ما هو zkML؟

ما هو التعلم الآلي صفر المعرفة (zkML)؟

يجمع التعلم الآلي منعدم المعرفة(zkML) بين التشفير الذي يركز على الخصوصية والتعلم الآلي المتقدم. باستخدام براهين المعرفة الصفرية، يضمن zkML التحقق من عمليات التعلم الآلي دون الكشف عن أي بيانات حساسة.

في الأساس، يتيح zkML التطبيق الآمن والتحقق من صحة رؤى التعلم الآلي مع حماية المعلومات السرية. وهذا أمر حيوي بشكل خاص في قطاعات مثل الرعاية الصحية والتمويل، حيث تكون الخصوصية أمرًا بالغ الأهمية. فهو يسمح بتطبيق أدوات الذكاء الاصطناعي دون المخاطرة بالخصوصية الفردية.

‍

كيف يعمل zkML؟

تدمج تقنية التعلّم الآلي منعدم المعرفة (zkML) التعلّم الآلي مع أساليب التشفير في شبكة لا مركزية. يتم تدريب نماذج التعلم الآلي عبر عدة عقد، تحتوي كل منها على شريحة البيانات الخاصة بها. ثم تقوم هذه العقد بعد ذلك بإنشاء براهين المعرفة الصفرية، وهي نوع من أدلة التشفير. تمكّن هذه البراهين العقد من التحقق من جوانب معينة من بياناتها دون الكشف عن البيانات نفسها.

على سبيل المثال، في مجال الرعاية الصحية، يمكن أن تتعاون عدة مستشفيات لتدريب نموذج تعلم آلي على بيانات المرضى. فبدلاً من مشاركة سجلات المرضى الحساسة، يقوم كل مستشفى بإنشاء إثبات معرفة صفرية. هذا الإثبات يؤكد أهمية وسلامة بياناتها للنموذج دون المساس بخصوصية المريض.

تعمل zkML على تسخير قوة التعلم الجماعي للشبكة مع ضمان خصوصية البيانات الفردية. يعمل هذا النهج على تعزيز قدرات التعلم الآلي مع تلبية معايير الخصوصية الصارمة، وهو أمر بالغ الأهمية خاصةً 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

لا يزال التعلم الآلي منعدم المعرفة (zkML) في مراحله التطويرية حاليًا، مع التركيز على دمج براهين انعدام المعرفة في مرحلة الاستدلال على النماذج. هذا فعال بشكل خاص للتحقق من مخرجات نماذج الذكاء الاصطناعي، مثل GPT-4 أو DALL-E 2، دون الكشف عن بيانات المدخلات الحساسة.

على الرغم من التحديات في إدارة النماذج الكبيرة بسبب الحدود الحسابية، فقد تم إحراز تقدم كبير. فعلى سبيل المثال، نجحت مختبرات Modulus Labs في إنشاء براهين لنماذج ذات 18 مليون معلمة. تُعد هذه خطوة حاسمة نحو تطبيقات zkML العملية، مع التركيز على الخصوصية في المحتوى الذي يتم إنشاؤه بالذكاء الاصطناعي.

‍

الخلاصة

تعمل تقنية التعلُّم الآلي منعدم المعرفة (zkML) على تطوير تكامل التشفير الذي يحافظ على الخصوصية مع التعلُّم الآلي، مما يعد بتطبيقات ذكاء اصطناعي آمنة وقابلة للتحقق دون المساس بالبيانات الحساسة. على الرغم من حالة تطورها، تُظهر zkML إمكانات كبيرة في قطاعات حيوية مثل الرعاية الصحية والتمويل. مع استمرار تقدم التكنولوجيا، من المتوقع أن تعزز zkML بشكل كبير من قابلية التوسع والخصوصية على حد سواء، مما يجعلها أداة أساسية لمستقبل الأنظمة اللامركزية وما بعدها.