Dans cet article, nous discuterons du rôle que joue ZKML dans sa mission consistant à créer des modèles d'apprentissage automatique vérifiables, décentralisés et sans confiance, alimentés par des preuves Zero-Knowledge et à déconstruire le plan à venir et sa signification.
De nos jours, compte tenu notamment de l’évolution des LLM, presque tous sont des entités centralisées à source unique. En général, les modèles LLM sont formés par les entreprises à l'aide de l'informatique disponible dans le cloud, ce qui entraîne une augmentation des inquiétudes concernant les données sur lesquelles ils ont été formés [qui atteignent des milliards] et des problèmes de sécurité et ZKML vise à résoudre ce problème. en rendant ces modèles sans confiance et décentralisés.
Ces derniers temps, l'accent a été mis sur des entreprises comme OpenAI qui tirent la sonnette d'alarme et avertissent que les prochaines itérations de leur modèle GPT de pointe pourraient potentiellement être dangereuses pour l'humanité et c'est là le problème de l'apprentissage automatique centralisé. Les modèles de ML centralisés ne seront pas en mesure de donner aux gens ordinaires un accès aux données sur lesquelles ils ont été formés et pourraient potentiellement conduire à une concentration du pouvoir où l'entreprise contrôlant le modèle centralisé le plus puissant gagnerait, ce qui pourrait entraîner des conséquences très désastreuses. l'avenir et il est nécessaire de disposer de modèles d'apprentissage automatique décentralisés pour lutter contre ce problème de concentration du pouvoir et c'est là que ZKML intervient pour résoudre ce problème critique.
Avant d'aller de l'avant, comprenons maintenant ce que signifie exactement ZKML. ZKML signifie Zero-Knowledge Machine Learning et constitue une nouvelle façon de créer des modèles LLM inviolables et vérifiables qui ont été formés sur des données légitimes par différents nœuds d'un réseau décentralisé au lieu d'une seule entité centralisée.
ZKML combine les domaines de l'apprentissage automatique, de la décentralisation et des systèmes cryptographiques. L'objectif principal de cette technologie est d'assurer la sécurité des données, de renforcer la confidentialité et une approche démocratisée de l'utilisation et de l'accès aux données.
Cette technologie utilise essentiellement des preuves sans connaissance pour prouver que les données de la source n'ont pas été modifiées et sont légitimes, ce qui s'avère être une aubaine pour le ML car cela signifie que vous pouvez être assuré que les données que vous avez utilisées. pour la formation est de nature vérifiée sans révéler aucune information sensible provenant des données de formation.
ZKML a plus de cas d'utilisation autres que la création de modèles d'apprentissage automatique préservant la confidentialité. ZKML peut être utilisé pour vérifier les sorties ou les calculs des algorithmes d'apprentissage automatique, le rendant ainsi puissant et capable de gérer des calculs multipartites où différentes parties se réunissent pour résoudre un problème informatique et vérifier sa légitimité avec des preuves de connaissance nulle sans accéder aux données sous-jacentes. utilisé pour entraîner le modèle d’apprentissage automatique.
L'intégration de l'apprentissage automatique, de la cryptographie et de la décentralisation dans ZKML permet des calculs sur des données privées sans les révéler, ouvrant la voie à des applications d'IA sécurisées et privées dans des domaines sensibles comme la santé et la finance, et répondant aux préoccupations dans divers domaines, tels que l'évolutivité de la blockchain. protection de la vie privée et sécurité.
Données côté client : le client détient les données sensibles qu'il souhaite utiliser pour les tâches d'apprentissage automatique sans les révéler au serveur ou à des données tierces.
Protocoles cryptographiques : ZKML s'appuie sur des protocoles cryptographiques pour prouver au serveur qu'il dispose des données correctes sans avoir à révéler les données elles-mêmes, également appelées preuves ZK.
Modèles ML : l'architecture ZKML se compose d'un réseau de nœuds où les données et le modèle ML sont répartis sur plusieurs nœuds qui se réunissent pour effectuer l'inférence et vérifier les données également de manière décentralisée.
Serveur d'inférence : le serveur d'inférence est responsable de l'exécution des modèles d'apprentissage automatique sur les données du client. Il utilise des protocoles cryptographiques pour garantir que les données restent privées.
Accélération matérielle : pour améliorer l'efficacité, les systèmes ZKML peuvent exploiter des techniques d'accélération matérielle, telles que des processeurs ou des accélérateurs cryptographiques spécialisés, pour accélérer les opérations cryptographiques.
1. Préparation des données : le client prépare ses données et utilise des protocoles cryptographiques pour générer une preuve sans connaissance qu'il dispose des données correctes.
2. Génération de preuves : le client génère une preuve sans connaissance qu'il dispose des données correctes, sans révéler les données elles-mêmes.
3. Vérification de la preuve : le serveur d'inférence vérifie la preuve de connaissance nulle. Si la preuve est valide, le serveur procède au calcul ou à la prédiction en utilisant les données du client.
4. Calcul et prédiction : le serveur utilise les données du client pour effectuer la tâche ML souhaitée, comme réaliser une prédiction ou entraîner un modèle. Les données restent privées tout au long de ce processus.
5. Retour du résultat : le serveur renvoie le résultat du calcul ou de la prédiction au client, sans révéler aucune information sur les données du client.