¿Qué es zkML?

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

Zero-Knowledge Machine Learning(zkML) combina la criptografía centrada en la privacidad y el aprendizaje automático avanzado. Mediante pruebas de conocimiento cero, zkML garantiza la verificación de los procesos de aprendizaje automático sin revelar ningún dato sensible.

En esencia, zkML permite la aplicación y validación seguras de los conocimientos de aprendizaje automático, salvaguardando al mismo tiempo la información confidencial. Esto es especialmente importante en sectores como la sanidad y las finanzas, donde la privacidad es primordial. Permite aplicar herramientas de IA sin poner en riesgo la privacidad de las personas.

‍

¿Cómo funciona zkML?

Zero-Knowledge Machine Learning (zkML) integra el aprendizaje automático con métodos criptográficos en una red descentralizada. Los modelos de aprendizaje automático se entrenan en varios nodos, cada uno de los cuales contiene su propio segmento de datos. A continuación, estos nodos generan pruebas de conocimiento-cero, un tipo de prueba criptográfica. Estas pruebas permiten a los nodos verificar determinados aspectos de sus datos sin revelar los propios datos.

Por ejemplo, en sanidad, varios hospitales pueden colaborar para entrenar un modelo de aprendizaje automático con datos de pacientes. En lugar de compartir los historiales sensibles de los pacientes, cada hospital genera una prueba de conocimiento cero. Esta prueba valida la importancia y la integridad de sus datos para el modelo sin comprometer la privacidad del paciente.

zkML aprovecha el poder de aprendizaje colectivo de la red al tiempo que garantiza la privacidad de los datos individuales. Este enfoque mejora las capacidades de aprendizaje automático al tiempo que cumple estrictas normas de privacidad, especialmente cruciales 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 aprendizaje automático de conocimiento cero (zkML) se encuentra actualmente en fase de desarrollo y se centra en la incorporación de pruebas de conocimiento cero en la fase de inferencia de los modelos. Esto es especialmente eficaz para verificar los resultados de los modelos de IA, como GPT-4 o DALL-E 2, sin exponer datos de entrada sensibles.

A pesar de las dificultades que plantea la gestión de grandes modelos debido a los límites computacionales, se han logrado avances significativos. Modulus Labs, por ejemplo, ha creado con éxito pruebas para modelos con 18 millones de parámetros. Se trata de un paso crucial hacia las aplicaciones prácticas de zkML, que hacen hincapié en la privacidad de los contenidos generados por IA.

‍

Conclusión

El aprendizaje automático de conocimiento cero (zkML) avanza en la integración de la criptografía que preserva la privacidad con el aprendizaje automático, prometiendo aplicaciones de IA seguras y verificables sin comprometer datos sensibles. A pesar de su estado de desarrollo, el zkML muestra un gran potencial en sectores cruciales como la sanidad y las finanzas. A medida que la tecnología siga avanzando, se espera que zkML mejore significativamente tanto la escalabilidad como la privacidad, convirtiéndose en una herramienta esencial para el futuro de los sistemas descentralizados y más allá.