Provas de Conhecimento Zero em 2023
As Provas de Conhecimento Zero (ZKPs) permitem a prova criptográfica de posse de dados ou informações específicas sem revelar os dados subjacentes. Se você é novo em ZKPs, publiquei recentemente um artigo sobre o que são ZKPs e por que são importantes. Se você estiver procurando um guia intuitivo para zk-SNARKs, pode encontrar outro de meus artigos aqui.
Os avanços dos zk-SNARKs têm superado as expectativas no último ano. Aplicações como as ZK-EVMs estão surgindo, apesar do consenso geral de que essas inovações ainda estariam distantes. As capacidades ampliadas dos zk-SNARKs permitiram a exploração de novos usos para blockchains. Em particular, estamos acompanhando de perto a pesquisa sobre o uso de zk-SNARKs para resolver muitos dos desafios urgentes apresentados pelo aumento do uso de aprendizado de máquina (ML) e inteligência artificial (IA).
À medida que o aprendizado de máquina se torna mais prevalente, ele vem sendo usado em uma ampla gama de aplicações. No entanto, a confiabilidade de suas previsões e a dependência de fontes de dados opacas estão se tornando uma preocupação importante. A capacidade de reproduzir modelos que afirmam ter alta precisão é difícil, e não há garantia de consistência e exatidão das previsões em produtos do mundo real.
Este artigo tem como objetivo explicar por que houve um aumento de interesse em sistemas de aprendizado de máquina habilitados para zk-SNARK (ZK-ML) e discute algumas aplicações potenciais dessa tecnologia.
Por que a necessidade de ZK-ML?
Quando se utiliza aprendizado de máquina supervisionado, as entradas são dadas a um modelo que já foi treinado com parâmetros específicos. O modelo então produz uma saída que pode ser utilizada por outros sistemas. Graças a frameworks e formatos de aprendizado de máquina leves como ONNX, agora é possível executar essas inferências em dispositivos de ponta, como telefones ou dispositivos IoT, em vez de enviar os dados de entrada para servidores centralizados. Isso melhora a escalabilidade e a privacidade para os usuários.
No entanto, é importante observar que é comum querer manter os dados de entrada e os parâmetros dos modelos de aprendizado de máquina privados e ocultos da visão do público. Isso ocorre porque os dados de entrada podem conter informações sensíveis, como dados pessoais financeiros ou biométricos, enquanto os parâmetros do modelo também podem conter informações sensíveis, como parâmetros de autenticação biométrica.
Por outro lado, é importante que os sistemas subsequentes que utilizam a saída do modelo de ML, como contratos inteligentes na blockchain, possam verificar que a entrada foi processada corretamente para produzir a saída reivindicada.
A combinação de aprendizado de máquina e protocolos zkSNARK oferece uma nova solução que aborda esses requisitos aparentemente conflitantes.
Casos de Uso do ZK-ML
Existem muitos artigos discutindo as várias maneiras pelas quais podemos usar o zk-SNARKs para melhorar nosso futuro com o aprendizado de máquina. A comunidade ZK-ML forneceu uma árvore de decisão muito útil para pensarmos sobre os vários usos desta tecnologia.
A árvore de decisão é baseada na interseção de dois critérios: a necessidade de privacidade e integridade computacional, e o uso de problemas de otimização heurística resolvidos pelo aprendizado de máquina. Em outras palavras, a árvore de decisão é usada para determinar se um caso de uso que envolve ZK-ML é apropriado para situações onde a privacidade e a integridade computacional são importantes, e onde problemas de otimização heurística estão sendo resolvidos usando técnicas de aprendizado de máquina. Você pode encontrar mais informações sobre isso aqui.
Aqui estão algumas maneiras pelas quais o conhecimento zero pode ser usado para inovar em modelos de ML:
- Aprendizado de máquina preservador de privacidade: os zk-SNARKs podem ser usados para treinar um modelo de aprendizado de máquina em dados privados sem revelar esses dados para os criadores ou usuários do modelo. Isso permite o desenvolvimento de modelos que podem ser usados em setores sensíveis ou regulamentados, como saúde ou finanças, sem comprometer a privacidade dos indivíduos cujos dados são usados.
- Aprendizado de máquina verificável: os zk-SNARKs podem ser usados para provar que um modelo de aprendizado de máquina foi treinado em um conjunto de dados específico, ou que um modelo específico foi usado para fazer uma previsão, sem revelar os detalhes dos dados de treinamento ou do modelo. Isso permite maior confiança nos resultados dos modelos de aprendizado de máquina, o que pode ser importante em aplicações como pontuação (score) de crédito ou diagnóstico médico.
- Aprendizado de máquina seguro: os zk-SNARKs podem ser usados para proteger a integridade dos modelos de aprendizado de máquina, garantindo que o modelo não foi adulterado ou substituído por um modelo diferente. Isso pode ser útil em aplicações onde o modelo é implantado em ambientes não confiáveis, como dispositivos de ponta ou nuvens públicas.
ZKonduit (EZKL) & Possíveis Aplicações
Projetos como o ZKonduit, estão olhando para o ZK-ML como a chave para dar olhos à blockchain, permitindo que contratos inteligentes exerçam julgamento, oráculos de uma pessoa e, em geral, obtenham dados da blockchain de uma maneira escalável. O uso de oráculos ZK-ML oferece uma maneira mais simples, rápida e eficiente de transferir dados de fora da cadeia para a blockchain, aumentando muito o potencial para os dados serem trazidos para a cadeia. O ZK-ML poderia permitir que 'juízes inteligentes' interpretassem eventos ambíguos. Isso poderia abrir a porta para uma quantidade inimaginável de novos usos para Web3, mas aqui estão apenas alguns que foram discutidos recentemente:
- ZK KYC: Capacidade de provar que a identidade de uma pessoa corresponde à sua ID correspondente, e que o número da ID não está em uma lista de sanções. Embora esta tecnologia esteja disponível, pode não ser aceita pelos reguladores que atualmente exigem que os bancos 'conheçam' seus clientes (KYC), não apenas verifiquem se eles não estão em uma lista de sanções. Esta é uma nova área para os reguladores e medidas devem ser tomadas para impedir que projetos descentralizados sejam usados por atores indesejados.
- Verificação de fraude: Contratos inteligentes ou contas abstraídas adicionam uma verificação ZK-ML de spam e fraude para comportamento incomum. Isso significa que um sistema pode ser implementado para detectar e prevenir comportamento fraudulento ou de spam, analisando padrões de atividade e comparando-os com padrões conhecidos de comportamento fraudulento ou de spam usando técnicas de aprendizado de máquina de conhecimento zero. Isso pode ajudar a garantir a segurança e a integridade do sistema, detectando e prevenindo atividades maliciosas.
- Tornando as DAOs autônomas: A tecnologia zk-SNARKs permite a execução de cálculos computacionais complexos de maneira que preserva a privacidade dos dados de entrada, tornando-a adequada para uso em situações em que informações sensíveis precisam ser protegidas. Algoritmos de aprendizado de máquina podem ser integrados a essa tecnologia para permitir tomadas de decisões mais avançadas, avaliações e sistemas de comunicação que são mais eficientes e precisos. Essas capacidades podem ser cruciais para as futuras dinâmicas internas das DAOs.
Conclusão
A integração de provas de conhecimento zero nos sistemas de IA pode fornecer um novo nível de segurança e privacidade para os usuários e as empresas que empregam esses sistemas. Ao permitir que a IA prove a validade de suas decisões sem revelar os dados ou algoritmos subjacentes, as provas de conhecimento zero podem ajudar a mitigar os riscos de violações de dados e ataques maliciosos. Além disso, elas também podem ajudar a construir confiança nos sistemas de IA, fornecendo uma maneira transparente e verificável de demonstrar sua justiça e precisão.
À medida que o campo da IA continua a evoluir e expandir, a incorporação de provas de conhecimento zero se tornará cada vez mais importante para garantir a implantação segura e responsável dessas tecnologias poderosas.
Por favor, certifique-se de seguir no Twitter para se manter atualizado com o mais recente em ZK ML e além!
Artigo original publicado por Dylan Amadán. Traduzido por Paulinho Giovannini.
Oldest comments (0)