تحولی در هوش مصنوعی: معرفی سیستم zkML برای اثبات صحت بدون افشای داده‌ها

Polyhedra و Berkeley RDI اولین سیستم zkML آماده تولید را راه‌اندازی کردند

چهار سال پس از معرفی مفهوم یادگیری ماشین با دانش صفر (zkML)، Berkeley RDI و Polyhedra یک سیستم آماده تولید را رونمایی کردند که می‌تواند نحوه ایجاد اعتماد و شفافیت در هوش مصنوعی را بازتعریف کند. این فناوری جدید zkML که امروز اعلام شد و با crypto.news به اشتراک گذاشته شد، به توسعه‌دهندگان این امکان را می‌دهد که درستی خروجی‌های هوش مصنوعی را بدون افشای داده‌ها یا مدل‌های حساس اثبات کنند، طبق بیانیه مطبوعاتی شرکت.

در هسته اصلی خود، zkML از اثبات‌های دانش صفر برای یادگیری ماشین استفاده می‌کند. اثبات‌های دانش صفر (ZKPs) یک تکنیک رمزنگاری هستند که به یک طرف اجازه می‌دهند صحت یک بیانیه را بدون افشای داده‌های پشت آن اثبات کند. این رویکرد به نگرانی‌های اعتماد در هوش مصنوعی می‌پردازد، که اغلب شامل سیستم‌های «جعبه سیاه» هستند که فاقد شفافیت هستند. با zkML، کاربران می‌توانند تأیید کنند که سیستم‌های هوش مصنوعی همان‌طور که انتظار می‌رود کار می‌کنند و در عین حال حریم خصوصی و انطباق را حفظ می‌کنند.

مفهوم zkML اولین بار در سال ۲۰۲۰ توسط Jiaheng Zhang، دانشمند ارشد Polyhedra، به همراه محققان Berkeley، Yupeng Zhang و Dawn Song معرفی شد. در آن زمان، zkML به دلیل نیازهای محاسباتی بالای سیستم‌های ZKP صرفاً نظری بود، طبق این بیانیه.

امروزه، پیشرفت‌های فناوری دانش صفر، مانند سیستم اثبات Expander Polyhedra، استفاده عملی از zkML را در سناریوهای واقعی ممکن کرده است. فراتر از تأیید خروجی‌های هوش مصنوعی، zkML پتانسیل تغییر نحوه مدیریت حریم خصوصی و مسئولیت‌پذیری سیستم‌های هوش مصنوعی را دارد. این فناوری تأیید منبع داده را تسهیل می‌کند و از اصالت و قابلیت ردیابی داده‌های آموزشی هوش مصنوعی اطمینان حاصل می‌کند، در حالی که برچسب‌گذاری داده‌های تأیید شده را برای اطمینان از دقت و تغییرناپذیری داده‌های برچسب‌گذاری شده امکان‌پذیر می‌سازد. علاوه بر این، zkML اجازه می‌دهد تا فرآیند آموزش مدل‌ها تأیید شود و اطمینان حاصل شود که مدل‌های هوش مصنوعی طبق پروتکل‌های دقیق آموزش دیده‌اند.

Polyhedra پیش‌بینی می‌کند که zkML نقش مهمی در ترکیب هوش مصنوعی با فناوری بلاکچین ایفا کند. این می‌تواند از اکوسیستم‌های غیرمتمرکز هوش مصنوعی، استقرار امن مدل‌ها و برنامه‌های متمرکز بر حریم خصوصی پشتیبانی کند.

با تکامل zkML، حامیان آن این فناوری را به عنوان ابزاری برای ایجاد اعتماد در برنامه‌های هوش مصنوعی بدون به خطر انداختن حریم خصوصی یا امنیت می‌بینند. طبق این بیانیه، Polyhedra و Berkeley RDI قصد دارند قابلیت‌های zkML را بیشتر گسترش دهند و این فناوری را برای توسعه‌دهندگانی که تخصص کمی در رمزنگاری دارند، قابل دسترس کنند.