ZKP et IA en collision : zkML, la narration spéculative cachée de la prochaine vague ?
TechFlow SélectionTechFlow Sélection
ZKP et IA en collision : zkML, la narration spéculative cachée de la prochaine vague ?
zkML = ZKP + ML, c'est-à-dire un modèle d'apprentissage automatique (IA) basé sur les preuves de connaissance nulle.
Dédié à des analyses Web3 approfondiesRédaction : hitesh.eth
Traduction : Frank, Foresight News
zkML pourrait bien être le prochain grand récit après l'intelligence artificielle.
Toutefois, pour beaucoup de personnes, zkML est un concept un peu complexe. Dans cet article, je vais l'expliquer de la manière la plus simple possible.
Qu'est-ce que zkML ?
En bref, zkML = ZKP + ML
Où : ZKP = preuve à connaissance nulle (zero-knowledge proof), ML = apprentissage automatique (machine learning).
Donc : zkML = apprentissage automatique avec preuves à connaissance nulle
En résumé, il s'agit d'utiliser la technologie ZKP sur les modèles d'apprentissage automatique afin de générer des résultats tout en garantissant la confidentialité des données sensibles utilisées durant l'entraînement, et en assurant la véracité du calcul effectué.
Mais qu'est-ce qu'un modèle d'apprentissage automatique ? Un modèle d'apprentissage automatique est un programme informatique qui, une fois entraîné, peut effectuer des prédictions à partir de grandes quantités de données.
Par exemple, des grands modèles linguistiques comme ChatGPT sont construits sur des modèles d'apprentissage automatique.
Et qu'est-ce que l'inférence ? L'inférence consiste à analyser une demande utilisateur (prompt), à comprendre le contexte, puis à fournir un résultat grâce au modèle entraîné.
Prenons l'exemple de ChatGPT :
La première étape du processus d'inférence consiste à saisir une entrée, par exemple en tapant le prompt suivant : « Écris une chanson rap crypto dans le style de Drake ».
Ensuite, ChatGPT analyse le contexte : « chanson rap crypto dans le style de Drake ». Puis, selon la demande de l'utilisateur, il active son modèle entraîné, identifie les motifs présents dans les données d'entraînement, et produit en sortie une chanson répondant à cette description.
À quoi sert zkML ?
Durant tout le processus d'inférence, deux types de vulnérabilités peuvent compromettre la confidentialité des données :
-
Les attaques par inférence de membre (Membership Inference attacks) : un attaquant peut analyser les sorties du modèle pour déterminer si certaines données spécifiques ont été utilisées pendant l'entraînement ;
-
Les attaques par inversion de modèle (Model Inversion attacks) : en concevant des prompts particuliers, un attaquant peut tenter de reconstituer des fragments des données d'entraînement à partir des résultats produits.
Comment zkML peut-il aider ? zkML permet d'effectuer des inférences sans exposer les données sensibles ayant servi à l'entraînement.
Cela est rendu possible grâce à l'utilisation de systèmes de preuves ZK tels que Plonky ou Halo2. Actuellement, Plonky2 est le système de preuve ZK le plus rapide.
Avec zkML, les attaquants ne pourront jamais accéder directement aux données d'entraînement.
État actuel du développement de zkML
À ce jour, zkML en est encore à un stade précoce. Plusieurs startups travaillent à la construction d'infrastructures zkML.
Par exemple, Risc Zero collabore avec Spice AI pour proposer aux développeurs une solution zkML complète.
Ingonyama développe du matériel spécialisé dédié aux technologies ZK, ce qui pourrait abaisser les barrières d'entrée dans ce domaine. zkML pourrait également être utilisé durant le processus d'entraînement des modèles.
Modulus utilise zkML pour appliquer l'intelligence artificielle aux processus d'inférence sur la blockchain. Ils comptent actuellement six partenaires qui explorent différents cas d'utilisation de zkML :
Par exemple, Upshot a développé un modèle de prédiction des prix, Worldcoin utilise Modulus pour une authentification privée, et AI ARENA intègre zkML dans le modèle économique de ses jeux.
Des projets blockchain axés sur la confidentialité, tels qu'Oasis Protocol, Secret Network et Aleo, explorent également des cas d'utilisation basés sur zkML. En outre, NOYA.ai utilise zkML pour construire des stratégies DeFi entièrement sur chaîne.
OraProtocol construit un protocole d'inférence d'apprentissage automatique sans confiance basé sur ZK. Les développeurs pourront ainsi utiliser zkML pour créer toute application décentralisée alimentée par l'apprentissage automatique et sécurisée par Ethereum.
L'ensemble du récit autour de zkML en est encore à ses débuts. Mais je m'attends à ce qu'au cours des prochains mois, lors de ce marché haussier, un cycle spéculatif émerge autour de ce thème. C'est donc le moment idéal pour surveiller attentivement ce domaine et se préparer en conséquence.
Bienvenue dans la communauté officielle TechFlow
Groupe Telegram :https://t.me/TechFlowDaily
Compte Twitter officiel :https://x.com/TechFlowPost
Compte Twitter anglais :https://x.com/BlockFlow_News
hitesh.eth
