ChatGPT や Midjourney のような生成 AI の登場により、デザインやアート、ソフトウェア開発、出版、さらには金融などのさまざまな分野に新たな可能性が開かれました。生成 AI は、人間の生産性を大幅に向上させ、創造性を次の​​レベルに引き上げることを約束する驚異に他なりません。

ChatGPT や Midjourney などを今日のようなものに開発するには、これらのソフトウェアの背後にある AI モデルをトレーニングできるようにするために、何年もの研究と膨大な量のデータが必要でした。その 1 つである ChatGPT は、Web ページ、書籍、その他のソースから取得した約 570 GB のデータセットを使用してトレーニングする必要がありました。このデータの大部分は、自分の個人データが AI ソフトウェアのトレーニングに使用されていることを全く知らなかったユーザーから得られたものである可能性があります。収集および使用されるデータのほとんどは、そのデータの発信元であるユーザーにとって無害である可能性がありますが、一部の機密データやプライベート データは、すべてユーザーの同意なしに必然的に混入し、モデルに供給される可能性があります。

このようなシステムが生み出すプライバシーの懸念を考慮すると、データのプライバシーとセキュリティの問題に対する認識と重要性が高まっています。 AI の利点の活用と個人のプライバシー権の保護との間で調和のとれた均衡を見つけることが求められています。幸いなことに、このギャップを埋めるのに役立つ有望なテクノロジー、ゼロ知識証明 (ZKP) があります。

zkMLとは何ですか?

zkMLとは何ですか?

ゼロ知識プロトコルとは、一方の当事者 (証明者) が、この特定のステートメントが真実であるという事実以外の情報を一切明らかにすることなく、何かが真実であることを別の当事者 (検証者) に証明できる方法です。ゼロ ナレッジ (ZK) テクノロジーは 2022 年以降着実に勢いを増しており、ブロックチェーン セクター全体で大幅な成長が見られます。 ZK スペース内のプロジェクトは継続的に努力し、スケーラビリティとプライバシーの分野で大幅な進歩を遂げています。

機械学習は人工知能の一分野であり、人間が大幅に関与することなく、過去のデータから学習し、パターンを識別し、論理的な意思決定を行うことができるシステムの開発に重点を置いています。数値データ、テキストコンテンツ、ユーザーインタラクション、ビジュアルデータなどのさまざまな種類のデジタル情報を活用して、分析モデルの作成を自動化するデータ分析手法です。

教師あり機械学習では、事前定義されたパラメーターを使用して事前トレーニングされたモデルに入力が提供され、そのモデルは他のシステムで利用できる出力を生成します。入力データには個人の財務情報や生体認証情報などの機密情報が含まれる可能性があり、モデル パラメータには生体認証パラメータなどの機密要素が含まれる可能性があるため、入力データとモデル パラメータの両方の機密性とプライバシーを維持する重要性を強調することが重要です。

ゼロ知識テクノロジーと AI を組み合わせると、私たちの働き方に革命をもたらす倫理的で強力な新テクノロジーであるゼロ知識機械学習 (zkML) が得られます。

Modulus Labs チームによる最近の出版物「 The Cost of Intelligence 」では、さまざまなサイズの多様なモデル セットを使用して、さまざまな既存の ZKP システムの包括的なベンチマークを実施しました。現在、オンチェーン ML の領域における ZK の主な用途は、正確な計算を検証することです。しかし、十分な時間と開発があれば、ZKP、特に SNARK (Succinct Non-Interactive Arguments of Knowledge) は、ユーザーの入力の開示を防ぐことで、好奇心旺盛な検証者からユーザーのプライバシーを確​​保するために使用できる段階まで進歩する可能性があります。

zkML は基本的に ZK テクノロジーを AI ソフトウェアに統合して、プライバシー保護、データの信頼性検証などにおける限界を克服します。

zkMLの使用例

zkML はまだ未開発の可能性がたくさんある新興テクノロジーですが、いくつかの著名な使用例が注目を集めています。 zkML の注目すべきアプリケーションには次のものがあります。

SNARK や STARK などの妥当性証明には、計算の正しさを検証する機能があり、モデル推論を検証したり、特定の入力が特定のモデル出力につながることを確認したりすることで、この機能を ML タスクに拡張できます。出力が特定のモデルと入力の組み合わせの結果であることの証明と検証が容易なため、zkps オンチェーンを簡単に検証しながら、専用のハードウェアでの ML モデルのオフチェーン デプロイメントが容易になります。たとえば、 Gizaは、分散型金融 (DeFi) イールド アグリゲーター プロトコルであるYearnを支援し、ML オンチェーンを利用する複雑なイールド戦略の正確な実行を実証しています。

スマート コントラクト データを活用することで、異常検出モデルをトレーニングし、その後、セキュリティ手順を自動化するための貴重な指標として DAO (分散型自律組織) によって承認されることができます。このプロアクティブかつ予防的な方法論により、潜在的な悪意のあるアクティビティを特定した場合に契約を一時停止するなどのアクションを自動化できるため、その有効性が向上します。

複数の企業が API を通じて ML モデルを提供するシナリオでは、API の不透明な性質により、サービス プロバイダーが主張するモデルを実際に提供しているかどうかをユーザーが確認することが困難になります。 ML モデル API とともに有効性の証明を提供することは、ユーザーに透明性を提供し、ユーザーが使用している特定のモデルを検証できるようにする上で有益です。

Web3 ソーシャル アプリケーションの分散化された性質により、スパムや悪意のあるコンテンツが増加すると予想されます。ソーシャル メディア プラットフォームの理想的なアプローチは、コミュニティによって集合的に合意されたオープンソースの ML モデルを利用することです。さらに、プラットフォームは、投稿をフィルタリングすることを選択するときに、モデルの推論の証明を提供できます。 Daniel Kang による zkML を使用した Twitter アルゴリズムの分析は、このトピックについてのさらなる洞察を提供します。

医療業界は患者データのプライバシーと機密性を優先します。 zkML を活用することで、医療研究者や医療機関は、暗号化された患者データを使用してモデルを開発し、個人の記録を確実に保護できるようになります。これにより、機密情報を共有することなく共同分析が可能となり、病気の診断、治療効果、公衆衛生研究の進歩が促進されます。

zkML を探索するプロジェクトの概要

zkML の多くのアプリケーションは実験段階にあり、革新的な新しいプロジェクトでハッカソンに頻繁に登場しています。 zkML は、スマート コントラクトを設計するための新しい手段を導入しており、そのアプリケーションを積極的に検討している進行中のプロジェクトがいくつかあります。

@bastian_wetzel 経由の画像

結論

ChatGPT と Midjourney が今日の状況に到達するまでに数え切れないほどの反復を要したのと同じように、zkML は現在も継続的な改善と最適化を行っており、技術的な側面から実用的な側面に至るまでの課題を克服するために反復に反復を繰り返しています。

zkML の分野では進歩が加速しており、特にハードウェア アクセラレーション テクノロジの継続的な開発により、zkML が近い将来、より広範な ML 空間に匹敵するレベルに達すると期待されています。

ZKP を AI システムに組み込むと、これらのシステムを利用するユーザーと組織の両方に、強化されたレベルのセキュリティとプライバシーを提供できます。したがって、ZKP とブロックチェーン テクノロジーの組み合わせにより、Web3 のパーミッションレスな世界内で AI/ML 操作のための安全で信頼性の高い環境が構築される、zkML 分野におけるさらなる製品革新を私たちは熱心に期待しています。

スケーリングX公式アカウント

ウェブサイト ： https://www.scalingx.xyz/

GitHub ： https://github.com/scalingx/

Twitter ： https://twitter.com/scaling_x

電報 ： https://t.me/scalingx

ディスコード ： https://discord.com/invite/U6uNCumNR3

お問い合わせ ： [email protected]