هوش مصنوعی اثبات‌پذیر با Zkpytorch؛ انقلابی در امنیت مدل‌های یادگیری ماشین

به گزارش مالی3،  Polyhedra Zkpytorch یک ابزار جدید است که توسط توسعه دهندگان راه اندازی شده است. این ابزار برای یادگیری ماشین آگاهی صفر (Zero Knowledge Machine Learning) با استفاده از چارچوب Pytorch مورد استفاده قرار می‌گیرد. یکی از ویژگی‌های برجسته این ابزار این است که کامپایلر کد Pytorch را به مدارهای اثبات صفر (Zero Knowledge Proof) ترجمه می‌کند. این امر باعث می‌شود که استنباط هوش مصنوعی (AI) ایمن و قابل اثبات باشد، بدون لزوم افشای داده‌های حساس مدل یا عملیات داخلی آن.

با استفاده از Polyhedra Zkpytorch، امکان انجام فعالیت‌های هوش مصنوعی در یک محیط بدون نیاز به افشای اطلاعات حساس فراهم می‌شود. این ابزار نه تنها امنیت بالایی را برای مدل‌های AI فراهم می‌کند، بلکه قابلیت اثبات درستی این مدل‌ها را نیز فراهم می‌سازد.

ZKPytorch یک ابزار جدید در زمینه یادگیری ماشین است که به تازگی معرفی شده است. این ابزار به توسعه‌دهندگان هوش مصنوعی امکان ساخت مدل‌های یادگیری ماشین قابل اثبات را در اختیار می‌گذارد. یکی از ویژگی‌های منحصر به فرد ZKPytorch این است که این ابزار پل ارتباطی بین Pytorch و ZK (Zero-Knowledge) است. با استفاده از کد استاندارد Pytorch، توسعه‌دهندگان هوش مصنوعی حالا قادرند مدل‌های یادگیری ماشینی را بدون نیاز به تخصص خاص در زمینه رمزنگاری، ساخته و قابل اثبات کنند. این ابزار به توسعه‌دهندگان اجازه می‌دهد مدل‌های ML قابل پیاده‌سازی و قابل اثبات را با اطمینان بسازند و به این ترتیب تضمین کنند که عملکرد آن‌ها قابل اطمینان و قابل اثبات باشد.

ZKPytorch به توسعه دهندگان اجازه می‌دهد که با حفظ حقوق مالکیت معنوی خود، خروجی هوش مصنوعی خود را محافظت کنند. این ابزار از تکنیک‌های رمزنگاری استفاده می‌کند تا نشان دهد که یک مدل به‌درستی و بدون فاش کردن جزئیات پارامترها یا داده‌های آموزشی اجرا می‌شود. با توجه به عدم نیاز این کتابخانه به دانش پیشین در زمینه رمزنگاری، استفاده از آن در حوزه‌های حساس مثل بهداشت و دارایی راحت‌تر می‌شود.

چگونه ZKPytorch تولید AI Proof را بهینه می کند

یک چارچوب حاکی از وجود سه ماژول اصلی برای انجام محاسبات پیچیده در حوزه یادگیری ماشین است. ابتدا با پیش‌پردازش مدل ONNX ، نمای نمودار ML را استاندارد می‌کند تا از آغاز به کار به تحلیل‌های پیشرفته بپردازد.

ماژول دوم به شما یاد می‌دهد که به سبک و روش ZK واقعی، وارد انجام عملیات‌های محدود به جای استفاده از اعداد اعشاری شوید. ماژول آخرین بهینه‌سازی مدار است که توانایی پردازش دسته‌ای و انجام عملیات غیرخطی را در جداول جستجو به طور موثر آموزش می‌دهد.

در ساختار مدل، از نمودارهای حکیمیک به عنوان پایه استفاده می‌شود. در این ساختار، هر عملیات مانند ضرب ماتریس یا RELU به عنوان یک گره نمایان شده و از آن برای ایجاد ترجمه دقیق و کارآمد به مدارهای ZKP استفاده می‌شود. این ساختار حتی با استفاده از مدل‌های پیچیده مانند ترانسفورماتورها و رزیدها کار می‌کند که در مدل‌های زبان بزرگ (LLMS) پرکاربرد هستند.

علاوه بر این ، اجرای مدار موازی و بهینه سازی های مبتنی بر FFT برای لایه های حلقوی تولید اثبات را تسریع می کند. سخت افزار چند هسته ای به توسعه دهندگان اجازه می دهد تا توان را افزایش داده و تأخیر را کاهش دهند. معیارها نشان می دهد فرآیندهای zkpytorch 8 میلیارد پارامتر LLAMA-3 با سرعت تقریبی 150 ثانیه در هر نشانه ، حفظ 99.32 ٪ شباهت کازین با خروجی های اصلی.

استفاده‌های موارد جدید و نوآوری‌ها در دنیای واقعی در جهت های مختلفی قابل مشاهده است. این موارد شامل امور زیر می‌شود:

1. حوزه پزشکی: استفاده از هوش مصنوعی و فناوری‌های جدید به تشخیص و درمان بیماری‌ها، عملیات جراحی دقیق‌تر، تحقیقات دارویی و بهبود بهداشت عمومی کمک می‌کند.

2. حوزه اجتماعی: استفاده از فناوری برای حل مشکلات مرتبط با توسعه پایدار، کاهش فقر، افزایش دسترسی به آموزش و سلامت در جوامع مختلف.

3. حوزه تجارت و بازاریابی: استفاده از تجزیه و تحلیل داده ها و هوش مصنوعی جهت بهبود روش‌های تبلیغات، رفع نیازهای مشتریان و ایجاد تجربه بهتر خرید برای موجودیتها و شرکت‌ها.

4. حوزه حمل و نقل: ارائه سامانه های هوشمند مبتنی بر اینترنت اشیا جهت بهبود ترافیک شهری، افزایش ایمنی رانندگی و حمایت از حمل و نقل عمومی پایدار.

5. حوزه زندگی روزمره: ارائه دستگاه ها و راهکارهای هوشمند برای کنترل منزل، مدیریت انرژی و مصرف آب، و افزایش راحتی و امنیت در زندگی روزمره افراد.

موارد نوآوری و استفاده‌های آینده همچنین شامل تکنولوژی هایی مانند واقعیت افزوده، رباتیک هوشمند، فضای ابری و اینترنت اشیا می‌شود که در حوزه‌های مختلف زندگی انسان تأثیرگذار خواهند بود.

استفاده از Polyhedra در زمینه یادگیری ماشین، به عنوان یک سرویس (MLAAS)، می‌تواند به ثبت کاربردهای مهمی منجر شود. از طریق این سیستم‌ها، مدل‌های مبتنی بر ابر می‌توانند از استنتاج صحیح رمزنگاری ارائه دهند. توسعه‌دهندگان هوش مصنوعی می‌توانند مدل‌های خود را محرمانه نگهدارند و برای کاربران اطمینان ایجاد کنند که خروجی‌های این مدل‌ها معتبر و قابل اعتماد هستند. همچنین، ابزار Zkpytorch ارزیابی امن مدل‌ها را امکان‌پذیر می‌کند و به ذینفعان یک روش معتبر برای ارزیابی عملکرد مدل بدون نیاز به انتشار داده‌های حساس برایشان فراهم می‌کند.

این ابزار با ادغام Expchain Polyhedra، ML قابل اثبات را به محیط‌های blockchain می‌آورد. این این امکان را برای برنامه‌های غیرمتمرکز با هوش مصنوعی با اعتبارسنجی در زنجیره فراهم می‌کند. در یک مصاحبه اخیر، بنیان‌گذار Polyhedra اظهار کرد: “ما در حال هدف‌گذاری برای ورود به بازار چند میلیارد دلاری صفر هستیم. هدف ما این است که تبدیل به لایه پایه فناوری blockchain شویم و استفاده از اثبات‌های ZK/SETRES SECTORS STECTORS SORICITORS PRICIDORS Other Proncynity را گسترش دهیم.”