Conocimiento Cero en el 2023
Las Pruebas de Conocimiento Cero (Zero-knowledge proofs, ZKPs) permiten la prueba criptográfica de la posesión de datos específicos… o información sin revelar los datos subyacentes en sí. Si eres nuevo con los ZKP, recientemente publiqué un artículo sobre qué son los ZKPs y por qué son importantes. También, si estás buscando una guía intuitiva sobre los zk-SNARKs, puedes encontrarla en otro de mis artículos, aquí.
Los avances en los zk-SNARKs han excedido las expectativas el año pasado. Las aplicaciones como ZK-EVMs están emergiendo a pesar que el consenso general pensaba que estas innovaciones estaban para el futuro. Las capacidades incrementadas de los zk-SNARKs han permitido la exploración de nuevos casos de uso para las blockchains, en particular, estamos mirando de cerca la investigación en usar los zk-SNARKs para solventar muchos de los problemas actuales que surgen por el incremento del uso del machine learning y de la inteligencia artificial.
Mientras que la machine learning se vuelve más prevalente, está siendo usada en una gama amplia de aplicaciones. Sin embargo, la confianza de sus predicciones y la dependencia de fuentes de datos opacos se están volviendo una gran preocupación. La habilidad para reproducir modelos que afirman que tienen alta precisión es difícil, y no hay garantías de la consistencia y de las predicciones correctas en el mundo de productos reales.
Este artículo tiene como objetivo informar por qué ha habido un aumento en el interés de los zk-SNARK habilitados en los sistemas de la machine learning (ZK-ML) y debate sobre algunos potenciales usos de aplicaciones para esta tecnología.
¿Por qué necesitamos ZK-ML?
Cuando se usa machine learning con supervisión, los inputs son dados a un modelo que ya ha sido entrenado con parámetros específicos. El modelo, entonces, produce un output que puede ser usado en otros sistemas. Gracias al peso ligero de los frameworks del machine learning y de formatos como ONNX, ahora es posible ejecutar estas inferencias en aparatos modernos como teléfonos o aparatos IoT, en vez de enviar los datos del input a servidores centralizados. Esto mejora ambos la escalabilidad y la privacidad de los usuarios.
Sin embargo, es importante tomar en cuenta que es común querer mantener ambos el input y los parámetros de los modelos del machine learning privados y escondidos de la vista pública. Esto porque los datos del input pueden contener información sensible como datos financieros o biométricos, mientras que los parámetros del modelo puede que también contengan información sensible como parámetros de autorización biométricos.
Por su otra parte, es importante para los sistemas downstreams que el uso del output del modelo de la ML, como los contratos inteligentes en la cadena, sean capaces de verificar que el input fue correctamente procesado para producir el output que se afirma.
La combinación del machine learning y de los protocolos zkSNARK ofrecen una nueva solución que responde a estos requisitos que, aparentemente, son conflictivos.
Casos de Uso ZK-ML
Hay muchos papeles discutiendo las diferentes formas en las que podemos usar los zk-SNARK para mejorar nuestro futuro con el machine learning. La comunidad ZK-ML ha proveído un árbol de decisiones muy útil para que nosotros pensemos sobre los varios casos de uso de esta tecnología.
El árbol de decisiones está basado en la intersección de dos criterios: la necesidad de privacidad e integridad computacional y el uso del problema de la optimización heurística, solventado por la machine learning. En otras palabras: el árbol de decisiones es usado para determinar si un caso de eso que envuelve ZKML es apropiado para situaciones donde la privacidad y la integridad computacional son importantes y donde el problema de la optimización heurística están siendo resueltos usando técnicas de machine learning, puedes encontrar eso aquí
Aquí hay algunas formas en la que zk puede ser usado para innovar los modelos del ML:
Preservación de la privacidad del machine learning: los zk-SNARKs pueden ser usados para entrenar un modelo de machine learning con datos privados sin revelar esos datos al creador o usuario del modelo. Esto permite el desarrollo de modelos que pueden ser usados en industrias sensibles o reguladas como el de la salud o finanzas, sin comprometer la privacidad de los individuos cuyos datos están siendo usados.
Machine learning verificable: los zk-SNARKs pueden ser usados para probar que un modelo de machine learning fue entrenado con un dataset en particular, o que un modelo en particular fue usado para hacer una predicción, sin revelar los detalles de los datos o modelos del entrenamiento. Esto permite una mayor confianza en los resultados de los modelos del machine learning, los cuales pueden ser importantes en aplicaciones como el puntaje de crédito o diagnósticos médicos.
Machine learning segura: los zk-SNARKs pueden ser usados para proteger la integridad de los modelos de machine learning asegurándose que el modelo no haya sido alterado o reemplazado con un modelo distinto. Esto puede ser útil en aplicaciones donde el modelo es desplegado en entornos de poca confianza, como los servicios edge o nubes públicas.
ZKounduit (EZKL) y Posibles Aplicaciones
Proyectos como ZKounduit, ven a ZK-ML como la clave para darle ojos al blockchain, permitiendo que los contratos inteligentes ejerzan su juicio, oráculos de una persona y, generalmente, obtener datos en la cadena de forma escalable. El uso de los oráculos ZK-ML ofrecen una forma simple, rápida y más eficiente de transferir datos fuera de la cadena al blockchain, incrementando enormemente el potencial para que los datos sean traídos a la cadena. El ZK-ML puede habilitar a “jueces inteligentes” para que interpreten eventos ambiguos. Esto puede abrir las puertas a una cantidad impensable de nuevos casos de uso de la Web3, pero aquí hay algunos que han sido discutidos recientemente:
ZK KYC: La habilidad para probar que la identidad de una persona coincida con su ID correspondiente y que el número del ID no esté en una lista sancionada. Mientras que esta tecnología esté disponible, puede que no sea aceptada por los reguladores quienes requieren que los bancos “sepan” sus clientes, no sólo verificar que no estén en listas sancionadas. Esta es una nueva era para los reguladores y se deben tomar medidas para prevenir que los proyectos descentralizados sean usados por actores indeseados.
Revisiones Fraudulentas: los contratos inteligentes o las cuentas abstractas añaden al ZK-ML una revisión de spam fraudulenta por comportamiento inusual. Esto quiere decir que un sistema puede ser implementado para detectar y prevenir comportamiento fraudulento o de mucho spam, analizando los patrones de actividad y comparándolos con patrones conocidos o fraudulentos o de spam, usando técnicas de machine learning de conocimiento cero. Esto puede ayudar a asegurar la seguridad e integridad del sistema, detectando y previniendo actividad maliciosa.
Haciendo que las DAOs sean autónomas: la tecnología Zk-SNARKs permite la ejecución de computaciones complejas en una forma que preserva la privacidad de los datos del input, haciendo que sea adecuado su uso en situaciones donde la información sensible necesita ser protegida. Los algoritmos de machine learning pueden ser integrados a esta tecnología para permitir decisiones más avanzadas, evaluaciones y sistemas de comunicación que sean más eficientes y certeras. Estas capacidades podrían ser crucial para las dinámicas internas del futuro de las DAO.
Conclusión
La integración de pruebas de conocimiento cero en los sistemas de la IA pueden proveer un nuevo nivel de seguridad y privacidad para ambos: los usuarios y las compañías que decidan usar estos sistemas. Permitiendo que la IA provea la validez de sus decisiones sin revelar los datos o algoritmos subyacentes , las pruebas de conocimiento zero pueden ayudar a mitigar los riesgos de brechas de seguridad y de ataques malignos. Adicionalmente, también pueden ayudar a construir confianza en los sistemas de IA, proveyendo una forma transparente y verificable de demostrar su imparcialidad y exactitud.
Mientras que el campo de la IA evoluciona y se expande, la incorporación de las pruebas de conocimiento cero se vuelven cada vez más importantes en asegurar la seguridad y responsabilidad del despliegue de estas tecnologías poderosas.
Por favor, ¡asegúrate de seguirme en Twitter para estar al tanto con las últimas noticias de ZK-ML y mucho más!
Este artículo es una traducción de Dilan Amadán, hecha por Héctor Botero. Puedes encontrar el artículo original aquí.
Sería genial escucharte en nuestro Discord, puedes contarnos tus ideas, comentarios, sugerencias y dejarnos saber lo que necesitas.
Si prefieres puedes escribirnos a @web3dev_es en Twitter.
Discussion (0)