Autor original: Jiaheng Zhang
Com a profunda implementação da inteligência artificial (IA) em áreas críticas como saúde, finanças e condução autónoma, garantir a fiabilidade, transparência e segurança do processo de inferência do aprendizado de máquina (ML) está se tornando mais importante do que nunca.
No entanto, os serviços tradicionais de aprendizado de máquina costumam funcionar como uma "caixa preta", onde os usuários só podem ver os resultados, sendo difícil validar o processo. Essa falta de transparência torna os serviços de modelo suscetíveis a riscos:
O modelo foi roubado,
Os resultados da inferência foram maliciosamente alterados,
Os dados dos usuários estão em risco de violação de privacidade.
ZKML (aprendizado de máquina de conhecimento zero) oferece uma nova solução criptográfica para esse desafio. Baseia-se na tecnologia de provas de conhecimento zero (ZKPs), conferindo aos modelos de aprendizado de máquina a capacidade de verificação criptografada: provar que um cálculo foi executado corretamente, sem revelar informações sensíveis.
Em outras palavras, os ZKPs permitem que os provedores de serviços