Новая эра конфиденциальности и эффективности данных

В мире блокчейна и криптовалюты конфиденциальность и эффективность имеют первостепенное значение. Один из моих тезисов — построить цепочку уровня 1 с сохранением конфиденциальности машинного обучения; Я считаю, что мы стоим на пороге новой эры конфиденциальности и эффективности данных.

Текущее состояние машинного обучения и конфиденциальности данных

Мой путь в области машинного обучения начался в Didi, где я был частью команды по машинному обучению, создавая алгоритмы ценообразования с нуля. Мы исследовали множество алгоритмов, и их влияние на доход было значительным. Однако этот процесс не обошелся без проблем. Традиционные алгоритмы машинного обучения часто требуют больших, чистых, хорошо структурированных наборов данных для достижения наилучших результатов. Эти высокие требования часто создают проблемы, когда речь идет о реальных приложениях.

Когда я работал количественным исследователем в Pantera Capital, я построил модели высокочастотной торговли. Наборы данных были огромными и предназначались для частного использования. Потребность в конфиденциальности и огромный объем данных создавали уникальные проблемы. Традиционные модели машинного обучения также борются с проблемами предвзятости и переобучения. Если не решить эти проблемы должным образом, они могут привести к переоптимизации моделей для обучающих данных, но плохой работе с невидимыми данными.

Обещание поколения ИИ

Однако появление Gen AI изменило правила игры. Теперь вам не нужны тысячи строк кода + большие наборы данных для обучения отличной модели. Этот сдвиг снизил входной барьер для машинного обучения, сделав его доступным для небольших компаний, у которых может не быть полных наборов данных. В контексте ZKP генеративный ИИ может сыграть решающую роль в повышении эффективности. Процесс генерации доказательств в ZKP может потребовать значительных вычислительных ресурсов, особенно для сложных утверждений. Здесь можно использовать генеративный ИИ для прогнозирования и создания частей доказательства, уменьшая вычислительную нагрузку.

Вот диаграммы для доказательства с нулевым разглашением и базового алгоритма машинного обучения:

Простое объяснение ЗКП:

Создание цепочки уровня 1 с сохранением конфиденциальности машинного обучения

В контексте технологии блокчейн конфиденциальность и эффективность имеют решающее значение. Статья Доказательства с нулевым разглашением: иллюстрированный учебник для начинающих представляет собой отличный учебник по доказательствам с нулевым разглашением (ZKP), криптографическому методу, который позволяет одной стороне доказать другой стороне, что она знает значение x, не передавая никакой информации, кроме факта что они знают значение х.

ZKP имеют серьезные последствия для технологии блокчейна, особенно в сфере транзакций, сохраняющих конфиденциальность. Интегрируя ZKP в цепочку уровня 1, мы можем гарантировать, что все транзакции будут полностью конфиденциальными, но при этом поддающимися проверке. Эта интеграция позволит нам создать эффективную и сохраняющую конфиденциальность цепочку блоков, что является важной особенностью в мире высокочастотной торговли, где большие частные наборы данных являются нормой.

Включив машинное обучение в цепочку уровня 1, мы можем оптимизировать эффективность блокчейна. Алгоритмы машинного обучения могут помочь прогнозировать объемы транзакций, позволяя нам динамически регулировать ресурсы, выделяемые для проверки транзакций, и тем самым повышая общую эффективность блокчейна.

Будущее блокчейна и машинного обучения

ZKML как мост между искусственным интеллектом и блокчейном обеспечивает защиту конфиденциальности моделей и входных данных ИИ, обеспечивая при этом возможность проверки процесса вывода. Он предоставляет решение, позволяющее использовать общедоступные модели для проверки частных данных или частные модели для проверки общедоступных данных. Добавляя возможности машинного обучения, смарт-контракты могут стать более автономными и динамичными, позволяя им обрабатывать данные в сети в реальном времени вместо статических правил. Это делает смарт-контракты более гибкими и адаптируемыми к различным сценариям, включая те, которые, возможно, не ожидались при первоначальном создании контракта.

Одной из проблем при внедрении алгоритмов машинного обучения на блокчейне является высокая вычислительная стоимость. Поскольку миллионы операций с плавающей запятой не могут быть выполнены напрямую на виртуальной машине Ethereum (EVM), запуск этих моделей в сети становится сложной задачей. Кроме того, надежность моделей машинного обучения также является препятствием, поскольку параметры и входные наборы данных моделей обычно являются конфиденциальными, а алгоритмы и процессы выполнения моделей подобны непрозрачным «черным ящикам», что может вызвать проблемы доверия между владельцами моделей. и пользователи.

Однако с помощью технологии ZKML мы можем решить эти проблемы. ZKML позволяет любому запускать модель вне сети и генерировать краткие и проверяемые доказательства. Это доказательство может быть опубликовано в сети и проверено с помощью смарт-контрактов. Это означает, что пользователи модели могут проверять результаты, не зная конкретных параметров и рабочих деталей модели, тем самым решая проблему доверия. Некоторые потенциальные варианты использования и отрасли, в которых эта технология может применяться:

Финансы и трейдинг

В финансовом секторе цепочка уровня 1, сохраняющая конфиденциальность, может использоваться для создания более безопасных и эффективных торговых платформ. Например, модели высокочастотной торговли (HFT), подобные тем, которые я разработал в Pantera Capital, могут извлечь выгоду из этой технологии. Модели HFT часто полагаются на большие частные наборы данных. Благодаря интеграции ZKP эти модели могут работать с зашифрованными данными, обеспечивая конфиденциальность конфиденциальной финансовой информации и в то же время позволяя использовать точные и эффективные торговые стратегии.

Здравоохранение

В здравоохранении для безопасного хранения и анализа данных пациентов можно использовать цепочку уровня 1 с сохранением конфиденциальности. Алгоритмы машинного обучения можно использовать для прогнозирования исходов заболеваний или рекомендаций по лечению, сохраняя при этом конфиденциальность данных пациента. Это особенно важно в сфере здравоохранения, где конфиденциальность данных является не только вопросом деловой конфиденциальности, но и юридическим и этическим требованием.

Управление цепочками поставок

В управлении цепочками поставок эту технологию можно использовать для отслеживания и проверки движения товаров без раскрытия конфиденциальной бизнес-информации. Например, компания может доказать, что ее продукты получены с соблюдением этических норм, не раскрывая личности или местонахождение своих поставщиков.

Децентрализованные финансы (DeFi)

В растущей области децентрализованных финансов (DeFi) цепочка уровня 1, сохраняющая конфиденциальность, может обеспечить безопасность и конфиденциальность, которые требуются пользователям. Пользователи могут заниматься кредитованием, заимствованием и торговлей с гарантией конфиденциальности и безопасности своих транзакций.

Торговые площадки данных

Наконец, рынки данных также могут извлечь выгоду из этой технологии. Эти платформы часто предполагают обмен большими наборами данных, которыми можно безопасно и конфиденциально управлять с помощью цепочки уровня 1, сохраняющей конфиденциальность. Это может способствовать созданию более надежного и надежного рынка для покупателей и продавцов данных.

Компании, работающие в этом пространстве, включают zkSync, Scroll, Aleo, Axiom, Modulus и т. д. Я очень доволен текущим состоянием ZKP. По мере того, как теоретическая сторона совершенствовалась за последние несколько лет, скоро появятся новые варианты использования в реальном мире!

Если вы заинтересованы в создании этого, свяжитесь со мной по ЗДЕСЬ.