Utiliza técnicas criptográficas especiales, conocidas como pruebas de conocimiento cero, para garantizar que los procesos de aprendizaje automático puedan verificarse y ser fiables sin revelar ningún dato confidencial subyacente. 

En esencia, zkML permite la aplicación y validación seguras de los conocimientos de aprendizaje automático, protegiendo al mismo tiempo la información sensible. Esto es especialmente valioso en áreas donde la privacidad es crucial, como la sanidad o las finanzas, ya que permite el uso de potentes herramientas de IA sin comprometer la confidencialidad individual.

‍

¿Cómo funciona zkML?

zkML es una tecnología de vanguardia que integra el aprendizaje automático con técnicas criptográficas en una red descentralizada. En zkML, los modelos de aprendizaje automático se entrenan en varios nodos de una red distribuida, cada uno de los cuales contiene su propio segmento de datos. A continuación, estos nodos crean pruebas de conocimiento cero, una forma de prueba criptográfica. Estas pruebas permiten a los nodos afirmar ciertas cualidades o características de sus datos sin revelar los propios datos.

A modo de ejemplo práctico, consideremos una aplicación zkML en sanidad. Varios hospitales, cada uno de los cuales actúa como un nodo de la red, podrían entrenar en colaboración un modelo de aprendizaje automático a partir de datos de pacientes. Sin embargo, en lugar de compartir los historiales sensibles de los pacientes, cada hospital genera una prueba de conocimiento cero. Esta prueba valida la integridad y pertinencia de sus datos para el modelo sin comprometer la confidencialidad del paciente. 

Para ello, zkML aprovecha el poder de aprendizaje colectivo de una red, al tiempo que preserva meticulosamente la privacidad de los datos individuales. Esta metodología no solo amplía las capacidades del aprendizaje automático, sino que también mantiene los estrictos requisitos de privacidad que suelen exigirse en los sistemas descentralizados.

‍

Casos de uso de zkML

El aprendizaje automático de conocimiento cero (zkML) avanza con rapidez y ofrece importantes aplicaciones para mejorar la escalabilidad y la privacidad en diversos ámbitos. Su creciente accesibilidad para los desarrolladores indica un aumento potencial de usos innovadores. Entre las principales aplicaciones figuran:

• Escalabilidad de Blockchain: zkML ayuda a escalar Ethereum a través de rollups ZK, ejemplificados por plataformas como Starknet, Scroll y Polygon Zero. Estas soluciones mantienen la descentralización y la seguridad al tiempo que mejoran el rendimiento mediante el cálculo fuera de la cadena y la verificación en la cadena.
• Protección de la privacidad: Utilizando pruebas ZK, zkML permite el desarrollo de aplicaciones que salvaguardan la privacidad del usuario, como Semaphore y Penumbra, y plataformas como Aztec Network que ofrecen soluciones de transacciones privadas.
• Verificación de identidad y procedencia de los datos: zkML admite la creación de sistemas de verificación de identidad, como WorldID, que garantizan una atestación de identidad única sin revelar datos personales, junto con plataformas como Sismo y Axiom.
• Protocolos privados de capa 1: Zcash y Mina utilizan zkML para crear protocolos de capa 1 privados y eficientes, descargando la computación y manteniendo la privacidad del usuario.
• Evaluación de modelos de atención sanitaria: zkML facilita la verificación de la precisión de los modelos de aprendizaje automático en la atención sanitaria sin exponer datos sensibles, lo que garantiza la confidencialidad de los pacientes y el cumplimiento de las normas reglamentarias.
• Transparencia del aprendizaje automático como servicio: Garantiza que los proveedores de servicios ofrecen el modelo de aprendizaje automático reclamado, mejorando la confianza en MLaaS.

A medida que zkML evolucione, está preparado para expandirse aún más, desempeñando un papel vital en la privacidad y la escalabilidad en sistemas descentralizados y otros sectores.

‍

Estado actual de zkML

El estado actual del Aprendizaje Automático de Conocimiento Cero (zkML) se encuentra en fase de desarrollo, centrándose en la integración de las pruebas de conocimiento cero con el aprendizaje automático para la etapa de inferencia de los modelos. Este enfoque es especialmente útil para verificar los resultados de modelos de IA como GPT-4 o DALL-E 2 sin comprometer datos de entrada sensibles. 

Aunque existen limitaciones en el manejo de modelos de gran tamaño debido a las restricciones computacionales, se han logrado avances notables. Por ejemplo, Modulus Labs ha demostrado la viabilidad de crear pruebas para modelos con 18 millones de parámetros, lo que supone un importante paso adelante en la aplicación práctica de zkML para garantizar la privacidad de los contenidos generados por IA.

‍

Conclusión

En resumen, el aprendizaje automático de conocimiento cero (zkML) representa una innovación fundamental que combina el aprendizaje automático avanzado con la privacidad criptográfica. Su aplicación es especialmente crucial en campos como la sanidad y las finanzas, donde permite el uso de la IA sin comprometer la confidencialidad de los datos. Actualmente en fase de desarrollo, zkML promete mejorar la seguridad y la escalabilidad de las redes descentralizadas.