Berkeley RDI и Polyhedra представили систему zkML, предлагающую новые возможности для повышения доверия и прозрачности в искусственном интеллекте, не раскрывая при этом чувствительные данные.
Технология zkML: Принципы работы
Технология zkML базируется на использовании доказательств с нулевым разглашением (ZKP) в машинном обучении. ZKP — это криптографическая методика, позволяющая одной стороне доказать истинность утверждения без раскрытия сопутствующих данных. Это решение помогает решать вопросы доверия к 'черным ящикам', часто сталкивающимся с недостаточной прозрачностью.
Переход от теории к практике
Концепция zkML была впервые представлена в 2020 году Джиахэном Чжаном и исследователями из Беркли Юпенгом Чжаном и Доун Сонг. В то время zkML оставалась теоретической, поскольку требовала значительных вычислительных ресурсов. Благодаря новым достижениям в технологии нулевых знаний, таким как система Expander от Polyhedra, zkML теперь может применяться в реальных сценариях.
Будущее применения zkML
zkML может трансформировать управление конфиденциальностью и подотчетностью в ИИ. Она облегчает проверку происхождения данных, обеспечивает аутентичность и отслеживаемость данных для обучения, а также позволяет валидировать процесс тренировок моделей. Polyhedra видит применение zkML в объединении ИИ и блокчейнов, поддерживая децентрализованные экосистемы ИИ и решения, ориентированные на конфиденциальность.
zkML обещает изменить подход к доверию в ИИ, обеспечивая безопасность и конфиденциальность. Polyhedra и Berkeley RDI планируют расширять возможности zkML, делая её доступной для разработчиков с минимальными знаниями в криптографии.
