ZKML: Güvenlik Uygulamasında Büyüme Potansiyeli Olan Çığır Açan Teknoloji
Kilit noktaları:
- Makine öğreniminin popülaritesi arttı ve artık çeşitli pratik uygulamalarda yaygın olarak kullanılıyor. Sıfır bilgi kanıtları o zamandan beri sıfır bilgi makine öğreniminin (ZKML) geliştirilmesi için bir dayanak noktası haline geldi.
- Geçerlilik kanıtlarına ek olarak, ML'nin gizliliği koruyan kullanımına izin vermek için hesaplamanın bazı kısımlarını gizleyebiliriz.
Sıfır Bilgi (ZK) 2022'den bu yana popülerliğini korudu ve teknolojisi, ZK serisi projelerde olduğu gibi önemli ilerlemeler kaydetti. Eş zamanlı olarak, sıfır bilgili makine öğreniminin (ZKML) yaygınlaşması ve üretimde ve günlük yaşamda yaygın şekilde kullanılmasıyla birlikte birçok şirket, makine öğrenimi modellerini tasarlamaya, eğitmeye ve dağıtmaya başladı.
ZKML, son zamanlarda kriptografi çevrelerinde ses getiren bir araştırma ve geliştirme konusudur. Peki tam olarak nedir ve neden faydalıdır? Gelin bu yazımızda Coincu ile bu konuyu öğrenelim.
Sıfır bilgi nedir?
Sıfır bilgi (ZK) kanıtı, bir tarafın, yani kanıtlayıcının diğerine, yani doğrulayıcıya, belirli bir ifadenin doğru olduğunu, ifadenin doğru olduğu gerçeği dışında herhangi bir ekstra bilgiyi açığa çıkarmadan gösterebildiği bir kriptografik süreçtir. Araştırmalardan protokol uygulamalarına ve uygulamalara kadar çeşitli cephelerde önemli gelişmeler kaydetmiş bir çalışma alanıdır.
Bir tarafın (kanıtlayanın) diğer tarafa (doğrulayıcıya) x'in değerini bildiğini, onlar hakkında herhangi bir bilgi vermeden x'in değerini bildiğini kanıtlayabilmesi süreci bunun merkezinde yer alır.
Sıfır Bilgi Kanıtı teknolojisinin temel amacı, girdi bilgilerinin gizliliğini korurken aynı zamanda geçerliliğini doğrulamaktır.
Sıfır bilgi kanıtlarının oluşturulması, ilk hesaplamadan birkaç kat daha pahalı olan, hesaplama açısından maliyetli bir süreçtir. Bu, mevcut en büyük donanım üzerinde bunları oluşturmak için gereken süre nedeniyle sıfır bilgi kanıtlarının imkansız olduğu bazı hesaplamaların olduğu anlamına gelir. Ancak kriptografi, teknoloji ve dağıtılmış sistemlerdeki son gelişmeler, sıfır bilgi kanıtlarını çok daha pahalı hesaplamalar için ulaşılabilir hale getirdi. Bu ilerlemeler, ağır hesaplamaların kanıtlarından yararlanabilecek protokollerin geliştirilmesini mümkün kıldı, dolayısıyla yeni uygulamalar için tasarım alanı genişletildi.
ZK'nin avantajları
Kamuya açık blockchain ağları gibi şeffaf sistemlerde gizliliği koruyan veri kümelerini kullanma kapasitesi, Sıfır Bilgi Kanıtı'nın (örn. Ethereum) en büyük avantajıdır. Blockchain'lerin son derece şeffaf olması amaçlanırken, kendi blockchain düğümünü çalıştıran herkesin defterde depolanan tüm verileri görüntüleyebilmesi ve indirebilmesi mümkünken, ZKP teknolojisinin eklenmesi, kullanıcıların ve şirketlerin akıllı sözleşmelerin yürütülmesinde özel veri setlerinden herhangi bir ücret ödemeden yararlanmalarına olanak tanır. temel verileri açığa çıkarıyor.
Blockchain ağlarında gizliliğin korunması, iletişim kurmak ve akıllı sözleşmeler oluşturmak isteyen ancak rekabetçi kalabilmek için ticari sırlarını korumak zorunda olan tedarik zinciri şirketleri, işletmeler ve bankalar gibi geleneksel kuruluşlar için kritik öneme sahiptir. Ayrıca, bu tür kuruluşların müşterilerinin kişisel olarak tanımlanabilir bilgilerini (PII) korumaları ve Avrupa Birliği Genel Veri Koruma Yönetmeliği (GDPR) ve ABD Sağlık Sigortası Taşınabilirlik ve Sorumluluk Yasası (HIPAA) gibi düzenlemelere uymaları yasalar gereği sıklıkla zorunlu kılınmaktadır.
İzin verilen blockchain ağları, işletmelerin işlem gizliliğini kamunun gözleminden korumak için geliştirilmiş olsa da ZKP, kuruluşların ağlarla güvenli bir şekilde iletişim kurmasını sağlar. Hassas ve özel veri kümelerinin yönetiminden vazgeçmeden, genel blok zinciri genellikle dünyanın her yerindeki kullanıcıların geniş ağ etkisinden yararlanır. Sonuç olarak, ZKP teknolojisi, daha önce mevcut olmayan halka açık blockchain ağları için çok çeşitli kurumsal kullanım durumlarını etkili bir şekilde mümkün kılıyor, yeniliği teşvik ediyor ve küresel ekonomik büyümeyi teşvik ediyor.
Makine öğrenme
Makine öğrenimi, bilgisayarların bağımsız olarak öğrenmesine ve verilere uyum sağlamasına olanak tanıyan, programlama gerektirmeyen yinelemeli bir süreç aracılığıyla performanslarını artıran algoritmaların oluşturulmasını ve dağıtılmasını içeren bir yapay zeka disiplinidir. Algoritmalar ve modeller kullanarak verileri tanımlar, ardından tahminler/kararlar oluşturmak için model parametrelerini kullanır.
GPT-4 ve Bard gibi büyük dil modelleri, insan benzeri metinler üretmek için büyük miktarda eğitim verisi kullanan son teknoloji doğal dil işleme sistemleridir; DALL-E 2, Midjourney gibi metinden görüntüye modeller ise ve Kararlı Yayılma, metinsel açıklamaları dikkate değer bir doğrulukla görsel temsillere dönüştürür.
Makine öğrenimi artık çeşitli sektörlerde etkin bir şekilde kullanılıyor. Bu modeller geliştikçe artan sayıda işin yapılması için makine öğrenimine ihtiyaç duyulacak. Yüksek doğruluklu bir model elde etmek için ZK teknolojisi gereklidir: özel verilerin genel model doğrulamasını kullanmak veya genel verileri kullanarak özel modelleri doğrulamak.
Şu ana kadar tartıştığımız ZKML, ML modeli eğitimi yerine ML modeli çıkarım aşamalarının sıfır bilgi kanıtlarını sağlamak için kullanıldı.
ZKML'nin önemi
Yapay zeka teknolojisi ilerledikçe yapay zeka, insan zekası ve insan nesli arasında ayrım yapmak giderek zorlaşıyor. Bu, sıfır bilgi kanıtlarının çözebileceği bir konudur. Model veya girdi hakkında herhangi bir ek bilgi vermeden, belirli bir model uygulanarak belirli bir içeriğin oluşturulup oluşturulmadığını tespit etmemizi sağlar.
Yapay zeka tarafından üretilen materyallerin insan tarafından oluşturulan bilgileri giderek daha fazla taklit ettiği bir gelecekte, sıfır bilgi kriptografisinin olası kullanımı, belirli bir içerik parçasının belirli bir girdiye belirli bir model uygulanarak üretildiğini belirlememize yardımcı olabilir. Eğer onlar için sıfır bilgili bir devre temsili oluşturulursa, bu, GPT4 gibi büyük dil modellerinden, DALL-E 2 gibi metinden görüntüye modellerden veya başka herhangi bir modelden gelen çıktıları kontrol etme tekniği verebilir. Bu kanıtların sıfır bilgi kalitesi, gerekirse girdinin veya modelin bölümlerini gizlememize olanak tanır. Bunun mükemmel bir örneği, hassas veriler üzerinde bir makine öğrenimi modeli kullanmak ve kullanıcının, girdilerini herhangi bir üçüncü tarafa açıklamadan, verileri üzerindeki model çıkarımının sonucunu bilmesine olanak tanımak olabilir.
Daha eski makine öğrenimi platformları genellikle geliştiricilerden performans doğrulaması için model mimarilerini ana bilgisayara göndermelerini ister. Bu, aşağıdakiler de dahil olmak üzere bir dizi soruna yol açabilir:
- Fikri Mülkiyet Kaybı: Model mimarisinin tamamının ifşa edilmesi, geliştiricilerin gizli tutmak isteyeceği önemli ticari sırları veya buluşları ortaya çıkarabilir.
- Şeffaflık eksikliği: Değerlendirme yöntemi şeffaf olmayabilir ve katılımcılar kendi modellerinin diğerleriyle nasıl karşılaştırıldığını kontrol edemeyebilir.
- Veri gizliliğiyle ilgili endişeler: Hassas veriler üzerinde eğitilen modellerin paylaşılması, temel verilerle ilgili bilgilerin istemeden ifşa edilmesine yol açarak gizlilik standartlarını ve mevzuatı ihlal edebilir.
- Bu zorluklar, makine öğrenmesi modellerinin ve eğitim verilerinin gizliliğini güvence altına alacak yöntemlerin geliştirilmesini zorunlu kılmıştır.
ZK, standart makine öğrenimi sistemlerinin karşılaştığı sorunları çözmenin potansiyel bir yolunu sunuyor. ZKML, ZK'nin gücünü kullanarak aşağıdaki avantajlara sahip, gizliliği koruyan bir çözüm sunar:
- Model Gizliliği: Geliştiriciler, fikri mülkiyetlerini koruyarak, model mimarisinin tamamını açıklamadan doğrulama işleminde yer alabilirler.
- Şeffaf doğrulama: ZK, modelin iç kısımlarını açıklamadan model performansını değerlendirebilir, bu da şeffaf ve güvenilir bir değerlendirme prosedürüne olanak tanır.
- Veri gizliliği: Hassas bilgilerin ifşa edilmemesini garanti etmek için ZK, genel modelleri kullanarak özel verileri veya genel verileri kullanarak özel modelleri doğrulamak için kullanılabilir.
- ZK'yi makine öğrenimi sürecine dahil etmek, geleneksel makine öğreniminin eksikliklerini gideren, güvenli ve gizliliği koruyan bir platform oluşturur. Bu, yalnızca gizlilik şirketinde makine öğreniminin kullanımını teşvik etmekle kalmıyor, aynı zamanda deneyimli Web2 geliştiricilerini Web3 ekosistemindeki potansiyeli araştırmaya da çekiyor.
ONNX yoluyla dışa aktarılan ML modellerinin ZK kanıtlarını oluşturmanıza olanak tanıyan Zkonduit'in ezkl kütüphanesi, ZKML sistemlerinin en ileri teknolojilerini geliştirmeye çalışan başka bir çabadır. Bu, herhangi bir makine öğrenimi mühendisinin, modellerinin çıkarım adımlarının ZK kanıtlarını oluşturmasına ve sonucu herhangi bir doğrulayıcıya kanıtlamasına olanak tanır.
Sonuç
ZKML topluluğu, 2022 yılının ikinci yarısında ZKML alanında (Worldcoin dahil) çalışan bir dizi farklı ekip ve kişi tarafından kuruldu.
Birçok kuruluş, özellikle kanıtlayıcı ve doğrulayıcı algoritmalar gibi kaynak yoğun işlemler için ZK kanıt hesaplamasını hızlandırmak üzere optimize edilmiş donanım geliştirerek ZK teknolojisini iyileştirmeye çalışıyor. Özel donanımdaki gelişmeler, kanıt sistemi tasarımı (kanıt boyutu, doğrulama süresi, kanıt oluşturma süresi vb.) ve daha performanslı ZK protokolü uygulamaları nedeniyle, ZK teknolojisi ilerledikçe daha büyük modelleri daha az güçlü bilgisayarlarda daha kısa sürede kanıtlayabilecektir. .
ZKML hâlâ gelişiminin ilk aşamalarında ancak önemli faydalar sağlamaya başladı ve zincirde daha yaratıcı ZKML uygulamaları görmeyi bekleyebiliriz. ZKML geliştikçe gizliliği koruyan makine öğreniminin standart haline geleceği bir gelecek hayal edebiliyoruz.
YASAL UYARI: Bu web sitesindeki bilgiler genel piyasa yorumu niteliğindedir ve yatırım tavsiyesi niteliği taşımaz. Yatırım yapmadan önce kendi araştırmanızı yapmanızı öneririz.
Haberleri takip etmek için bize katılın: https://linktr.ee/coincu
Harold
Coincu Haberler
Yazar
bilgi
ZKML: Güvenlik Uygulamasında Büyüme Potansiyeli Olan Çığır Açan Teknoloji
Kilit noktaları:
- Makine öğreniminin popülaritesi arttı ve artık çeşitli pratik uygulamalarda yaygın olarak kullanılıyor. Sıfır bilgi kanıtları o zamandan beri sıfır bilgi makine öğreniminin (ZKML) geliştirilmesi için bir dayanak noktası haline geldi.
- Geçerlilik kanıtlarına ek olarak, ML'nin gizliliği koruyan kullanımına izin vermek için hesaplamanın bazı kısımlarını gizleyebiliriz.
Sıfır Bilgi (ZK) 2022'den bu yana popülerliğini korudu ve teknolojisi, ZK serisi projelerde olduğu gibi önemli ilerlemeler kaydetti. Eş zamanlı olarak, sıfır bilgili makine öğreniminin (ZKML) yaygınlaşması ve üretimde ve günlük yaşamda yaygın şekilde kullanılmasıyla birlikte birçok şirket, makine öğrenimi modellerini tasarlamaya, eğitmeye ve dağıtmaya başladı.
ZKML, son zamanlarda kriptografi çevrelerinde ses getiren bir araştırma ve geliştirme konusudur. Peki tam olarak nedir ve neden faydalıdır? Gelin bu yazımızda Coincu ile bu konuyu öğrenelim.
Sıfır bilgi nedir?
Sıfır bilgi (ZK) kanıtı, bir tarafın, yani kanıtlayıcının diğerine, yani doğrulayıcıya, belirli bir ifadenin doğru olduğunu, ifadenin doğru olduğu gerçeği dışında herhangi bir ekstra bilgiyi açığa çıkarmadan gösterebildiği bir kriptografik süreçtir. Araştırmalardan protokol uygulamalarına ve uygulamalara kadar çeşitli cephelerde önemli gelişmeler kaydetmiş bir çalışma alanıdır.
Bir tarafın (kanıtlayanın) diğer tarafa (doğrulayıcıya) x'in değerini bildiğini, onlar hakkında herhangi bir bilgi vermeden x'in değerini bildiğini kanıtlayabilmesi süreci bunun merkezinde yer alır.
Sıfır Bilgi Kanıtı teknolojisinin temel amacı, girdi bilgilerinin gizliliğini korurken aynı zamanda geçerliliğini doğrulamaktır.
Sıfır bilgi kanıtlarının oluşturulması, ilk hesaplamadan birkaç kat daha pahalı olan, hesaplama açısından maliyetli bir süreçtir. Bu, mevcut en büyük donanım üzerinde bunları oluşturmak için gereken süre nedeniyle sıfır bilgi kanıtlarının imkansız olduğu bazı hesaplamaların olduğu anlamına gelir. Ancak kriptografi, teknoloji ve dağıtılmış sistemlerdeki son gelişmeler, sıfır bilgi kanıtlarını çok daha pahalı hesaplamalar için ulaşılabilir hale getirdi. Bu ilerlemeler, ağır hesaplamaların kanıtlarından yararlanabilecek protokollerin geliştirilmesini mümkün kıldı, dolayısıyla yeni uygulamalar için tasarım alanı genişletildi.
ZK'nin avantajları
Kamuya açık blockchain ağları gibi şeffaf sistemlerde gizliliği koruyan veri kümelerini kullanma kapasitesi, Sıfır Bilgi Kanıtı'nın (örn. Ethereum) en büyük avantajıdır. Blockchain'lerin son derece şeffaf olması amaçlanırken, kendi blockchain düğümünü çalıştıran herkesin defterde depolanan tüm verileri görüntüleyebilmesi ve indirebilmesi mümkünken, ZKP teknolojisinin eklenmesi, kullanıcıların ve şirketlerin akıllı sözleşmelerin yürütülmesinde özel veri setlerinden herhangi bir ücret ödemeden yararlanmalarına olanak tanır. temel verileri açığa çıkarıyor.
Blockchain ağlarında gizliliğin korunması, iletişim kurmak ve akıllı sözleşmeler oluşturmak isteyen ancak rekabetçi kalabilmek için ticari sırlarını korumak zorunda olan tedarik zinciri şirketleri, işletmeler ve bankalar gibi geleneksel kuruluşlar için kritik öneme sahiptir. Ayrıca, bu tür kuruluşların müşterilerinin kişisel olarak tanımlanabilir bilgilerini (PII) korumaları ve Avrupa Birliği Genel Veri Koruma Yönetmeliği (GDPR) ve ABD Sağlık Sigortası Taşınabilirlik ve Sorumluluk Yasası (HIPAA) gibi düzenlemelere uymaları yasalar gereği sıklıkla zorunlu kılınmaktadır.
İzin verilen blockchain ağları, işletmelerin işlem gizliliğini kamunun gözleminden korumak için geliştirilmiş olsa da ZKP, kuruluşların ağlarla güvenli bir şekilde iletişim kurmasını sağlar. Hassas ve özel veri kümelerinin yönetiminden vazgeçmeden, genel blok zinciri genellikle dünyanın her yerindeki kullanıcıların geniş ağ etkisinden yararlanır. Sonuç olarak, ZKP teknolojisi, daha önce mevcut olmayan halka açık blockchain ağları için çok çeşitli kurumsal kullanım durumlarını etkili bir şekilde mümkün kılıyor, yeniliği teşvik ediyor ve küresel ekonomik büyümeyi teşvik ediyor.
Makine öğrenme
Makine öğrenimi, bilgisayarların bağımsız olarak öğrenmesine ve verilere uyum sağlamasına olanak tanıyan, programlama gerektirmeyen yinelemeli bir süreç aracılığıyla performanslarını artıran algoritmaların oluşturulmasını ve dağıtılmasını içeren bir yapay zeka disiplinidir. Algoritmalar ve modeller kullanarak verileri tanımlar, ardından tahminler/kararlar oluşturmak için model parametrelerini kullanır.
GPT-4 ve Bard gibi büyük dil modelleri, insan benzeri metinler üretmek için büyük miktarda eğitim verisi kullanan son teknoloji doğal dil işleme sistemleridir; DALL-E 2, Midjourney gibi metinden görüntüye modeller ise ve Kararlı Yayılma, metinsel açıklamaları dikkate değer bir doğrulukla görsel temsillere dönüştürür.
Makine öğrenimi artık çeşitli sektörlerde etkin bir şekilde kullanılıyor. Bu modeller geliştikçe artan sayıda işin yapılması için makine öğrenimine ihtiyaç duyulacak. Yüksek doğruluklu bir model elde etmek için ZK teknolojisi gereklidir: özel verilerin genel model doğrulamasını kullanmak veya genel verileri kullanarak özel modelleri doğrulamak.
Şu ana kadar tartıştığımız ZKML, ML modeli eğitimi yerine ML modeli çıkarım aşamalarının sıfır bilgi kanıtlarını sağlamak için kullanıldı.
ZKML'nin önemi
Yapay zeka teknolojisi ilerledikçe yapay zeka, insan zekası ve insan nesli arasında ayrım yapmak giderek zorlaşıyor. Bu, sıfır bilgi kanıtlarının çözebileceği bir konudur. Model veya girdi hakkında herhangi bir ek bilgi vermeden, belirli bir model uygulanarak belirli bir içeriğin oluşturulup oluşturulmadığını tespit etmemizi sağlar.
Yapay zeka tarafından üretilen materyallerin insan tarafından oluşturulan bilgileri giderek daha fazla taklit ettiği bir gelecekte, sıfır bilgi kriptografisinin olası kullanımı, belirli bir içerik parçasının belirli bir girdiye belirli bir model uygulanarak üretildiğini belirlememize yardımcı olabilir. Eğer onlar için sıfır bilgili bir devre temsili oluşturulursa, bu, GPT4 gibi büyük dil modellerinden, DALL-E 2 gibi metinden görüntüye modellerden veya başka herhangi bir modelden gelen çıktıları kontrol etme tekniği verebilir. Bu kanıtların sıfır bilgi kalitesi, gerekirse girdinin veya modelin bölümlerini gizlememize olanak tanır. Bunun mükemmel bir örneği, hassas veriler üzerinde bir makine öğrenimi modeli kullanmak ve kullanıcının, girdilerini herhangi bir üçüncü tarafa açıklamadan, verileri üzerindeki model çıkarımının sonucunu bilmesine olanak tanımak olabilir.
Daha eski makine öğrenimi platformları genellikle geliştiricilerden performans doğrulaması için model mimarilerini ana bilgisayara göndermelerini ister. Bu, aşağıdakiler de dahil olmak üzere bir dizi soruna yol açabilir:
- Fikri Mülkiyet Kaybı: Model mimarisinin tamamının ifşa edilmesi, geliştiricilerin gizli tutmak isteyeceği önemli ticari sırları veya buluşları ortaya çıkarabilir.
- Şeffaflık eksikliği: Değerlendirme yöntemi şeffaf olmayabilir ve katılımcılar kendi modellerinin diğerleriyle nasıl karşılaştırıldığını kontrol edemeyebilir.
- Veri gizliliğiyle ilgili endişeler: Hassas veriler üzerinde eğitilen modellerin paylaşılması, temel verilerle ilgili bilgilerin istemeden ifşa edilmesine yol açarak gizlilik standartlarını ve mevzuatı ihlal edebilir.
- Bu zorluklar, makine öğrenmesi modellerinin ve eğitim verilerinin gizliliğini güvence altına alacak yöntemlerin geliştirilmesini zorunlu kılmıştır.
ZK, standart makine öğrenimi sistemlerinin karşılaştığı sorunları çözmenin potansiyel bir yolunu sunuyor. ZKML, ZK'nin gücünü kullanarak aşağıdaki avantajlara sahip, gizliliği koruyan bir çözüm sunar:
- Model Gizliliği: Geliştiriciler, fikri mülkiyetlerini koruyarak, model mimarisinin tamamını açıklamadan doğrulama işleminde yer alabilirler.
- Şeffaf doğrulama: ZK, modelin iç kısımlarını açıklamadan model performansını değerlendirebilir, bu da şeffaf ve güvenilir bir değerlendirme prosedürüne olanak tanır.
- Veri gizliliği: Hassas bilgilerin ifşa edilmemesini garanti etmek için ZK, genel modelleri kullanarak özel verileri veya genel verileri kullanarak özel modelleri doğrulamak için kullanılabilir.
- ZK'yi makine öğrenimi sürecine dahil etmek, geleneksel makine öğreniminin eksikliklerini gideren, güvenli ve gizliliği koruyan bir platform oluşturur. Bu, yalnızca gizlilik şirketinde makine öğreniminin kullanımını teşvik etmekle kalmıyor, aynı zamanda deneyimli Web2 geliştiricilerini Web3 ekosistemindeki potansiyeli araştırmaya da çekiyor.
ONNX yoluyla dışa aktarılan ML modellerinin ZK kanıtlarını oluşturmanıza olanak tanıyan Zkonduit'in ezkl kütüphanesi, ZKML sistemlerinin en ileri teknolojilerini geliştirmeye çalışan başka bir çabadır. Bu, herhangi bir makine öğrenimi mühendisinin, modellerinin çıkarım adımlarının ZK kanıtlarını oluşturmasına ve sonucu herhangi bir doğrulayıcıya kanıtlamasına olanak tanır.
Sonuç
ZKML topluluğu, 2022 yılının ikinci yarısında ZKML alanında (Worldcoin dahil) çalışan bir dizi farklı ekip ve kişi tarafından kuruldu.
Birçok kuruluş, özellikle kanıtlayıcı ve doğrulayıcı algoritmalar gibi kaynak yoğun işlemler için ZK kanıt hesaplamasını hızlandırmak üzere optimize edilmiş donanım geliştirerek ZK teknolojisini iyileştirmeye çalışıyor. Özel donanımdaki gelişmeler, kanıt sistemi tasarımı (kanıt boyutu, doğrulama süresi, kanıt oluşturma süresi vb.) ve daha performanslı ZK protokolü uygulamaları nedeniyle, ZK teknolojisi ilerledikçe daha büyük modelleri daha az güçlü bilgisayarlarda daha kısa sürede kanıtlayabilecektir. .
ZKML hâlâ gelişiminin ilk aşamalarında ancak önemli faydalar sağlamaya başladı ve zincirde daha yaratıcı ZKML uygulamaları görmeyi bekleyebiliriz. ZKML geliştikçe gizliliği koruyan makine öğreniminin standart haline geleceği bir gelecek hayal edebiliyoruz.
YASAL UYARI: Bu web sitesindeki bilgiler genel piyasa yorumu niteliğindedir ve yatırım tavsiyesi niteliği taşımaz. Yatırım yapmadan önce kendi araştırmanızı yapmanızı öneririz.
Haberleri takip etmek için bize katılın: https://linktr.ee/coincu
Harold
Coincu Haberler
Diğer Yazılar
İlgili Mesajlar
Haberler
ABD Senatörü Cynthia Lummis Bitcoin'i Biden'ın Diktatörlüğüne Karşı Korumak İçin Konuştu
Haberler
Ethereum Vadeli İşlemler ETF'si SEC Çatışmasına Rağmen Hala Olumlu İşaretler Gösteriyor
Haberler
LayerZero Airdrop İlk Aşama Snapshot Tamamlanırken Heyecan Yaratıyor
bilgi
10 Yılının En İyi 2024 Yapay Zeka Ticaret Platformu: Uzman Sıralaması ve İncelemeleri
Haberler
Franklin Ethereum ETF Henüz Onaylanmamasına Rağmen DTCC'de Listelendi
Haberler
HashKey ve Bosera'nın Hong Kong Kripto ETF'leri 30 Nisan'da Başlayacak Aboneliği Tamamladı
Haberler
