Introducción a zkML

¡No olvides mintear el NFT que acompaña a este artículo!

‍

Machine Learning (ML) y Zero Knowledge Proofs (ZKP) representan áreas de investigación y desarrollo revolucionarias que están transformando diversas industrias de formas nunca antes vistas. Por un lado, ML facilita la detección de patrones en datos estructurados y utiliza esta información para realizar predicciones, mientras que las ZKP permiten demostrar que se posee un conocimiento específico sin revelar la información misma. Esta combinación no solo enriquece el ML desde una perspectiva humana, haciendo de él una tecnología aún más asombrosa y revolucionaria, sino que también permite entrenar modelos sin comprometer la privacidad de los datos de entrenamiento o la integridad del modelo en sí.

Pero, ¿por qué es importante integrar estas dos tecnologías en una sola? Durante mucho tiempo, los modelos de ML han sufrido falta de transparencia en sus procesos lo que ha llevado a generar problemas de confianza por dos razones principales:

• Naturaleza privada: En los modelos ML tradicionales, los parámetros del modelo suelen ser privados y, en algunos casos, la entrada del modelo también debe ser privada, lo que naturalmente conlleva algunos problemas de confianza entre el propietario del modelo y los usuarios del mismo.
• La caja negra del algoritmo: Los modelos de ML a veces se denominan “cajas negras” porque implican muchos pasos automatizados en el proceso computacional que pueden ser difíciles de entender o interpretar. Estos pasos implican algoritmos complejos y grandes cantidades de datos que aportan resultados indeterministas y, a veces, aleatorios, lo que pone al algoritmo en un lugar en el que se le pueden achacar sesgos e incluso discriminación.

La verificación de las inferencias de los modelos ML mediante zkSNARKs promete ser uno de los avances más trascendentales en contratos inteligentes durante esta década. Este progreso inaugura un amplio campo de diseño, permitiendo que las aplicaciones e infraestructuras evolucionen hacia sistemas más complejos e inteligentes.

¿Qué es zkML?

El ZKML (Zero-knowledge Machine Learning, por sus siglas en inglés) es un campo de investigación y desarrollo que integra los conceptos de ML con las ZKPs. En el ML tradicional, los modelos se entrenan con grandes cantidades de datos para producir resultados precisos que parecen casi mágicos en su capacidad para entendernos, estos datos pueden contener información sensible sobre personas u organizaciones.

Sin embargo, conforme aumente la cantidad de datos incorporados es posible que ocurran ciertos abusos a la privacidad a tal punto que los usuarios dejen de estar dispuestos a intercambiar su privacidad por los resultados que estos modelos ofrecen. Para resolver este problema, se proponte introducir tecnologías como las ZKPS y convertir el ML en zkML para abordar este problema al utilizar técnicas criptográficas que garantizan que los datos de entrenamiento permanezcan privados y seguros.

En otras palabras, un modelo ZKML aplicado a blockchain permite verificar la veracidad de los resultados proporcionados por un modelo de ML mediante un proceso computacional que ocurre fuera de la cadena utilizando una ZKP. Esto hace posible integrar estos resultados en contratos inteligentes mientras se asegura su fiabilidad.

¿Cómo funciona?

Machine Learning es un subcampo de la inteligencia artificial que se enfocada en desarrollar algoritmos y modelos estadísticos que típicamente poseen tres componentes primarios: la información de entrenamientos, la arquitectura del modelo y los parámetros de este. Estos modelos se producen y despliegan en dos fases:

• Fase de entrenamiento: Durante el entrenamiento, el modelo se expone a un conjunto de datos etiquetados y ajusta sus parámetros para minimizar el error entre los resultados previstos y los reales. El proceso de entrenamiento suele implicar varias iteraciones o épocas, y la precisión del modelo se evalúa en un conjunto de validación independiente.
• Fase de inferencia: En la fase de inferencia se utiliza un modelo de ML entrenado para realizar predicciones sobre datos nuevos que no se han visto. El modelo toma los datos de entrada y aplica los parámetros aprendidos para generar una salida, como una predicción de clasificación o regresión.

En la actualidad, zkML se centra principalmente en la fase de inferencia de los modelos ML, más que en la fase de entrenamiento, debido principalmente a la complejidad computacional de verificar el entrenamiento dentro de un circuito. Sin embargo, el hecho de que zkML se centre en la verificación de la inferencia no es una limitación: esperamos que se produzcan algunos casos de uso y aplicaciones muy interesantes a partir de la fase de inferencia.

Ventajas y desventajas de los modelos ZKML

Construir una solución de ZKML no es lo mismo que construir una solución típica de ML o un software convencional pero trae consigo una gran cantidad de beneficios. Entre las ventajas más destacadas de ZKML se encuentran:

• Mayor seguridad: Proporciona una capa adicional de seguridad al garantizar que la información sensible no se vea comprometida durante el proceso de formación.
• Mayor transparencia: Permite la transparencia en el proceso de ML, lo que permite a los usuarios verificar la precisión e imparcialidad de los modelos.
• Mayor privacidad: Protege la privacidad de las personas y las organizaciones garantizando que sus datos no se vean comprometidos durante el proceso de formación.

Sin embargo, un proyecto ZKML implica enfrentar desafíos únicos y posibles obstáculos, los cuales demandan un extenso trabajo de investigación y desarrollo para superar las limitaciones propias de esta tecnología, entre ellos:

• Complejidad computacional: ZKML requiere importantes recursos informáticos y puede ser intensivo desde el punto de vista computacional.
• Escalabilidad limitada: ZKML puede ser limitado en su escalabilidad, ya que requiere una gran cantidad de datos y recursos computacionales para entrenar y desplegar.
• Interoperabilidad: ZKML puede ser difícil de integrar con los marcos y sistemas de ML existentes.

¿Qué casos de uso tiene ZKML?

Panorama actual

ZKML proporciona ventajas sustanciales en numerosos campos en las que sus aplicaciones pueden ser útiles para múltiples sectores, particularmente aquellos con importantes requisitos normativos y obligaciones en materia de seguridad de datos. Algunas de las aplicaciones potenciales de ZKML, se incluyen:

• Integridad computacional: ZKML puede utilizarse para verificar la integridad de los modelos de ML y garantizar que no están siendo manipulados o alterados. Tomemos el caso de Giza que está ayudando a Yearn a demostrar que una estrategia de rendimiento compleja que utiliza ML se está ejecutando correctamente en la cadena.
• ML como servicio (MLaaS): ZKML puede permitir la creación de servicios de ML seguros y privados que pueden ser utilizados por múltiples partes sin revelar información sensible. Imaginemos que es posible proporcionar pruebas de validez adjuntas a la API de un modelo ML, esto sería útil para ofrecer transparencia al usuario, ya que puede verificar qué modelo está utilizando.
• Privacidad: ZKML puede utilizarse para proteger la privacidad de las personas y las organizaciones garantizando que sus datos no se vean comprometidos durante el proceso de formación. Por ejemplo, los diagnósticos médicos sobre los datos privados del paciente se introducen en el modelo y la inferencia sensible (por ejemplo, el resultado de una prueba de cáncer) se envía al paciente.
• Transparencia: ZKML puede ofrecer transparencia en el proceso de ML, lo que permite a los usuarios verificar la precisión e imparcialidad de los modelos sin revelar información sensible. En este aspecto, una DAO podría crear modelos de detección de anomalías al entrenar modelos a través de la información obtenida por smart contracts del protocolo que podrían funcionar para prevenir situaciones que pongan en riesgo la integridad de este.

Proyectos construyendo alrededor de ZKML

A medida que la tecnología avanza y se vuelve más sencilla de reproducir, diversos casos de uso comienzan a aparecer día tras día. Actualmente, es posible observar cómo comienzan a surgir diversas categoría de proyectos basados en ZKML que prometen ofrecer LLMs en equipos menos poderosos en periodos de tiempo más cortos. En la siguiente imagen se destacan algunos de los proyectos y categorías que existen en la actualidad:

Veamos brevemente qué están desarrollando algunos de estos proyectos:

ModulusLabs

ModulusLabs es un proyecto que utiliza ZKPs para verificar que los resultados de la IA no se manipulan en secreto. Lo anterior permite que los smart contracts puedan integrar funciones de IA sin romper la confianza que estos proveen.

Giza

Giza es una plataforma que permite crear soluciones de ML verificables a través de Python de forma sencilla. Esto permite que diversos protocolos puedan añadir funciones de ML en pocos clips y configurarlos sin la necesidad de realizar grandes cambios.

ZAMA

Zama es un proyecto que habilita contratos inteligentes a través de FHE para blockchain e inteligencia artificial, permitiendo el procesamiento seguro de datos garantizando privacidad total para los usuarios. Recientemente levantaron $73 millones en una ronda A con la que pretenden encriptar el Internet de principio a fin. ¡Mira el análisis express que realizamos de este proyecto!

El futuro de ZKML

Es altamente probable que en un futuro no muy lejano, tecnologías que incorporen ZKML estén presentes en un gran número de aspectos de nuestras vidas, lo queramos o no. Ahora mismo somos capaces de visualizar casos on chain y off chain.

Casos de uso On Chain

• Sistemas crediticios que preserven la privacidad. Sistemas de crédito que protejan la privacidad del usuario, manteniendo confidenciales los detalles financieros, esto puede tener un gran impacto en protocolos DeFi.
• Procesos KYC privados. La posibilidad de que sistemas descentralizados puedan realizar procesos de KYC a la vez que preservan la información sensible de los usuarios podría facilitar la apertura en nuevos mercados.
• Generación de tipos de cambio precisos de stablecoins. Al contar con mecanismos más precisos al momento de realizar cotizaciones es posible ver una mayor confianzam aceptación y estabilidad en el uso de criptomonedas.

Casos de uso Off Chain

• Protección de la propiedad de los modelos ML. Los creadores de estos modelos serán capaces de mantener el control sobre el uso y distribución de los propios modelos al no permitir que estos sean alterados por actores maliciosos.
• Garantizar el uso de modelos ML en sectores de alto riesgo. Sectores como la banca o aquellos asociados a sistemas de saludos podrás asegurarse de que la información que manejan se mantiene secreta en todo momento.

La tecnología ZKML se encuentra en constante evolución y su capacidad para redefinir los marcos de seguridad y privacidad en el ML prometen un panorama innovador y seguro para usuarios y desarrolladores por igual.