使用 Aleo 的 zkML 转换器解锁 AI 中可验证的机器学习模型

世界是由模型驱动的，例如塑造我们理解的叙事模型和塑造我们知识的科学模型。人工智能的基本前提是什么呢？我们是否可以使用数学模型来表示现实世界的系统，并借此使用过去的信息来预测新的信息？

这样的算法被称为“机器学习模型”，这种算法为社会和技术创新创造了很多难以置信的机会，但在解决了许多问题的同时也产生了新的问题，特别是信任问题，在由这些模型塑造的现实中，如何验证模型这个模型得出的是正确的结论的呢？

零知识证明 ——一种在不透露任何额外信息的情况下证明某件事是真实的方法，它为这个问题提供了强有力的答案。

通过将机器学习模型嵌入零知识技术，模型可以向用户验证驱动模型逻辑的许多关键因素，从模型何时以及如何运行到驱动其决策的因素和流程类型，与此同时，它不需要泄露私人数据输入和其他敏感信息，从而创建了一个全新的人工智能技术类别：可验证的机器学习模型。

使用 Aleo 的 zkML 转换器创建可验证的模型

zkML转译器是一个开源 SDK，它连接了 Python（机器学习开发人员最流行的编程语言之一）和零知识密码学。

开发人员可以像平常一样训练他们的机器学习模型，然后使用转译器将模型转换为 Leo——一种与 Aleo 的零知识第一层解决方案兼容的 ZK 友好编程语言。

该转译器目前用于决策树模型，这是一种常见的机器学习算法，可以创建分类和回归模型。随着项目后续的发展，它可能会扩展到包括随机森林机器学习模型、简单神经网络、线性回归模型等。

使用 zkML 转译器或 Leo 编程语言以及可能的其他工具，开发人员可以开始构建可验证的机器学习模型 - 为整个人工智能领域释放有价值的潜在用例。

零知识证明创建能够确保其对第三方的完整性和有效性。在不泄露专有算法或训练数据的情况下验证计算，zkML 实现了可审计和可验证的机器学习应用程序。

许多行业都可以从此类应用程序中受益，特别是那些具有重大监管责任和数据安全义务的行业。Aleo 可以在以下几个领域为开发人员带来重大机遇。

保密的了解你的客户 (KYC) 流程

zkML 支持可以私下执行的 KYC 流程。用户可以安全地验证自己的身份并满足监管要求，而不会泄露其个人数据。零知识证明可以验证身份属性，同时保持机密性。

保护隐私的信用评分

zkML 可以创建信用评分模型，在不暴露敏感信息的情况下评估借款人的信用度。贷方可以根据借款人的财务历史安全地对其进行评估，确保隐私，同时促进去中心化金融（DeFi）应用中的去信任化借贷。

在这两种情况下，金融机构和监管机构都可以验证 zkML 模型的运行方式，确认其基本假设、逻辑、流程和其他因素，而无需透露用于训练模型的专有信息或消费者数据。

健康保险费率更公平

通过zkML，患者可以私下向保险公司提交病史证明，同时还可以验证和测试各种保险机器学习模型，从模型完整性、公平性和评估等方面进行比较。

这可以为保险模式创建“黄金标准”，消费者在决定选择哪家保险公司时可以进行比较。它还可以通过允许保险公司避免信息不对称，从而使他们能够针对用户的风险状况做出更明智的决策，从而引入公平费率保险即服务。

增强患者保密性

zkML 允许更安全的数据协作和共享。多方可以在不泄露机密数据的情况下对机密数据进行联合计算。这使得不同机构的医疗服务提供者能够协作分析隐私敏感的医疗数据，同时保护患者的机密性。

在这两种情况下，医疗保健提供者、保险公司和监管机构都可以验证 zkML 模型的运行方式，确认其基本假设、逻辑、流程和其他因素，而无需透露用于训练模型的专有信息或私人患者医疗数据。

随着人工智能的发展，在线身份验证变得更加困难。借助 zkML，服务可以向类似验证码的服务提交证明，展示用户的人性，同时通过将其与存储在数字钱包中的哈希值进行匹配来保护他们的隐私。这使得开发人员能够创建可验证的人性化服务，让用户能够更轻松、更安全地访问在线服务。

在每种情况下，外部各方都可以验证其 zkML 模型的运行方式，确认其基本假设、逻辑、流程和其他因素，而无需透露用于训练模型的专有信息或私有数据。

Aleo News是目前了解Aleo最全面的媒体，为全球Aleo爱好者提供最全最新的生态信息服务。