Glosario cripto
Aprendizaje automático de conocimiento cero (zkML)
El zkML usa pruebas de conocimiento cero para demostrar que un modelo de aprendizaje automático dio un resultado sin revelar sus pesos ni sus datos.
Un modelo de aprendizaje automático es, en el fondo, una larga secuencia de operaciones aritméticas. Las herramientas de zkML las traducen a un circuito o a un programa para una máquina virtual de conocimiento cero, ejecutan el modelo y generan una prueba compacta de que el cálculo se hizo correctamente. Cualquiera, incluido un contrato inteligente, puede verificarla en poco tiempo, mientras las partes elegidas, como los pesos o los datos del usuario, siguen ocultas.
Su atractivo para el sector es la confianza sin exposición. Un protocolo podría aceptar en cadena una puntuación de crédito, un control antifraude o una señal de trading sabiendo que procede de un modelo acordado; un sistema de identidad podría confirmar una coincidencia biométrica sin mostrar la imagen, y los agentes de IA podrían probar que siguieron una política. Es una de las vías hacia la inferencia verificable, junto al hardware seguro y la reejecución por varias partes.
Generar la prueba sigue siendo carísimo: puede tardar órdenes de magnitud más que ejecutar el modelo, así que los usos prácticos se centran en modelos pequeños o en fragmentos de otros mayores. La prueba demuestra que un modelo concreto se ejecutó bien sobre unos datos, no que sea preciso, justo o que los datos sean ciertos.
Ejemplo
Un protocolo de préstamos solo acepta la puntuación de riesgo de un prestatario si llega con una prueba zkML de que un modelo publicado la calculó a partir de su historial, sin que el historial aparezca en la cadena.