zkML IRL:更安全模型的实际用例

2023-05-21 305 0

机器学习模型依靠大量数据来产生准确的输出,这些输出在理解我们的能力方面看起来几乎是神奇的。但是,随着机器学习项目中摄入的数据量的增长,隐私缺陷将变得越来越明显——并且可能会出现一个转折点,用户不再愿意用他们的隐私来换取输出。 

在行业进一步发展之前,模型需要内置一层问责制。用户需要相信他们的数据不会被滥用,模型没有被黑客攻击或更改,并且模型符合行业数据隐私标准。现在,标准还没有达到——但我们有机会改变它。 

零知识证明是开发人员创建和运行机器学习模型的一种方式,可以证明计算已正确完成,同时可以自由选择公开哪些属性。结果是两全其美:基于安全、值得信赖的模型的有趣、个性化的输出。  

我们看到越来越多的零知识证明用例可以在技术充分发挥潜力时提供保障。

零知识证明的实际应用

在不远的将来,机器学习将触及我们生活的方方面面,无论我们是否愿意。我们目前处于能够在几个关键用例中添加安全层的独特位置,包括链上(在区块链上进行的公共交易)和链下(在主区块链网络之外确认的交易) .

链上用例

我们看到了链上机器学习算法的几个用例,最显着的是信用评分、了解你的客户流程和稳定币。

创建保护隐私的信用评分

当加密货币交易者借款时,贷方需要确保借款人值得信赖。借款人可能在国际范围内开展业务,甚至可以匿名开展业务。机器学习模型可用于以保护隐私的方式评估借款人的信誉,因此借款人可以与最能满足其需求的贷方相匹配。

建立私人了解你的客户 (KYC) 流程

作为 KYC 流程的一部分,新用户通常会被要求上传一张他们的驾照照片,然后执行一个活体测试,包括查看他们的网络摄像头并转动他们的头。为了保护用户的个人隐私,可以使用执行活性测试的零知识构建机器学习模型,将其与用户的驾照照片进行核对,并返回匹配程度的分数以及表明模型已运行的证明准确。 

生成准确的稳定币汇率

预言机通过将链下数据带到链上来实现一个基本目的,这很重要,因为智能合约无法获取区块链网络之外的信息。它们通常用于稳定币,其中安全假设依赖于资产(例如,ETH)与稳定币之间汇率的定期和及时报告,而稳定币应该与现实世界的货币保持挂钩。机器学习可以帮助使这种报告更加准确和稳健,而零知识证明则保证预言机正确地执行了计算。

链下用例

我们的个人信息在日常生活中会定期输入机器学习模型,从申请抵押贷款到通过剽窃检测器进行学校作业。零知识证明可以帮助我们将更多数据掌握在自己手中,允许人们在本地生成推理并提交证明,而不是依赖第三方获取他们的私人信息来获得相同的结果。

保护机器学习在高保证行业中的使用

当生命依赖于它时,了解机器学习模型产生未被恶意行为者黑客攻击或更改的值得信赖的结果至关重要。例如,用于军事、人工智能驾驶汽车或医学成像和诊​​断的任何机器学习模型都应该有额外的验证软件,可以验证传感器输入已被正确分析的零知识证明。 

保护专有机器学习模型

许多公司已经建立了他们不想公开分享的私人机器学习模型。由于这些模型可能已经在专有数据上进行过训练或在受到高度监管的行业中使用,因此证明结果来自该特定模型可能变得很重要。

结论

随着机器学习和人工智能进入我们的日常生活,我们比以往任何时候都更需要信任用于生成影响我们世界安全的输出的模型和数据。

得益于我们默认私有的可编程平台,Aleo 使零知识算法的开发变得简单。机器学习开发人员可以专注于做他们最擅长的事情:创建算法和模型,为我们的世界提供新的见解。 

我们的团队发起了 zkML Initiative,以鼓励开发更多私有机器学习模型。立即申请并开始使用 Python 或我们自己的 zk 领域特定语言Leo创建您自己的 zkML 算法和插件。

相关文章

夺回隐私:Aleo 赋予用户权力的使命
Aleo 主网之路
【破纪录】ALEO:软银、三星、a16z争相投资,2023年最令人瞩目的顶级王者项目共计融资2.98亿美金
ALEO融资2.96亿美刀!!!零撸空投!
隐私是必不可少的吗?Aleo在区块链演变中处于何位置?
使用 Aleo 的 zkML 转换器解锁 AI 中可验证的机器学习模型

发布评论