5 ứng dụng của Zero-knowledge Proof vào Machine Learning

Các mô hình Machine Learning (Học Máy) dựa vào lượng dữ liệu khổng lồ để tạo ra kết quả đầu ra chính xác mà dường như chúng có khả năng hiểu được chúng ta gần như kỳ diệu. Tuy nhiên, khi lượng dữ liệu được đưa vào các dự án Machine Learning tăng lên, các lỗ hổng về quyền riêng tư sẽ ngày càng lộ rõ ​​- và có thể sẽ đến lúc người dùng không còn sẵn sàng đánh đổi quyền riêng tư của mình để lấy kết quả đầu ra nữa. Trước khi ngành này phát triển hơn nữa, các mô hình cần phải tích hợp sẵn một lớp trách nhiệm giải trình. Người dùng cần tin tưởng rằng dữ liệu của họ sẽ không bị lạm dụng, mô hình đó không bị thay đổi hoặc bị tấn công và các mô hình đó đáp ứng các tiêu chuẩn nghiêm ngặt về quyền riêng tư dữ liệu. Hiện tại, tiêu chuẩn chưa được đáp ứng — nhưng chúng ta có cơ hội để thay đổi điều đó.

Zero-knowledge Proof (Bằng chứng Không cần Kiến thức) là một cách để các nhà phát triển tạo và chạy các mô hình Machine Learning chứng minh tính toán được thực hiện chính xác, đồng thời có quyền tự do lựa chọn thuộc tính nào sẽ được công khai. Kết quả là điều tốt nhất cho cả hai thế giới: kết quả đầu ra được cá nhân hóa dựa trên các mô hình an toàn, đáng tin cậy.

Sự tích hợp này còn có thể gọi là Zero-knowledge Machine Learning.

Click Digital thấy rằng ngày càng có nhiều trường hợp sử dụng trong thế giới thực đối với các Zero-knowledge Proof có thể cung cấp các biện pháp bảo vệ khi công nghệ này phát huy hết tiềm năng của nó.

Machine Learning sẽ chạm tới mọi ngóc ngách trong cuộc sống của chúng ta trong tương lai, dù chúng ta có muốn hay không. Chúng ta hiện đang ở vị trí độc nhất có thể thêm một lớp bảo mật trong một số trường hợp sử dụng chính, cả trên chuỗi (giao dịch công khai được thực hiện trên chuỗi khối) và ngoài chuỗi (giao dịch được xác nhận bên ngoài mạng chuỗi khối chính).

Hãy cùng xem xét 5 ứng dụng của Zero-knowledge Proof vào ngành Machine Learning, trong đó có 3 ứng dụng trên chuỗi và 2 ứng dụng ngoài chuỗi.

Các trường hợp sử dụng trên chuỗi (on-chain)

Tạo điểm tín dụng bảo vệ quyền riêng tư

Khi các nhà giao dịch tiền điện tử vay tiền, người cho vay cần chắc chắn rằng người đi vay đáng tin cậy. Người vay có thể hoạt động trên phạm vi quốc tế và thậm chí dưới dạng bút danh. Một mô hình Machine Learning có thể được sử dụng để đánh giá mức độ tín nhiệm của người đi vay theo cách đảm bảo quyền riêng tư, để người đi vay có thể được kết hợp với người cho vay đáp ứng tốt nhất nhu cầu của họ.

Xây dựng quy trình nhận biết khách hàng (KYC) riêng tư

Là một phần của quy trình KYC, người dùng mới thường được yêu cầu tải ảnh giấy phép lái xe của họ lên và sau đó thực hiện một số hình thức kiểm tra tính xác thực, bao gồm việc nhìn vào webcam và quay đầu lại. Để bảo vệ quyền riêng tư cá nhân của người dùng, một mô hình Machine Learning có thể được xây dựng bằng cách tận dụng không có kiến ​​thức để thực hiện bài kiểm tra tính sống động, đối chiếu nó với ảnh giấy phép lái xe của người dùng và trả về điểm cho mức độ trùng khớp của chúng cùng với bằng chứng cho thấy mô hình đã được chạy một cách chính xác.

Tạo tỷ giá hối đoái stablecoin chính xác

Oracles phục vụ một mục đích thiết yếu bằng cách đưa dữ liệu ngoài chuỗi vào chuỗi, điều này rất quan trọng vì hợp đồng thông minh không thể lấy thông tin bên ngoài mạng blockchain. Chúng thường được sử dụng trong stablecoin, trong đó các giả định về bảo mật dựa vào báo cáo thường xuyên và kịp thời về tỷ giá hối đoái giữa một tài sản (ví dụ: ETH) và một stablecoin được cho là vẫn được gắn với một loại tiền tệ trong thế giới thực. Machine Learning có thể giúp làm cho báo cáo này chính xác và mạnh mẽ hơn, trong khi Zero-knowledge Proof đảm bảo rằng nhà tiên tri đã thực hiện tính toán chính xác.

Các trường hợp sử dụng ngoài chuỗi (off-chain)

Bảo vệ việc sử dụng Machine Learning trong các ngành có tính đảm bảo cao

Khi cuộc sống phụ thuộc vào nó, điều quan trọng là phải biết rằng các mô hình Machine Learning tạo ra kết quả đáng tin cậy chưa bị các tác nhân xấu thay đổi hoặc tấn công. Ví dụ: bất kỳ mô hình Machine Learning nào được sử dụng trong quân đội, ô tô được điều khiển bằng AI hoặc hình ảnh và chẩn đoán y tế đều phải có phần mềm xác thực bổ sung có thể xác thực Zero-knowledge Proof rằng đầu vào cảm biến đã được phân tích chính xác.

Bảo vệ các mô hình Machine Learning độc quyền

Nhiều công ty đã xây dựng các mô hình Machine Learning riêng tư mà họ không muốn chia sẻ công khai. Vì những mô hình này có thể đã được đào tạo về dữ liệu độc quyền hoặc được sử dụng trong các ngành được quản lý chặt chẽ nên việc chứng minh rằng kết quả đến từ mô hình cụ thể đó có thể trở nên quan trọng.

Kết: Khi Machine Learning và AI đi vào cuộc sống hàng ngày của chúng ta, điều quan trọng hơn bao giờ hết là chúng ta phải tin tưởng vào các mô hình và dữ liệu được sử dụng để tạo ra kết quả đầu ra có tính bảo mật và an toàn, đó là khi Zero-knowledge Proof phát huy được tác dụng.

Click Digital

• Đầu tư vào các công ty quảng cáo blockchain hàng đầu bằng cách MUA token Saigon (SGN) trên Pancakeswap: https://t.co/KJbk71cFe8 (đừng lo lắng về tính thanh khoản, hãy trở thành nhà đầu tư sớm)
• Được hỗ trợ bởi Công ty Click Digital
• Nâng cao kiến thức về blockchain và crypto
• Lợi nhuận sẽ dùng để mua lại SGN hoặc đốt bớt nguồn cung SGN để đẩy giá SGN tăng.
• Địa chỉ token trên mạng BSC: 0xa29c5da6673fd66e96065f44da94e351a3e2af65
• Twitter: https://twitter.com/SaigonSGN135
• Staking SGN: http://135web.net
• Nếu bạn cần Dịch vụ quảng cáo crypto, liên hệ ngay tại đây.

• If you’d like to invest in top blockchain advertising companies, just BUY Saigon token (SGN) on Pancakeswap: https://t.co/KJbk71cFe8 (do not worry about low liquidity, be the early investor)
• Backed by Click Digital Company
• Enhancing blockchain and crypto knowledge
• The profits will be used to repurchase SGN or burn a portion of the SGN supply to drive up the SGN price.
• BSC address: 0xa29c5da6673fd66e96065f44da94e351a3e2af65
• Twitter: https://twitter.com/SaigonSGN135
• Staking SGN: http://135web.net