핵심 포인트:
- 머신러닝은 인기가 높아졌으며 현재 다양한 실제 응용 프로그램에 광범위하게 사용되고 있습니다. 이후 영지식 증명은 영지식 기계 학습(ZKML) 개발의 기반이 되었습니다.
- 유효성 증명 외에도 ML의 개인 정보 보호 사용을 허용하기 위해 계산의 일부를 숨길 수 있습니다.
2022년부터 ZK(Zero-knowledge)는 인기를 유지했으며 ZK 시리즈 프로젝트와 마찬가지로 그 기술은 상당한 발전을 이루었습니다. 동시에 ZKML(Zero-Knowledge Machine Learning)의 대중화와 생산 및 일상 생활에서의 광범위한 사용으로 인해 많은 회사에서 기계 학습 모델을 설계, 교육 및 배포하기 시작했습니다.
ZKML은 최근 암호학 분야에서 큰 파장을 일으킨 연구 개발 주제입니다. 하지만 정확히 무엇이며 왜 도움이 됩니까? 이 기사에서 Coincu와 함께 이 주제에 대해 알아봅시다.
영지식이란 무엇인가?
영지식(ZK) 증명은 한 당사자인 증명자가 다른 당사자인 검증자에게 특정 진술이 사실이라는 사실 이외의 추가 정보를 노출하지 않고 특정 진술이 사실임을 입증할 수 있는 암호화 프로세스입니다. 연구에서 프로토콜 구현 및 응용에 이르기까지 다양한 측면에서 상당한 발전을 이룬 연구 분야입니다.
한 당사자(증명자)가 다른 당사자(검증자)에게 x 값을 알고 있다는 정보를 제공하지 않고 x 값을 알고 있음을 증명할 수 있는 프로세스는 그 핵심에 있습니다.
영지식 증명 기술의 주요 목표는 입력 정보의 유효성을 확인하면서 입력 정보의 비밀성을 유지하는 것입니다.
영지식 증명을 생성하는 것은 초기 계산보다 몇 배 더 많은 계산 비용이 드는 프로세스입니다. 이는 사용 가능한 최대 하드웨어에서 구성하는 데 필요한 시간으로 인해 영지식 증명이 불가능한 특정 계산이 있음을 의미합니다. 그러나 최근 암호화, 기술 및 분산 시스템의 개선으로 인해 훨씬 더 비싼 계산을 위해 영지식 증명을 달성할 수 있게 되었습니다. 이러한 발전으로 대량 계산 증명을 활용할 수 있는 프로토콜의 개발이 가능해졌으며, 따라서 새로운 애플리케이션을 위한 설계 공간이 넓어졌습니다.
ZK의 장점
공개 블록체인 네트워크와 같은 투명한 시스템에서 개인 정보 보호 데이터 세트를 사용할 수 있는 능력은 영지식 증명(예: 이더리움)의 주요 이점입니다. 블록체인은 자신의 블록체인 노드를 실행하는 모든 사람이 원장에 저장된 모든 데이터를 보고 다운로드할 수 있도록 매우 투명하게 설계되었지만 ZKP 기술을 추가하면 사용자와 회사는 스마트 계약 실행에 개인 데이터 세트를 활용할 수 있습니다. 기본 데이터를 노출합니다.
블록체인 네트워크에서 프라이버시를 유지하는 것은 스마트 계약을 전달하고 생성하기를 원하지만 경쟁력을 유지하기 위해 영업 비밀을 유지해야 하는 공급망 기업, 기업 및 은행과 같은 기존 조직에 매우 중요합니다. 또한 이러한 조직은 법률에 따라 고객의 개인 식별 정보(PII)를 보호하고 유럽 연합의 일반 데이터 보호 규정(GDPR) 및 미국 건강 보험 양도 및 책임에 관한 법률(HIPAA)과 같은 규정을 준수해야 하는 경우가 많습니다.
승인된 블록체인 네트워크가 대중의 관찰로부터 기업의 트랜잭션 개인 정보를 보호하도록 발전했지만 ZKP를 통해 조직은 네트워크와 안전하게 통신할 수 있습니다. 민감한 개인 데이터 세트의 관리를 포기하지 않고 퍼블릭 블록체인은 일반적으로 전 세계 사용자의 광범위한 네트워크 영향으로부터 이점을 얻습니다. 결과적으로 ZKP 기술은 이전에는 사용할 수 없었던 퍼블릭 블록체인 네트워크에 대한 다양한 기관 사용 사례를 효과적으로 지원하고 혁신을 촉진하며 글로벌 경제 성장을 촉진합니다.
기계 학습
기계 학습은 컴퓨터가 독립적으로 데이터를 학습하고 적응하도록 하는 알고리즘의 생성 및 배포를 포함하는 인공 지능 분야로, 프로그래밍이 필요 없는 반복 프로세스를 통해 성능을 향상시킵니다. 알고리즘과 모델을 사용하여 데이터를 식별한 다음 모델 매개변수를 활용하여 예측/결정을 생성합니다.
GPT-4 및 Bard와 같은 대규모 언어 모델은 방대한 양의 학습 데이터를 사용하여 인간과 유사한 텍스트를 생성하는 최첨단 자연어 처리 시스템인 반면 DALL-E 2, Midjourney와 같은 텍스트-이미지 모델은 및 Stable Diffusion은 텍스트 설명을 놀라운 충실도로 시각적 표현으로 변환합니다.
기계 학습은 이제 다양한 분야에서 효과적으로 사용되고 있습니다. 이러한 모델이 발전함에 따라 머신 러닝은 점점 더 많은 작업을 수행해야 합니다. 고정밀 모델을 달성하려면 ZK 기술이 필요합니다. 비공개 데이터의 공개 모델 검증을 사용하거나 공개 데이터를 사용하여 비공개 모델을 검증합니다.
지금까지 논의한 ZKML은 ML 모델 교육이 아닌 ML 모델 추론 단계의 영지식 증명을 제공하는 데 사용되었습니다.
ZKML의 중요성
인공 지능 기술이 발전함에 따라 인공 지능, 인간 지능 및 인간 세대를 구분하는 것이 점점 더 어려워지고 있습니다. 이것은 영지식 증명이 해결할 수 있는 문제입니다. 모델이나 입력에 대한 추가 정보를 제공하지 않고 특정 모델을 적용하여 특정 콘텐츠가 생성되었는지 여부를 감지할 수 있습니다.
AI가 생성한 자료가 점점 더 인간이 만든 정보를 모방하는 미래에 영지식 암호화의 사용 가능성은 주어진 입력에 특정 모델을 적용하여 특정 콘텐츠가 생성되었는지 확인하는 데 도움이 될 수 있습니다. 영지식 회로 표현이 구축되면 GPT4와 같은 거대한 언어 모델, DALL-E 2와 같은 텍스트-이미지 모델 또는 기타 모델의 출력을 확인하는 기술을 제공할 수 있습니다. 이러한 증명의 영지식 품질로 인해 필요한 경우 입력 또는 모델의 섹션을 숨길 수 있습니다. 이것의 좋은 예는 민감한 데이터에 기계 학습 모델을 사용하고 사용자가 입력을 제XNUMX자에게 공개하지 않고도 데이터에 대한 모델 추론의 결과를 알 수 있도록 하는 것입니다.
오래된 기계 학습 플랫폼은 종종 개발자에게 성능 검증을 위해 모델 아키텍처를 호스트에 제출하도록 요청합니다. 이로 인해 다음과 같은 여러 가지 문제가 발생할 수 있습니다.
- 지적 재산 손실: 전체 모델 아키텍처를 공개하면 개발자가 숨기고 싶어하는 중요한 영업 비밀이나 발명품이 드러날 수 있습니다.
- 투명성 부족: 평가 방법이 불투명할 수 있으며 참가자는 자신의 모델이 다른 모델과 어떻게 비교되는지 확인할 수 없습니다.
- 데이터 프라이버시에 대한 우려: 민감한 데이터에 대해 학습된 모델을 공유하면 기본 데이터에 대한 정보가 의도치 않게 누설되어 프라이버시 표준 및 법률을 위반할 수 있습니다.
- 이러한 어려움으로 인해 기계 학습 모델과 훈련 데이터의 프라이버시를 보호하는 방법의 개발이 필요했습니다.
ZK는 표준 ML 시스템이 직면한 문제를 해결할 수 있는 잠재적인 방법을 제시합니다. ZKML은 ZK의 힘을 사용하여 다음과 같은 이점이 있는 개인 정보 보호 솔루션을 제공합니다.
- 모델 프라이버시: 개발자는 지적 재산을 보존하면서 전체 모델 아키텍처를 공개하지 않고 유효성 검사에 참여할 수 있습니다.
- 투명한 검증: ZK는 모델의 내부를 공개하지 않고 모델 성능을 평가할 수 있으므로 투명하고 신뢰할 수 없는 평가 절차가 가능합니다.
- 데이터 프라이버시: 민감한 정보가 공개되지 않도록 하기 위해 ZK는 공개 모델을 사용하는 개인 데이터 또는 공개 데이터를 사용하는 개인 모델을 검증하는 데 사용될 수 있습니다.
- ZK를 ML 프로세스에 통합하면 기존 ML의 단점을 해결하는 안전하고 개인 정보를 보호하는 플랫폼이 생성됩니다. 이것은 프라이버시 회사에서 기계 학습의 사용을 장려할 뿐만 아니라 숙련된 Web2 개발자가 Web3 생태계 내부의 잠재력을 조사하도록 유도합니다.
ONNX를 통해 내보낸 ML 모델의 ZK 증명을 구성할 수 있는 Zkonduit의 ezkl 라이브러리는 ZKML 시스템의 최신 기술을 개선하기 위한 또 다른 노력입니다. 이를 통해 모든 ML 엔지니어는 모델의 추론 단계에 대한 ZK 증명을 생성하고 모든 검증자에게 결과를 증명할 수 있습니다.
결론
ZKML 커뮤니티는 2022년 하반기에 ZKML 영역(Worldcoin 포함)에서 일하는 여러 팀과 사람들에 의해 설립되었습니다.
많은 조직이 ZK 증명 계산을 가속화하기 위해 최적화된 하드웨어를 개발하여 ZK 기술을 개선하기 위해 노력하고 있으며, 특히 증명자 및 검증자 알고리즘과 같은 리소스 집약적인 작업을 위해 노력하고 있습니다. 특수 하드웨어의 발전, 증명 시스템 설계(증명 크기, 검증 시간, 증명 생성 시간 등) 및 성능이 향상된 ZK 프로토콜 구현으로 인해 ZK 기술이 발전함에 따라 더 짧은 시간에 더 적은 시간에 더 적은 성능의 컴퓨터에서 더 큰 모델을 증명할 수 있습니다. .
ZKML은 아직 개발 초기 단계에 있지만 상당한 이점을 제공하기 시작했으며 체인에서 더 독창적인 ZKML 애플리케이션을 볼 수 있을 것으로 기대할 수 있습니다. ZKML이 발전함에 따라 개인 정보 보호 기계 학습이 표준이 되는 미래를 상상할 수 있습니다.
면책 조항 : 이 웹사이트의 정보는 일반적인 시장 논평으로 제공되며 투자 조언을 구성하지 않습니다. 투자하기 전에 직접 조사해 보시기 바랍니다.
뉴스를 추적하려면 우리와 함께하십시오: https://linktr.ee/coincu
해롤드
코인쿠 뉴스
저자
지식 습득
ZKML: 보안 애플리케이션에서 성장 잠재력이 있는 획기적인 기술
핵심 포인트:
- 머신러닝은 인기가 높아졌으며 현재 다양한 실제 응용 프로그램에 광범위하게 사용되고 있습니다. 이후 영지식 증명은 영지식 기계 학습(ZKML) 개발의 기반이 되었습니다.
- 유효성 증명 외에도 ML의 개인 정보 보호 사용을 허용하기 위해 계산의 일부를 숨길 수 있습니다.
2022년부터 ZK(Zero-knowledge)는 인기를 유지했으며 ZK 시리즈 프로젝트와 마찬가지로 그 기술은 상당한 발전을 이루었습니다. 동시에 ZKML(Zero-Knowledge Machine Learning)의 대중화와 생산 및 일상 생활에서의 광범위한 사용으로 인해 많은 회사에서 기계 학습 모델을 설계, 교육 및 배포하기 시작했습니다.
ZKML은 최근 암호학 분야에서 큰 파장을 일으킨 연구 개발 주제입니다. 하지만 정확히 무엇이며 왜 도움이 됩니까? 이 기사에서 Coincu와 함께 이 주제에 대해 알아봅시다.
영지식이란 무엇인가?
영지식(ZK) 증명은 한 당사자인 증명자가 다른 당사자인 검증자에게 특정 진술이 사실이라는 사실 이외의 추가 정보를 노출하지 않고 특정 진술이 사실임을 입증할 수 있는 암호화 프로세스입니다. 연구에서 프로토콜 구현 및 응용에 이르기까지 다양한 측면에서 상당한 발전을 이룬 연구 분야입니다.
한 당사자(증명자)가 다른 당사자(검증자)에게 x 값을 알고 있다는 정보를 제공하지 않고 x 값을 알고 있음을 증명할 수 있는 프로세스는 그 핵심에 있습니다.
영지식 증명 기술의 주요 목표는 입력 정보의 유효성을 확인하면서 입력 정보의 비밀성을 유지하는 것입니다.
영지식 증명을 생성하는 것은 초기 계산보다 몇 배 더 많은 계산 비용이 드는 프로세스입니다. 이는 사용 가능한 최대 하드웨어에서 구성하는 데 필요한 시간으로 인해 영지식 증명이 불가능한 특정 계산이 있음을 의미합니다. 그러나 최근 암호화, 기술 및 분산 시스템의 개선으로 인해 훨씬 더 비싼 계산을 위해 영지식 증명을 달성할 수 있게 되었습니다. 이러한 발전으로 대량 계산 증명을 활용할 수 있는 프로토콜의 개발이 가능해졌으며, 따라서 새로운 애플리케이션을 위한 설계 공간이 넓어졌습니다.
ZK의 장점
공개 블록체인 네트워크와 같은 투명한 시스템에서 개인 정보 보호 데이터 세트를 사용할 수 있는 능력은 영지식 증명(예: 이더리움)의 주요 이점입니다. 블록체인은 자신의 블록체인 노드를 실행하는 모든 사람이 원장에 저장된 모든 데이터를 보고 다운로드할 수 있도록 매우 투명하게 설계되었지만 ZKP 기술을 추가하면 사용자와 회사는 스마트 계약 실행에 개인 데이터 세트를 활용할 수 있습니다. 기본 데이터를 노출합니다.
블록체인 네트워크에서 프라이버시를 유지하는 것은 스마트 계약을 전달하고 생성하기를 원하지만 경쟁력을 유지하기 위해 영업 비밀을 유지해야 하는 공급망 기업, 기업 및 은행과 같은 기존 조직에 매우 중요합니다. 또한 이러한 조직은 법률에 따라 고객의 개인 식별 정보(PII)를 보호하고 유럽 연합의 일반 데이터 보호 규정(GDPR) 및 미국 건강 보험 양도 및 책임에 관한 법률(HIPAA)과 같은 규정을 준수해야 하는 경우가 많습니다.
승인된 블록체인 네트워크가 대중의 관찰로부터 기업의 트랜잭션 개인 정보를 보호하도록 발전했지만 ZKP를 통해 조직은 네트워크와 안전하게 통신할 수 있습니다. 민감한 개인 데이터 세트의 관리를 포기하지 않고 퍼블릭 블록체인은 일반적으로 전 세계 사용자의 광범위한 네트워크 영향으로부터 이점을 얻습니다. 결과적으로 ZKP 기술은 이전에는 사용할 수 없었던 퍼블릭 블록체인 네트워크에 대한 다양한 기관 사용 사례를 효과적으로 지원하고 혁신을 촉진하며 글로벌 경제 성장을 촉진합니다.
기계 학습
기계 학습은 컴퓨터가 독립적으로 데이터를 학습하고 적응하도록 하는 알고리즘의 생성 및 배포를 포함하는 인공 지능 분야로, 프로그래밍이 필요 없는 반복 프로세스를 통해 성능을 향상시킵니다. 알고리즘과 모델을 사용하여 데이터를 식별한 다음 모델 매개변수를 활용하여 예측/결정을 생성합니다.
GPT-4 및 Bard와 같은 대규모 언어 모델은 방대한 양의 학습 데이터를 사용하여 인간과 유사한 텍스트를 생성하는 최첨단 자연어 처리 시스템인 반면 DALL-E 2, Midjourney와 같은 텍스트-이미지 모델은 및 Stable Diffusion은 텍스트 설명을 놀라운 충실도로 시각적 표현으로 변환합니다.
기계 학습은 이제 다양한 분야에서 효과적으로 사용되고 있습니다. 이러한 모델이 발전함에 따라 머신 러닝은 점점 더 많은 작업을 수행해야 합니다. 고정밀 모델을 달성하려면 ZK 기술이 필요합니다. 비공개 데이터의 공개 모델 검증을 사용하거나 공개 데이터를 사용하여 비공개 모델을 검증합니다.
지금까지 논의한 ZKML은 ML 모델 교육이 아닌 ML 모델 추론 단계의 영지식 증명을 제공하는 데 사용되었습니다.
ZKML의 중요성
인공 지능 기술이 발전함에 따라 인공 지능, 인간 지능 및 인간 세대를 구분하는 것이 점점 더 어려워지고 있습니다. 이것은 영지식 증명이 해결할 수 있는 문제입니다. 모델이나 입력에 대한 추가 정보를 제공하지 않고 특정 모델을 적용하여 특정 콘텐츠가 생성되었는지 여부를 감지할 수 있습니다.
AI가 생성한 자료가 점점 더 인간이 만든 정보를 모방하는 미래에 영지식 암호화의 사용 가능성은 주어진 입력에 특정 모델을 적용하여 특정 콘텐츠가 생성되었는지 확인하는 데 도움이 될 수 있습니다. 영지식 회로 표현이 구축되면 GPT4와 같은 거대한 언어 모델, DALL-E 2와 같은 텍스트-이미지 모델 또는 기타 모델의 출력을 확인하는 기술을 제공할 수 있습니다. 이러한 증명의 영지식 품질로 인해 필요한 경우 입력 또는 모델의 섹션을 숨길 수 있습니다. 이것의 좋은 예는 민감한 데이터에 기계 학습 모델을 사용하고 사용자가 입력을 제XNUMX자에게 공개하지 않고도 데이터에 대한 모델 추론의 결과를 알 수 있도록 하는 것입니다.
오래된 기계 학습 플랫폼은 종종 개발자에게 성능 검증을 위해 모델 아키텍처를 호스트에 제출하도록 요청합니다. 이로 인해 다음과 같은 여러 가지 문제가 발생할 수 있습니다.
- 지적 재산 손실: 전체 모델 아키텍처를 공개하면 개발자가 숨기고 싶어하는 중요한 영업 비밀이나 발명품이 드러날 수 있습니다.
- 투명성 부족: 평가 방법이 불투명할 수 있으며 참가자는 자신의 모델이 다른 모델과 어떻게 비교되는지 확인할 수 없습니다.
- 데이터 프라이버시에 대한 우려: 민감한 데이터에 대해 학습된 모델을 공유하면 기본 데이터에 대한 정보가 의도치 않게 누설되어 프라이버시 표준 및 법률을 위반할 수 있습니다.
- 이러한 어려움으로 인해 기계 학습 모델과 훈련 데이터의 프라이버시를 보호하는 방법의 개발이 필요했습니다.
ZK는 표준 ML 시스템이 직면한 문제를 해결할 수 있는 잠재적인 방법을 제시합니다. ZKML은 ZK의 힘을 사용하여 다음과 같은 이점이 있는 개인 정보 보호 솔루션을 제공합니다.
- 모델 프라이버시: 개발자는 지적 재산을 보존하면서 전체 모델 아키텍처를 공개하지 않고 유효성 검사에 참여할 수 있습니다.
- 투명한 검증: ZK는 모델의 내부를 공개하지 않고 모델 성능을 평가할 수 있으므로 투명하고 신뢰할 수 없는 평가 절차가 가능합니다.
- 데이터 프라이버시: 민감한 정보가 공개되지 않도록 하기 위해 ZK는 공개 모델을 사용하는 개인 데이터 또는 공개 데이터를 사용하는 개인 모델을 검증하는 데 사용될 수 있습니다.
- ZK를 ML 프로세스에 통합하면 기존 ML의 단점을 해결하는 안전하고 개인 정보를 보호하는 플랫폼이 생성됩니다. 이것은 프라이버시 회사에서 기계 학습의 사용을 장려할 뿐만 아니라 숙련된 Web2 개발자가 Web3 생태계 내부의 잠재력을 조사하도록 유도합니다.
ONNX를 통해 내보낸 ML 모델의 ZK 증명을 구성할 수 있는 Zkonduit의 ezkl 라이브러리는 ZKML 시스템의 최신 기술을 개선하기 위한 또 다른 노력입니다. 이를 통해 모든 ML 엔지니어는 모델의 추론 단계에 대한 ZK 증명을 생성하고 모든 검증자에게 결과를 증명할 수 있습니다.
결론
ZKML 커뮤니티는 2022년 하반기에 ZKML 영역(Worldcoin 포함)에서 일하는 여러 팀과 사람들에 의해 설립되었습니다.
많은 조직이 ZK 증명 계산을 가속화하기 위해 최적화된 하드웨어를 개발하여 ZK 기술을 개선하기 위해 노력하고 있으며, 특히 증명자 및 검증자 알고리즘과 같은 리소스 집약적인 작업을 위해 노력하고 있습니다. 특수 하드웨어의 발전, 증명 시스템 설계(증명 크기, 검증 시간, 증명 생성 시간 등) 및 성능이 향상된 ZK 프로토콜 구현으로 인해 ZK 기술이 발전함에 따라 더 짧은 시간에 더 적은 시간에 더 적은 성능의 컴퓨터에서 더 큰 모델을 증명할 수 있습니다. .
ZKML은 아직 개발 초기 단계에 있지만 상당한 이점을 제공하기 시작했으며 체인에서 더 독창적인 ZKML 애플리케이션을 볼 수 있을 것으로 기대할 수 있습니다. ZKML이 발전함에 따라 개인 정보 보호 기계 학습이 표준이 되는 미래를 상상할 수 있습니다.
면책 조항 : 이 웹사이트의 정보는 일반적인 시장 논평으로 제공되며 투자 조언을 구성하지 않습니다. 투자하기 전에 직접 조사해 보시기 바랍니다.
뉴스를 추적하려면 우리와 함께하십시오: https://linktr.ee/coincu
해롤드
코인쿠 뉴스
기타 게시물
관련 게시물
