Інноваційна Технологія Довіри: Застосування доказів з нульовою розголошенністю та моделей машинного навчання.
Привіт, я Banlife і скоріш за все вас привела сюди ціль дізнатись про zkML більше. І І Ви попали по адресу! В цій статті я розкажу, що таке ZkML, як його можуть використовувати в нашому житті, а також перспективи технології в особливості транспілер від Aleo.
Світом керують моделі - наративні, що формують наше розуміння, і наукові, що визначають нашу інформацію.
Головна ідея штучного інтелекту полягає в тому, що ми можемо використовувати математичні моделі для представлення реальних систем і використовувати історичні дані для прогнозування нової інформації.
Моделі машинного навчання, такі як "моделі рішення", відкривають безліч можливостей для соціальних і технологічних інновацій. Проте, попри розв'язані ними питання, вони породжують нові, особливо стосовно довіри. Як можна перевірити, як саме модель прийшла до своїх висновків у реальному застосуванні?
Докази з нульовим знанням - це метод доведення, що щось є правдою, при цьому не розкриваючи додаткової інформації. Цей метод надає потужну відповідь на поставлене питання.
Інтегруючи моделі машинного навчання в технологію з нульовим знанням, ми можемо дозволити моделям перевіряти перед користувачами ключові фактори, які впливають на їхню логіку, починаючи від моменту їх запуску і закінчуючи видами чинників і процесів, які впливали на прийняття рішень.
Це відбувається без розголошення конфіденційних вхідних даних та інших чутливих відомостей, створюючи нову категорію технології штучного інтелекту: верифіковані моделі машинного навчання.
Створення таких моделей стає можливим за допомогою транспілера zkML від компанії Aleo. Транспілер zkML - це набір відкритого вихідного коду, який об'єднує мову програмування Python, одну з найпопулярніших для фахівців з машинного навчання, та криптографію з нульовим знанням.
Розробники можуть тренувати свої моделі машинного навчання і, використовуючи транспілер, конвертувати їх у мову програмування Leo - дружелюбну для ZK та сумісну з рішенням нульового рівня знань від Aleo.
Наразі транспілер реалізований для моделей дерева рішень - популярного типу алгоритму машинного навчання. Однак його можна розширити на інші типи моделей, що включають випадковий ліс, прості нейронні мережі, моделі регресії тощо.
Використовуючи транспілер zkML або мову програмування Leo, розробники можуть почати створювати верифіковані моделі машинного навчання - відкриваючи нові можливості для простору штучного інтелекту.
Такі моделі можуть знайти застосування в різних галузях, особливо там, де існують значні регуляторні обов'язки та вимоги до захисту конфіденційності даних. Ось лише декілька сфер, де розробники можуть використовувати технологію zkML від Aleo:
Конфіденційні процеси "Впізнай свого клієнта" (KYC). zkML обробляє процеси KYC, які можна виконувати конфіденційно. Користувачі можуть безпечно підтверджувати свою особистість і відповідати регуляторним вимогам, не розголошуючи свої особисті дані. Докази з нульовим знанням дозволяють підтверджувати атрибути особистості, одночасно зберігаючи конфіденційність.
Оцінка кредитного рейтингу з захистом конфіденційності.
zkML дозволяє створювати моделі оцінки, які оцінюють кредитоспроможність позичальників, не розголошуючи чутливу інформацію. Кредитори можуть безпечно оцінювати кандидатів на кредит на основі їх фінансової історії, забезпечуючи конфіденційність і сприяючи наданню позик у децентралізованих фінансових додатках (DeFi) без необхідності довіри. У обох випадках фінансові установи та регуляторні органи можуть перевіряти спосіб роботи моделі zkML, підтверджуючи основні припущення, логіку, процеси та інші фактори, не розкриваючи конфіденційну інформацію або дані споживачів, які використовувалися для навчання моделі.
За допомогою zkML пацієнти можуть приватно передавати страховикам свідоцтва про свою медичну історію, а також мати можливість перевірки та тестування різних моделей машинного навчання у страхуванні, порівнюючи їх з точки зору цілісності моделі, достовірності та оцінки. Це може створити "золоті стандарти" моделей страхування, які споживачі можуть порівнювати при прийнятті рішення щодо вибору страховика. Це також може розпочати страхування з справедливою ставкою як послугу, дозволяючи страховикам уникнути асиметрії інформації та приймати більш обдумані рішення щодо профілю ризику користувача.
Більша конфіденційність пацієнта
zkML дозволяє здійснювати безпечну співпрацю та обмін даними. Багато сторін можуть виконувати спільні обчислення на конфіденційних даних без їх розголошення. Це дає можливість постачальникам медичних послуг з різних установ спільно аналізувати конфіденційні медичні дані, забезпечуючи при цьому конфіденційність пацієнта. У обох випадках медичні провайдери, страховики та регулюючі органи можуть перевірити роботу моделі zkML, підтверджуючи її базові припущення, логіку, процеси та інші фактори, не розголошуючи конфіденційну інформацію або приватні медичні дані пацієнтів, використані для навчання моделі.
Онлайн-аутентифікація стала викликом, що стає складнішим з розвитком штучного інтелекту. За допомогою zkML служба може передавати докази користувача на подібні до CAPTCHA служби, показуючи людськість користувача, захищаючи його приватність та відповідності скороченням, збереженим у його цифровому гаманці. Це дозволяє розробникам створювати перевірену людськість як сервіс, що робить доступ до онлайн-послуг простішим і безпечнішим для користувачів.
Розробники, використовуючи zkML, можуть створювати перевірені моделі машинного навчання, які гарантують їх цілісність та можуть бути перевірені зовнішніми особами. Це розширює можливості використання штучного інтелекту в різних сферах, дотримуючись високих стандартів конфіденційності та достовірності.