Skip to main content

zkML nedir

Not: Bu belge orijinal İngilizce versiyonun otomatik bir çevirisidir.

zkML nedir

zkML (Zero-Knowledge Machine Learning), bir makine öğrenmesi modelinin çıkarımını (inference) doğru çalıştırdığını — model ağırlıklarını, girdi verisini veya her ikisini birden ifşa etmeden — doğrulamak için sıfır bilgi kanıtları kullanan bir tekniktir. Kriptografik bir garanti sağlar: "bu çıktı, bu model tarafından bu girdi üzerinde üretildi" ve herkes özel bilgiyi görmeden kanıtı doğrulayabilir.

Kısaca: zkML, bir AI modelinin doğru çalıştığını modeli veya veriyi açığa çıkarmadan kanıtlamanızı sağlar. Doğru çıkarımın matematiksel (güven gerektirmeyen) garantisini sunan doğrulanabilir AI yaklaşımlarından biridir ve teknik olarak en zorlu olanlardan biridir.

Yeni başlayanlar için benzetme

Mühürlü bir sınav hayal edin. Bir öğrenci odaya girer, sınava girer ve mühürlü cevap kâğıdını bir gözetmene verir. Gözetmen, kurcalamaya karşı korumalı bir mühür aracılığıyla, öğrencinin her soruyu onaylı ders kitabını kullanarak yanıtladığını ve tüm sınav kurallarına uyduğunu — öğrencinin notlarını, çalışma materyallerini veya düşünce sürecini hiç görmeden — doğrulayabilir. Gözetmen sonucun meşru olduğunu bilir ama öğrencinin nasıl hazırlandığı hakkında hiçbir şey öğrenmez. zkML aynı şekilde çalışır: AI'nın "sınava doğru girdiğini", modeli (çalışma materyallerini) veya girdi verisini (öğrencinin notlarını) ifşa etmeden kanıtlar.

Çözdüğü sorun

Merkeziyetsiz AI'da güven temel bir sorundur. Çıkarım uzak bir düğümde çalıştığında, istek sahibi doğru modelin gerçekten kullanıldığını nereden bilir? Sağlayıcı daha ucuz bir model çalıştırabilir, önbelleğe alınmış bir sonuç döndürebilir veya hesaplama adımlarını tamamen atlayabilir. Merkezi AI'da kullanıcılar sağlayıcıya itibar yoluyla güvenir. Merkeziyetsiz sistemlerde itibar tek başına yeterli değildir — bu boşluğu kriptografik doğrulama doldurur.

Bu sorun, AI çıktıları yüksek riskli kararları yönlendirdiğinde özellikle önemli hale gelir. Zincir üstü bir protokol, bir akıllı sözleşme eylemini tetiklemek için bir modelin çıktısına dayanıyorsa — diyelim ki bir risk parametresini ayarlamak veya bir işlemi onaylamak — çıktının gerçek olduğunu garanti etmenin bir yolu olmalıdır. Doğrulama olmadan sistem, ancak en az dürüst düğümü kadar güvenilirdir.

Nasıl çalışır (basitleştirilmiş)

Bir zkML hattı şu genel adımları izler:

  1. Model dönüştürme. ML modeli (tipik olarak bir sinir ağı), ZK kanıt sistemlerinin çalışabildiği matematiksel bir temsil olan aritmetik devreye dönüştürülür. Bu adım; matris çarpımları, aktivasyon fonksiyonları ve normalleştirme katmanları gibi işlemleri devre kısıtlarına çevirir.
  2. Model yürütme. Sağlayıcı, ML modelini girdi verisi üzerinde çalıştırır ve bir çıktı üretir (ör. bir sınıflandırma, üretilmiş bir metin, bir tahmin).
  3. Kanıt üretimi. Sağlayıcı, çıktıyla birlikte bir sıfır bilgi kanıtı üretir — "bu çıktı, tam olarak bu modelin tam olarak bu girdi üzerinde çalıştırılmasıyla üretildi" iddiasını kodlayan kompakt bir matematiksel nesne. Hesaplama açısından pahalı adım budur: kanıtlayıcı, devredeki her işlemin doğru yürütüldüğünü göstermek zorundadır.
  4. Kanıt doğrulama. Herkes (istek sahibi, bir akıllı sözleşme, bir üçüncü taraf) kanıtı doğrulayabilir. Doğrulama, modeli yeniden çalıştırmaya kıyasla hızlı ve ucuzdur. Kanıt geçerliyse çıktının doğru olduğu garanti edilir.

Kilit özellik: doğrulayıcı, kanıtın açığa çıkardığının ötesinde model ağırlıkları veya girdi verisi hakkında hiçbir şey öğrenmez. Gizlilik ve doğrulanabilirlik bir arada var olur.

Kanıt üretimini pahalı yapan nedir

Maliyet, ML işlemlerini ZK devrelerine çevirmekten gelir. Bir sinir ağındaki her çarpma veya toplama bir kısıta dönüşür ve kanıtlayıcı, tüm kısıtları aynı anda karşılayan kriptografik bir tanık (witness) üretmek zorundadır. Milyonlarca parametreye sahip bir model için bu, milyonlarca kısıt anlamına gelir. Güncel çerçeveler; kanıt boyutu, doğrulama süresi ve kanıtlayıcı maliyeti arasında değişen ödünleşimlere sahip farklı kanıt sistemleri (SNARK'lar, STARK'lar ve hibrit yaklaşımlar) kullanır.

DecAIHub için neden önemlidir

DecAIHub, kripto AI projelerinin gerçek, doğrulanabilir AI'ya sahip olup olmadığını değerlendirir. zkML, AI iddialarını kriptografik olarak kanıtlanabilir kılmanın bir yaklaşımını temsil eder — zkML kullanan bir proje, modelinin gerçekten çalıştığını yalnızca iddia etmekle kalmayıp kanıtlayabilir. DecAI Fit çerçevesinde zkML tabanlı doğrulama, AI hattı ile blok zinciri arasında anlamlı bir bağlantı göstererek Onchain necessity boyutuna katkıda bulunur. zkML uygulayan projeler AI/Inference ve AI/Compute gibi kategorilerde görülür.

DecAIHub doğrulama perspektifinden zkML projeleri kendine özgü bir kanıt profili sunar. Bir proje zkML'yi gerçekten uyguladığında değerlendirilecek güçlü Tier-1 eserleri vardır: kanıt devreleri, zincir üstü doğrulama sözleşmeleri, kanıtlama süreleri için benchmark verileri ve belgelenmiş modelden devreye dönüştürme hatları. Bu, zkML iddialarını belirsiz "AI" iddialarına kıyasla görece kolay doğrulanabilir kılar — ZK kanıtı ya çalışır ya çalışmaz.

Doğrulanabilir AI ile bağlantı

zkML, doğrulanabilir çıkarım yaklaşımlarından biridir. Başlıca alternatifler şunlardır:

Yaklaşım Nasıl çalışır Güven modeli Ödünleşim
zkML Çıkarımın doğru çalıştığına dair kriptografik kanıt Matematiksel garanti (güven gerektirmez) En yüksek hesaplama maliyeti; matematiksel (güven gerektirmeyen) garanti
TEE (Trusted Execution Environment) Çıkarım, doğruluğu tasdik eden donanım yalıtımlı bölgelerde çalışır Donanım üreticisine güven Daha düşük maliyet; donanım güvenliği varsayımlarına bağlıdır
Konsensüs / çok sağlayıcı Birden çok bağımsız sağlayıcı aynı çıkarımı çalıştırır; sonuçlar karşılaştırılır Dürüst çoğunluğa güven Yedekli hesaplama; gizli anlaşmaya karşı daha zayıf garanti
İyimser doğrulama Sonuçlar, bir itiraz süresi içinde itiraz edilmedikçe doğru varsayılır Ekonomik teşviklere güven Düşük maliyet; aktif izlemeye ve rasyonel aktörlere dayanır

zkML matematiksel (güven gerektirmeyen) bir garanti sunar — doğruluk; donanıma, dürüst bir çoğunluğa veya ekonomik teşviklere güven olmadan kriptografik olarak doğrulanır. Ancak bu, en yüksek hesaplama maliyetiyle gelir. Pratikte birçok proje yaklaşımları birleştirir: rutin işlemler için iyimser doğrulama kullanmak ve yalnızca sonuçlara itiraz edildiğinde zkML kanıtlarına başvurmak.

Mevcut sınırlamalar

zkML, önemli pratik kısıtları olan erken aşama bir teknolojidir:

  • Hesaplama maliyeti. Model çıkarımı için bir ZK kanıtı üretmek, çıkarımın kendisinden onlarca-yüzlerce kat daha pahalıdır. Büyük modeller için kanıt üretimi dakikalardan saatlere kadar sürebilir. Bu, küçük modellerin ötesindeki her şey için gerçek zamanlı uygulamaları pratik olmaktan çıkarır.
  • Model boyutu sınırları. Güncel zkML çerçeveleri görece küçük modellerle (binlerce ile düşük milyonlarca parametre) çalışır. Milyarlarca parametreli tam bir LLM üzerinde zkML çalıştırmak henüz pratik değildir. Bu sınırları yükseltmek için model niceleme, kanıt toplama ve özyinelemeli kanıtlar gibi tekniklerde araştırmalar aktif olarak sürmektedir.
  • Çerçeve olgunluğu. zkML araçları (ör. EZKL, Modulus, Giza, ML için Risc Zero) aktif geliştirme altındadır. API'ler, dokümantasyon ve geliştirici deneyimi hızla evrilmekte ve geriye dönük uyumu bozan değişiklikler yaygındır.
  • Sınırlı üretim dağıtımları. Çok az projenin zkML'si üretimde ölçekli olarak çalışmaktadır. Uygulamaların çoğu, küçük modeller üzerinde araştırma prototipleri veya gösterimlerdir.
  • Doğruluk ödünleşimleri. Kayan noktalı ML işlemlerini (ZK devreleri için gerekli olan) sabit noktalı aritmetiğe dönüştürmek küçük sayısal farklılıklar yaratabilir. Bu farklılıklar sınıflandırma görevleri için genellikle ihmal edilebilir düzeydedir ancak hassasiyete duyarlı uygulamalar için önemli olabilir.

Bu sınırlamalar mevcut sınırı tanımlar. Teknoloji hızla ilerliyor ve bugün var olan kısıtlar birkaç yıl içinde önemli ölçüde azalabilir.

zkML'nin bugünkü pratik durumu

Sınırlamalara rağmen zkML salt teorinin ötesine geçmiştir. Mevcut durum şunları içerir:

  • Küçük model kanıtları işlevseldir. Düşük milyonlarca parametreye kadar modeller (görüntü sınıflandırıcıları, küçük dil modelleri) kanıtlanabilir. Kanıt üretimi, model boyutuna bağlı olarak saniyelerden dakikalara kadar sürer.
  • Zincir üstü doğrulama çalışır. ML çıkarım kanıtlarını kontrol eden ZK doğrulayıcı sözleşmeleri Ethereum ve diğer zincirlere dağıtılmıştır.
  • Araçlar gelişiyor. EZKL gibi çerçeveler, geliştiricilerin ONNX modellerini görece az satır kodla ZK devrelerine dönüştürmesine olanak tanır.
  • Hibrit yaklaşımlar ortaya çıkıyor. Bazı projeler yalnızca en kritik çıkarım adımlarını kanıtlar veya kanıtları daha sonra doğrulanmak üzere eşzamansız üretir.

zkML neyi kanıtlamaz

  • Geçerli bir ZK kanıtı olsa bile, temeldeki model kötü, önyargılı veya alakasız olabilir. zkML modelin doğru çalıştığını kanıtlar — modelin iyi olduğunu kanıtlamaz.
  • zkML hesaplama bütünlüğünü kanıtlar, veri kalitesini değil. Girdi verisi çöpse, çıktı doğrulanmış çöptür.
  • zkML, bir token'ın gerekli olduğunu kanıtlamaz. Bir proje, doğrulamanın çalışması için bir blok zincirine veya token'a ihtiyaç duymadan zkML uygulayabilir.
  • zkML, merkeziyetsizliği kanıtlamaz. Tek bir merkezi sağlayıcı, kendi çıkarımı için ZK kanıtları üretebilir. Merkeziyetsizlik, zkML'nin kendisinden değil, sistem mimarisinden gelir.
  • zkML, model taahhüdü (ağırlıkların bir karması) güvenilir bir referansa sabitlenmedikçe, modelin iddia edilen model olduğunu kanıtlamaz. Bu bağ olmadan kanıtlayıcı herhangi bir model kullanabilir.

Karıştırmayın

  • Çıkarım (inference) — bir modeli çalıştırma süreci. zkML, çıkarımın üzerine bir doğrulama katmanı ekler; onun yerini almaz.
  • Genel olarak ZK (sıfır bilgi kanıtları) — ZK, kripto genelinde gizlilik, ölçekleme ve kimlik için kullanılır. zkML, ZK'nın ML çıkarımına özgül uygulamasıdır.
  • AI component olarak çıkarım (inference) — çıkarımın DecAIHub proje kartlarında nasıl göründüğünü açıklar. zkML, çıkarımı doğrulanabilir kılan mekanizmalardan biridir.
  • Model şifreleme — bir modeli şifrelemek onu okunmaktan korur ancak doğru çalıştığını kanıtlamaz. zkML, temelden farklı bir garanti olan doğru yürütme kanıtı sağlar.
  • Federatif öğrenme (federated learning) — ham veriyi paylaşmadan dağıtık veri kaynaklarında model eğitmek için bir teknik. Farklı bir sorunu çözer (çıkarım sırasında doğrulama değil, eğitim sırasında gizlilik).

Sık sorulan sorular

zkML nasıl çalışır?

zkML, bir makine öğrenmesi modelini matematiksel bir devreye dönüştürür, modeli çalıştırarak bir çıktı üretir ve devrenin doğru yürütüldüğüne dair kriptografik bir kanıt üretir. Kanıt kompakttır ve model ağırlıklarını veya girdi verisini görmeden ya da modeli yeniden çalıştırmadan — bir akıllı sözleşme dahil — herkes tarafından hızla doğrulanabilir. Teknik zorluk, her ML işleminin bir devre kısıtı olarak temsil edilmesi gerektiğidir; bu da kanıt üretimini daha büyük modeller için hesaplama açısından pahalı kılar.

zkML bugün pratik midir?

Küçük ve orta boy modeller için (düşük milyonlarca parametreye kadar), evet — kanıt üretimi çalışır ve zincir üstü doğrulama işlevseldir. Milyarlarca parametreli modern LLM'ler gibi büyük modeller için zkML, kanıt üretiminin muazzam hesaplama maliyeti nedeniyle henüz pratik değildir. Teknoloji hızla ilerliyor: çerçeveler iyileşiyor, kanıt sistemleri daha verimli hale geliyor ve hibrit yaklaşımlar (yalnızca kritik adımları kanıtlamak) pratik aralığı genişletiyor. DecAIHub değerlendirmesi açısından, küçük bir model üzerinde zkML uygulayan bir proje, aynı yaklaşım en büyük modellere henüz ölçeklenemese bile doğrulanabilir bir AI bileşenine sahiptir.

Bir kripto projesi neden zkML kullanır?

Birincil motivasyon güven gerektirmeyen doğrulamadır. Merkeziyetsiz bir sistemde hiçbir tarafa körü körüne güvenilmemelidir. Bir AI modelinin çıktısı zincir üstü eylemleri tetikliyorsa (risk puanlama, işlem onayı, ödül dağıtımı), kullanıcıların ve protokolün, modelin iddia edildiği gibi gerçekten çalıştığına dair bir garantiye ihtiyacı vardır. zkML bu garantiyi hesaplama sağlayıcısına güven gerektirmeden sağlar. İkincil motivasyonlar arasında gizlilik (tescilli ağırlıkları ifşa etmeden bir modelin çalıştığını kanıtlamak) ve birleştirilebilirlik (diğer akıllı sözleşmelerin AI çıktılarını zincir üstünde doğrulayıp üzerine inşa edebilmesi) yer alır. DecAI Fit çerçevesinde zkML tabanlı doğrulama hem AI reality hem de Onchain necessity boyutlarını güçlendirir.

zkML, kriptoda AI'yı doğrulamanın tek yolu mudur?

Hayır. Alternatifler arasında TEE'ler (donanıma güven), konsensüs tabanlı doğrulama (dürüst çoğunluğa güven) ve iyimser doğrulama (ekonomik teşviklere güven) yer alır. Her birinin farklı güven varsayımları, maliyetleri ve sınırları vardır. Birçok proje yaklaşımları birleştirir. DecAIHub, okuyucuların güven modelini kendileri değerlendirebilmesi için doğrulama mekanizmasını proje kartına kaydeder.

Dış kaynaklar

Ayrıca bakınız

No comments to display

Back to top