پنج مورد استفاده برای الگوریتم اثبات دانش صفر در یادگیری ماشینی

الگوریتم اثبات دانش صفر (Zero-knowledge proof) می‌تواند موراد استفاده متعددی را ارائه دهد، زیرا فناوری یادگیری ماشینی به پتانسیل کامل خود می‌رسد. در این مقاله با آنها آشنا شوید.

مدل‌های یادگیری ماشینی برای به دست آوردن خروجی‌های دقیقی که در توانایی آنها برای درک ما تقریباً جادویی به نظر می‌رسند، به حجم عظیمی از داده‌ها متکی هستند. اما، با افزایش حجم داده‌های وارد شده به پروژه‌های یادگیری ماشینی، نقص‌های حریم خصوصی به طور فزاینده‌ای آشکار می‌شوند – و ممکن است نقطه اوجی وجود داشته باشد که کاربران دیگر مایل نباشند حریم خصوصی خود را با خروجی معاوضه کنند.

قبل از توسعه بیشتر صنعت، مدل‌ها باید لایه‌ای از مسئولیت‌پذیری را در خود داشته باشند. کاربران باید اطمینان داشته باشند که از داده‌های آن‌ها سوءاستفاده نمی‌شود، مدل تغییر نکرده یا هک نشده است، و مدل‌ها استانداردهای دقیق حفظ حریم خصوصی داده‌ها را رعایت می‌کنند. در حال حاضر، استانداردی برآورده نشده است – اما ما این فرصت را داریم که آن را تغییر دهیم.

اثبات دانش صفر یکی از راه‌های توسعه‌دهندگان برای ایجاد و اجرای مدل‌های یادگیری ماشینی است که ثابت می‌کند محاسبات به درستی انجام شده است، در حالی که در انتخاب ویژگی‌های عمومی آزاد هستند. نتیجه بهترین هر دو جهان است: خروجی‌های شخصی‌سازی شده بر اساس مدل‌های ایمن و قابل اعتماد.

ما شاهد تعداد فزاینده‌ای از موارد استفاده در دنیای واقعی برای الگوریتم اثبات دانش صفر هستیم که با رسیدن این فناوری به پتانسیل کامل خود می‌توانند به طور کامل خود را نشان دهند.

کاربردهای واقعی برای الگوریتم اثبات دانش صفر

یادگیری ماشینی هر بخش از زندگی ما را در آینده تحت تأثیر قرار می‌دهد، چه بخواهیم و چه نخواهیم. ما در حال حاضر در موقعیت منحصربه‌فردی هستیم که می‌توانیم یک لایه امنیتی را در چندین مورد استفاده کلیدی اضافه کنیم، هم در موارد آن‌ چین (تراکنش‌های عمومی انجام شده در یک بلاک چین) و هم موارد آف چین (معاملات تأیید شده خارج از شبکه اصلی بلاک چین) .

موارد استفاده آن چین الگوریتم اثبات دانش صفر

ایجاد امتیازات اعتباری حفظ حریم خصوصی

وقتی تریدرهای کریپتو وام می‌گیرند، وام‌ دهنده باید مطمئن شود که وام گیرنده قابل اعتماد است. وام گیرندگان ممکن است در سطح بین‌المللی و حتی با نام مستعار فعالیت کنند. یک مدل یادگیری ماشینی می‌تواند برای ارزیابی اعتبار وام گیرندگان به روشی استفاده شود که حریم خصوصی را حفظ کند، بنابراین وام گیرندگان را می‌توان با وام دهندگانی که به بهترین وجه نیازهای آنها را برآورده می‌کنند، مطابقت داد.

ایجاد فرآیندهای خصوصی احراز هویت مشتری (KYC)

به عنوان بخشی از فرآیند KYC، اغلب از کاربران جدید خواسته می‌شود تا عکسی از گواهینامه رانندگی خود را آپلود کنند و سپس نوعی تست زنده بودن را انجام دهند که شامل نگاه کردن به وب‌کم و چرخاندن سرشان می‌شود. برای محافظت از حریم خصوصی کاربر، می‌توان یک مدل یادگیری ماشینی با استفاده از دانش صفر ساخت که تست زنده بودن را انجام می‌دهد، آن را با عکس گواهینامه رانندگی کاربر بررسی می‌کند، و امتیازی را برای میزان تطابق آنها به همراه مدرکی که نشان می‌دهد مدل اجرا شده است، برمی‌گرداند.

ایجاد نرخ‌های دقیق مبادلات استیبل کوین

اوراکل‌ها با آوردن داده‌های ٖآف چین به آن چین، یک هدف اساسی را انجام می‌دهند که مهم است، زیرا قراردادهای هوشمند نمی‌توانند به اطلاعات خارج از شبکه بلاک چین دسترسی پیدا کنند. آنها اغلب در استیبل کوین‌ها استفاده می‌شوند، جایی که مفروضات امنیتی بر گزارش منظم و به موقع نرخ مبادله بین یک دارایی به عنوان مثال، ETH و یک استیبل کوین که قرار است به یک ارز واقعی متصل بماند، متکی است. یادگیری ماشینی می‌تواند به دقیق‌تر و قوی‌تر کردن این گزارش کمک کند، در حالی که اثبات‌ دانش صفر تضمین می‌کند که اوراکل محاسبات را به درستی انجام داده است.

موارد استفاده آف چین الگوریتم اثبات دانش صفر

حفاظت از موراد استفاده یادگیری ماشینی در صنایع رتبه بالا

زمانی که زندگی به آن وابسته است، بسیار مهم است که بدانیم مدل‌های یادگیری ماشینی نتایج قابل اعتمادی تولید می‌کنند که توسط بازیگران مخرب تغییر یا هک نشده است. برای مثال، هر مدل یادگیری ماشینی که در ارتش، اتومبیل‌های خلبانی هوش مصنوعی یا تصویربرداری و تشخیص پزشکی استفاده می‌شود، باید دارای نرم‌افزار تأیید اعتبار باشد که بتواند مدرک دانش صفر را تأیید کند که ورودی حسگر به درستی تحلیل شده است.

محافظت از مدل‌های یادگیری ماشینی اختصاصی

بسیاری از شرکت‌ها قبلاً مدل‌های خصوصی یادگیری ماشینی ساخته‌اند که نمی‌خواهند به صورت عمومی به اشتراک بگذارند. از آنجایی که این مدل‌ها ممکن است بر اساس داده‌های اختصاصی آموزش دیده باشند یا در صنایع بسیار تنظیم‌شده مورد استفاده قرار گرفته باشند، ممکن است اثبات اینکه یک نتیجه از آن مدل خاص به دست آمده است، بسیار مهم باشد.

نتیجه

با ورود یادگیری ماشینی و هوش مصنوعی به زندگی روزمره ما، اعتماد به مدل‌ها و داده‌های مورد استفاده برای تولید خروجی‌هایی که بر ایمنی دنیای ما تأثیر می‌گذارند، برای ما مهم‌تر از همیشه است.

پلتفرم‌هایی مانند Aleo توسعه الگوریتم دانش صفر را به لطف پلتفرم خصوصی به‌طور پیش‌فرض و قابل برنامه‌ریزی ساده می‌کنند. توسعه‌دهندگان یادگیری ماشینی می‌توانند بر انجام کاری که به بهترین شکل انجام می‌دهند تمرکز کنند: ایجاد الگوریتم‌ها و مدل‌هایی که بینش جدیدی از دنیای ما ارائه می‌دهند.

فرانک چن رئیس محصولات Aleo است – یک پلتفرم توسعه‌دهنده مبتنی بر دانش صفر پیشرو برای ساخت برنامه‌های غیرمتمرکز کاملا خصوصی، مقیاس‌پذیر و مقرون‌به‌صرفه – جایی که او تلاش‌های محصولات مصرفی را رهبری می‌کند. قبل از Aleo، او در Gitcoin بود، جایی که اولین نمونه از یک مکانیسم تامین مالی درجه دوم را با ویتالیک بوترین ساخت و بیش از 10 دور از تامین مالی درجه دوم برای کالاهای عمومی اتریوم را رهبری کرد. فرانک یک آشپز، نویسنده، رقیب جیو جیتسو و مربی مشتاق است.

با استفاده از رمزنگاری دانش صفر، Aleo اجرای قراردادهای هوشمند را به صورت آف چین انتقال می‌دهد تا موارد استفاده جدیدی مانند هویت، امور مالی، و بازی را فعال کند و به هزاران تراکنش در ثانیه مقیاس‌بندی کند. Aleo که بر روی یک بلاک چین غیرمتمرکز و بدون مجوز ساخته شده است، انعطاف‌پذیری اتریوم را با معماری مقیاس‌پذیرتری که از ابتدا برای حفظ حریم خصوصی طراحی شده است، به ارمغان می‌آورد.

منبع: CoinMarketCap