مدلهای یادگیری ماشینی برای به دست آوردن خروجیهای دقیقی که در توانایی آنها برای درک ما تقریباً جادویی به نظر میرسند، به حجم عظیمی از دادهها متکی هستند. اما، با افزایش حجم دادههای وارد شده به پروژههای یادگیری ماشینی، نقصهای حریم خصوصی به طور فزایندهای آشکار میشوند – و ممکن است نقطه اوجای وجود داشته باشد که کاربران دیگر مایل نباشند حریم خصوصی خود را با خروجی معاوضه کنند.
اثبات دانش صفر یکی از راههای توسعهدهندگان برای ایجاد و اجرای مدلهای یادگیری ماشینی است که ثابت میکند محاسبات به درستی انجام شده است، در حالی که در انتخاب ویژگیهای عمومی آزاد هستند. نتیجه بهترین هر دو جهان است: خروجی های شخصی سازی شده بر اساس مدل های ایمن و قابل اعتماد.
ما شاهد تعداد فزایندهای از موارد استفاده در دنیای واقعی برای اثبات دانش صفر هستیم که میتوانند با رسیدن این فناوری به پتانسیل کامل خود، حفاظتی را ارائه دهند.
کاربردهای واقعی برای اثبات دانش صفر
یادگیری ماشینی هر بخش از زندگی ما را در آینده تحت تأثیر قرار می دهد، چه بخواهیم و چه نخواهیم. ما در حال حاضر در موقعیت منحصربهفردی هستیم که میتوانیم یک لایه امنیتی را در چندین مورد استفاده کلیدی اضافه کنیم، هم در زنجیره (تراکنشهای عمومی انجام شده در یک بلاک چین) و هم خارج از زنجیره (معاملات تأیید شده خارج از شبکه اصلی بلاک چین) .
موارد استفاده روی زنجیره
ایجاد امتیازات اعتباری حفظ حریم خصوصی
وقتی معامله گران ارزهای دیجیتال وام می گیرند، وام دهنده باید مطمئن شود که وام گیرنده قابل اعتماد است. وام گیرندگان ممکن است در سطح بین المللی و حتی با نام مستعار فعالیت کنند. یک مدل یادگیری ماشینی می تواند برای ارزیابی اعتبار وام گیرندگان به روشی استفاده شود که حریم خصوصی را حفظ کند، بنابراین وام گیرندگان را می توان با وام دهندگانی که به بهترین وجه نیازهای آنها را برآورده می کنند، مطابقت داد.
ایجاد فرآیندهای خصوصی شناخت مشتری (KYC).
به عنوان بخشی از فرآیند KYC، از کاربران جدید اغلب خواسته میشود تا عکسی از گواهینامه رانندگی خود را آپلود کنند و سپس نوعی تست زنده بودن را انجام دهند که شامل نگاه کردن به وبکم و چرخاندن سرشان میشود. برای محافظت از حریم خصوصی کاربر، میتوان یک مدل یادگیری ماشینی با استفاده از دانش صفر ساخت که تست زنده بودن را انجام میدهد، آن را با عکس گواهینامه رانندگی کاربر بررسی میکند، و امتیازی را برای میزان تطابق آنها به همراه مدرکی که نشان میدهد مدل اجرا شده است، برمیگرداند. به درستی.
ایجاد نرخ های دقیق مبادلات استیبل کوین
اوراکل ها با آوردن داده های خارج از زنجیره روی زنجیره، یک هدف اساسی را انجام می دهند، که مهم است زیرا قراردادهای هوشمند نمی توانند به اطلاعات خارج از شبکه بلاک چین دسترسی پیدا کنند. آنها اغلب در استیبل کوین ها استفاده می شوند، جایی که مفروضات امنیتی بر گزارش منظم و به موقع نرخ مبادله بین یک دارایی (به عنوان مثال، ETH) و یک استیبل کوین که قرار است به یک ارز واقعی متصل بماند، متکی است. یادگیری ماشینی میتواند به دقیقتر و قویتر کردن این گزارش کمک کند، در حالی که اثباتهای دانش صفر تضمین میکنند که اوراکل محاسبات را به درستی انجام داده است.
موارد استفاده خارج از زنجیره
حفاظت از استفاده از یادگیری ماشین در صنایع با اطمینان بالا
وقتی زندگیها به آن وابسته است، مهم است که بدانیم مدلهای یادگیری ماشین نتایج قابل اعتمادی تولید میکنند که توسط بازیگران مخرب تغییر یا هک نشده است. برای مثال، هر مدل یادگیری ماشینی که در ارتش، اتومبیلهای خلبانی هوش مصنوعی یا تصویربرداری و تشخیص پزشکی استفاده میشود، باید دارای نرمافزار تأیید اعتبار اضافی باشد که بتواند مدرک دانش صفر را تأیید کند که ورودی حسگر به درستی تحلیل شده است.
محافظت از مدلهای یادگیری ماشین اختصاصی
بسیاری از شرکتها قبلاً مدلهای خصوصی یادگیری ماشینی ساختهاند که نمیخواهند به صورت عمومی به اشتراک بگذارند. از آنجایی که این مدلها ممکن است بر اساس دادههای اختصاصی آموزش دیده باشند یا در صنایع بسیار تنظیمشده مورد استفاده قرار گرفته باشند، ممکن است اثبات اینکه یک نتیجه از آن مدل خاص به دست آمده است، مهم باشد.
نتیجه گیری
با ورود یادگیری ماشینی و هوش مصنوعی به زندگی روزمره ما، اعتماد به مدلها و دادههای مورد استفاده برای تولید خروجیهایی که بر ایمنی دنیای ما تأثیر میگذارند، بیش از هر زمان دیگری برای ما مهم است.
پلتفرمهایی مانند Aleo توسعه الگوریتمهای دانش صفر را به لطف پلتفرم خصوصی بهطور پیشفرض و قابل برنامهریزی ساده میکنند. توسعهدهندگان یادگیری ماشینی میتوانند بر انجام کاری که به بهترین شکل انجام میدهند تمرکز کنند: ایجاد الگوریتمها و مدلهایی که بینش جدیدی از دنیای ما ارائه میدهند.
–
فرانک چن رئیس محصولات Aleo است – پلتفرم توسعهدهنده مبتنی بر دانش صفر پیشرو برای ساخت برنامههای غیرمتمرکز کاملا خصوصی، مقیاسپذیر و مقرونبهصرفه – جایی که او تلاشهای محصولات مصرفی را رهبری میکند. قبل از Aleo، او در Gitcoin بود، جایی که اولین نمونه از یک مکانیسم تامین مالی درجه دوم را با Vitalik Buterin ساخت و بیش از 10 دور از تامین مالی درجه دوم برای کالاهای عمومی اتریوم را رهبری کرد. فرانک یک آشپز، نویسنده، رقیب جیو جیتسو و مربی مشتاق است.
Aleo پلت فرم توسعه دهنده پیشرو برای ساخت برنامه های غیرمتمرکز کاملا خصوصی، مقیاس پذیر و مقرون به صرفه است. با استفاده از رمزنگاری دانش صفر، Aleo اجرای قراردادهای هوشمند را خارج از زنجیره انتقال میدهد تا موارد استفاده جدید مانند هویت، امور مالی، و بازی را فعال کند و به هزاران تراکنش در ثانیه مقیاسبندی کند. Aleo که بر روی یک بلاک چین غیرمتمرکز و بدون مجوز ساخته شده است، انعطاف پذیری اتریوم را با معماری مقیاس پذیرتر که از ابتدا برای حفظ حریم خصوصی طراحی شده است، به ارمغان می آورد.
آکادمی قزلباش
همانطور که میدانیم موفقیت در معاملات بازار ارزهای دیجیتال همانند تمامی حرفه های تخصصی دیگر، نیازمند مهارت و تجربه بسیاری است. و اولین کار در این بازار آشنا شدن با مفهوم ( ارز دیجیتال چیست ) است. با توجه به اینکه بسیاری از افراد زمان کافی برای فراگیری دانش مربوط به فعالیت در بازار را ندارند اما همچنان تمایل به کسب سود از این بازار را به عنوان شغل دوم خود دارند. آکادمی کمال قزلباش با ارائه خدمتی کارآمد برای کمک به این دسته از عزیزان در رابطه با آموزش ارز دیجیتال تلاش کرده است. کاربران میتوانند از خدمات ما به عنوان چراغ راه مسیر موفقیت خود در این بازار استفاده کنند. و در صورت تمایل به سرمایه گذاری در ارزهای دیجیتال و یاآموزش ارز دیجیتال در ارومیه با مشاورین ما به صورت کاملا رایگان در ارتباط باشید.