في أعقاب ظهور ChatGPT لأول مرة، ظهر عدد كبير من أدوات الذكاء الاصطناعي (AI)، يقدم كل منها حلولاً مبتكرة.
ومع ذلك، فقد سلطت هذه الطفرة الضوء أيضًا على مصدر قلق بالغ الأهمية: خصوصية البيانات.
يتطلب تدريب نماذج الذكاء الاصطناعي كميات هائلة من البيانات، وهو ما يشكل بطبيعته مخاطر كبيرة.
وفي هذه المرحلة تتدخل شركة Privasea.
ما هو Privasea والهدف منه؟
تعد شبكة Privasea AI إطارًا قويًا تم تصميمه لإعطاء الأولوية لخصوصية البيانات وأمانها أثناء حسابات الذكاء الاصطناعي.
في جوهرها، تستخدم الشبكة التشفير المتماثل بالكامل (FHE)، وهي تقنية تسمح بإجراء العمليات الحسابية على البيانات المشفرة، مما يؤدي إلى نتائج لا يمكن تمييزها عن تلك التي يتم الحصول عليها باستخدام البيانات غير المشفرة.
يضمن هذا الأسلوب معالجة المعلومات الحساسة دون الكشف عنها في شكلها غير المشفر.
ومن خلال الاستفادة من FHE، تتيح شبكة Privasea AI Network معالجة تعاونية آمنة للذكاء الاصطناعي بين مختلف الكيانات مع الحفاظ على سرية المعلومات الحساسة.
ورقة عمل Privasea يسلط الضوء على قدرته على تمكين التعاون بين أطراف متعددة مع حماية المعلومات الحساسة من التعرض:
"مع زيادة كمية البيانات التي يتم إنشاؤها وعدد المستخدمين الذين يصلون إلى التطبيقات المعتمدة على البيانات، هناك مخاوف بشأن حماية الخصوصية ونقص القوة الحسابية. أحد الحلول المحتملة لهذه المشكلات هو شبكات حساب الذكاء الاصطناعي، والتي يمكن أن تقدم طرقًا فعالة لتحفيز قوة الحساب والحفاظ على الخصوصية طوال دورة معالجة البيانات.
تعيد بنية خادم العميل الخاص بها تعريف الخصوصية والتكنولوجيا كما هو موضح أدناه:
وفيما يلي دليل على الإنسانية من قبل FHE.
وهو يتألف من أربعة مكونات رئيسية: مكتبة HESea، وPrivasea API، وPrivanetix، ومجموعة Privasea Smart Contract Kit.
وجاء في الورقة البيضاء:
"لتسهيل تنفيذ FHE، يشتمل Privasea على مكتبة FHE أساسية تسمى HESea. تزود هذه المكتبة المطورين بالأدوات والوظائف الأساسية لإجراء العمليات الحسابية بشكل آمن على البيانات المشفرة، مثل الجمع والضرب وحتى تقييم نماذج التعلم الآلي. تعمل HESea على تمكين المستخدمين من إطلاق العنان لإمكانات بياناتهم دون المساس بالخصوصية.
هندسة شبكة Privasea AI
يمتد التزام الشبكة بحماية البيانات إلى الالتزام باللوائح الصارمة مثل اللائحة العامة لحماية البيانات (GDPR) للاتحاد الأوروبي.
ومن خلال استخدام تقنيات الذكاء الاصطناعي التي تحافظ على الخصوصية، بما في ذلك FHE، يمكن للمؤسسات ضمان الامتثال لهذه اللوائح، وحماية البيانات الشخصية طوال مراحل التدريب والاستدلال لنماذج الذكاء الاصطناعي.
علاوة على ذلك، فإن شبكة Privasea AI مخصصة لحماية المستخدمين. البيانات الحساسة من الوصول غير المصرح به.
ومن خلال تشفير البيانات الحساسة أثناء معالجة واستدلال الذكاء الاصطناعي، تعمل الشبكة على تقوية الدفاعات ضد خروقات البيانات والتطفلات غير المصرح بها.
ولا تضمن تقنيات الحفاظ على الخصوصية في التعلم الآلي الامتثال التنظيمي فحسب، بل تعزز أيضًا الثقة بين الأفراد، وتشجعهم على مشاركة بياناتهم بثقة.
إذن ما هو FHE؟
التشفير المتماثل بالكامل (FHE) هو منهجية تشفير تحويلية تسمح بإجراء حسابات معقدة على البيانات المشفرة، مما يضمن أن النتائج التي تم فك تشفيرها تتوافق تمامًا مع تلك التي كان من الممكن تحقيقها إذا تم تنفيذ الحسابات على البيانات غير المشفرة.
بكل بساطة، في معالجة البيانات التقليدية، تتطلب العمليات الحسابية فك تشفير البيانات أولاً، مما يؤدي إلى الكشف عن المعلومات الحساسة وزيادة خطر السرقة أو سوء الاستخدام.
باستخدام FHE، يمكن استخدام البيانات المشفرة مباشرة لإجراء العمليات الحسابية، وتظل النتائج مشفرة حتى يصبح فك التشفير ضروريًا.
تعتبر هذه القدرة ضرورية للصناعات التي تتعامل مع البيانات الحساسة، مثل التمويل والرعاية الصحية والقطاعات الحكومية.
Zama، شركة رائدة في مجال التشفير، متخصصة في تطوير حلول FHE المتطورة لـ blockchain والذكاء الاصطناعي.
وتهدف هذه الشراكة إلى تطوير تقنية FHE، مع التركيز على التطبيقات العملية في التشفير الشامل للتعلم الآلي.
من خلال التعاون، تطمح Privasea وZama إلى أن يصبحا مشروعين بارزين في مشهد Web3، مما يؤدي إلى تحفيز الابتكار والأمن في هذا المجال.
ضمن نطاق FHE، يتم تقسيم أنظمة التشفير عادةً إلى ثلاث فئات متميزة:
1) التشفير المتماثل إلى حد ما (SHE): يسهل هذا المخطط عددًا محددًا مسبقًا من عمليات الجمع والضرب على البيانات المشفرة، أو النص المشفر.
2) التشفير المتماثل بالكامل (FHE): يدعم هذا النظام القوي عددًا غير محدود من عمليات الجمع و/أو الضرب على النص المشفر، مع الحفاظ على سلامته طوال عملية فك التشفير.
3) التشفير المتجانس الجزئي (Partial HE): يتيح هذا النظام إما عمليات الجمع أو الضرب على النص المشفر، ولكن ليس كليهما، مما يوفر نهجًا أكثر تخصصًا للتشفير.
يعد تقاطع التعلم الآلي (ML) مع FHE مجالًا مزدهرًا يعد بإحداث ثورة في حسابات الحفاظ على الخصوصية.
عملية التعلم الآلي
يمثل التعلم الآلي القائم على التشفير المتماثل بالكامل (FHEML) نموذجًا حيث يتم تكييف خوارزميات التعلم الآلي للعمل ضمن حدود مخططات FHE.
يضمن هذا النهج المبتكر أن تؤدي العمليات الحسابية على البيانات المشفرة إلى نتائج تتوافق مع نتائج البيانات غير المشفرة، وبالتالي الحفاظ على سرية المعلومات المعالجة.
الحساب على البيانات المشفرة
تعد FHEML في طليعة تمكين تطبيقات التعلم الآلي من التعامل مع البيانات المشفرة دون المساس بالخصوصية أو الأمان.
وهو يشمل مجموعة من خوارزميات التعلم الآلي المصممة للعمل بسلاسة مع FHE، مما يفتح مجموعة كبيرة من حالات الاستخدام التي تركز على الخصوصية.
وتشمل هذه الحوسبة السرية، والتدريب المشفر للنماذج، والاستدلالات الخاصة، من بين أمور أخرى.
لا تعمل التطورات في FHEML على تعزيز أمان البيانات فحسب، بل تعمل أيضًا على توسيع آفاق تطبيقات التعلم الآلي في المجالات التي تكون فيها الخصوصية ذات أهمية قصوى.
معلومات فريق Privasea
فيما يلي بعض أعضاء الفريق الذي يقف وراء Privasea.
ديفيد جياو (الرئيس التنفيذي)
ديفيد جياو، المؤسس المشارك والرئيس التنفيذي لشركة Privasea، هو رجل أعمال متسلسل يتمتع بسجل حافل. لقد نجح في جمع 20 مليون دولار لمشاريع الذكاء الاصطناعي و4 ملايين دولار لمبادرات blockchain.
تشوان تشنغ
Zhuan Cheng هو خبير التشفير في Privasea. وهو يقود فريق البحث، ويشرف على تصميم وتطوير بنية منتجات التشفير وحلول blockchain.
جيفري دوان
جيفري دوان، أستاذ ومدير الرياضيات التطبيقية في معهد إلينوي للتكنولوجيا، يشغل منصب كبير المستشارين العلميين لشركة Privasea، حيث يوجه تصميم خوارزميات التشفير.
تينغ جاو
تينغ جاو هو أستاذ مشارك في جامعة HUST ومهندس كبير سابق في تعلم الآلة في Twitter، وهو كبير علماء البيانات في Privasea. إنها تقود فريق البحث الذي يركز على FHEML.
لي تشين
لي تشين هو باحث كبير ومهندس أنظمة متخصص في هندسة منتجات السيارات وحلول البيانات.
نويل براغانزا
بفضل خلفيته في تصميم المنتجات الرقمية من مختبر التصميم بمعهد ماساتشوستس للتكنولوجيا، يقود نويل براغانزا فريق ابتكار وتصميم المنتجات في Privasea، مع التركيز على تعزيز تجربة المنتج واستراتيجية التصميم.
سيفان لو
Sifan Lü هو المدرب الفني لفريق الهندسة في Privasea. يتمتع بخبرة واسعة في بناء أنظمة خطوط الأنابيب وإدارة DevOps.
مارتن تانغ
مارتن تانغ هو أحد ممارسي العملات المشفرة وWeb3، وهو المؤسس المشارك والمدير التنفيذي للتسويق في Privasea. منذ عام 2022، يعمل كمستشار للعديد من مشاريع Web3 ويشارك في احتضان جولات الحضانة.
Privasea وFhenix يتعاونان لتعزيز تطوير تطبيقات الذكاء الاصطناعي الآمنة
في نهاية الأسبوع الماضي، شرعت Fhenix، وهي منصة من الطبقة الثانية تستخدم تشفير FHE لتمكين مطوري Ethereum، في شراكة استراتيجية مع Privasea.
وتم تصميم هذا التعاون للاستفادة من الخبرات والقدرات الفريدة لكلا الشركتين، بهدف دفع تطوير تطبيقات الذكاء الاصطناعي الآمنة باستخدام تقنية FHE.
ومن المتوقع أن يؤدي التآزر بين Privasea وFhenix إلى تطورات كبيرة من خلال التقارب بين تقنيات blockchain وAI.
وستشمل الجهود المشتركة التطوير المستمر لمكتبات FHE وإنشاء إمكانية التشغيل البيني بين الكيانين.
بالإضافة إلى ذلك، تم تعيين الشراكة لبدء المساعي في تسريع الأجهزة.
ستتعاون كلا المنصتين لتعزيز مكتبة TFHE-rs التي طورتها Zama، والتي تعمل كمكون أساسي للبنية التحتية لكلا الشركتين.
تستعد الفرق من كلا الشركتين لدمج تطبيقات Privasea في البنية التحتية L2 الخاصة بشركة Fhenix.
علاوة على ذلك، سوف يستكشفون آليات مبتكرة لدمج أنظمة تشفير متجانسة إضافية، مثل CKKS/BGV/BFV، التي تدعم المعالجة المتوازية للتعليمات الفردية والبيانات المتعددة (SIMD) وتعبئة البيانات.
سيعمل هذا التكامل على تعزيز الدعم لسيناريوهات الحوسبة عالية الدقة وواسعة النطاق.
ونتيجة لهذه الشراكة، سيتم فتح عدد لا يحصى من فرص المنتجات.
وسيستخدم التحالف FHE لتقديم حالات الاستخدام المتطورة، بما في ذلك الذكاء الاصطناعي، إلى السوق.
بالتعاون مع Solana يطلق تطبيق ImHuman
ثم في وقت سابق من الأسبوع الماضي، قامت Privasea بدمج تقنيتها في شبكة Solana، مما يمثل أول ظهور لها كتطبيق افتتاحي لإثبات الإنسان على blockchain Solana.
أداء Solana الاستثنائي والحد الأدنى من زمن الوصول يجعلها منصة blockchain مثالية لدعم تقنية Privasea's FHE ومتطلبات حوسبة الذكاء الاصطناعي.
يعمل تطبيق ImHuman الخاص بـ Privasea على سلسلة Solana blockchain، وهو قادر على التحقق من هويات المستخدم على نطاق أوسع، مما يضمن أمان الشبكة وموثوقيتها مع حماية خصوصية المستخدم.
يوظف تطبيق ImHuman المستخدمين. البيانات البيومترية لتوليد هوية رقمية مميزة.
في البداية، يجب على المستخدمين مسح متجهات وجوههم من خلال الكاميرا الأمامية للتطبيق، وهي عملية يتم إجراؤها بالكامل على جهاز المستخدم لمنع أي تسرب للبيانات الحساسة.
وبعد ذلك، يتم تشفير البيانات وتحويلها إلى رمز غير قابل للاستبدال (NFT) يمثل ناقل القياسات الحيوية المشفر للمستخدم.
ويستفيد هذا النهج من خصائص FHE، التي تسمح بإجراء حسابات معقدة دون فك تشفير البيانات، وبالتالي الحفاظ على أمان البيانات وخصوصيتها.
أثناء عملية التحقق من هوية المستخدم، يقوم تطبيق ImHuman بإعادة فحص ميزات وجه المستخدم ومقارنة البيانات التي تم الحصول عليها حديثًا مع البيانات المشفرة الموجودة على blockchain.
يستخدم هذا الإجراء أيضًا تقنية FHE لضمان بقاء البيانات مشفرة طوال عملية التحقق، مما يخفف بشكل فعال من مخاطر التعرض للبيانات.
علاوة على ذلك، نظرًا لأن NFT الخاص بكل مستخدم مشتق من القياسات الحيوية الفريدة الخاصة به، فهو بطبيعته مقاوم للازدواجية أو التزوير، مما يزيد بشكل كبير من الحاجز ضد هجمات sybil.
من خلال تطبيق ImHuman، لا تقدم Privasea أداة فعالة لتعزيز أمان الشبكات اللامركزية فحسب، بل توضح أيضًا التطبيق العملي لتقنية التشفير المتماثل بالكامل في سيناريوهات العالم الحقيقي.
توفر طريقة المصادقة القائمة على القياسات الحيوية، إلى جانب FHE، حلاً آمنًا ويحترم الخصوصية للشبكات اللامركزية، مما يضع ImHuman من Privasea كأول تطبيق يتمتع بإمكانية اعتماده على نطاق واسع في مجال FHE.
من خلال تحفيز مشاركة المستخدمين والمشاركة المستمرة من خلال مكافآت الإسقاط الجوي، يمكن لـ ImHuman زيادة تعزيز تطبيقه الشامل.
يقدم هذا الحل المبتكر استراتيجية جديدة لمواجهة هجمات sybil، مما يؤكد التزام Privasea بالأمن والخصوصية في المجال الرقمي.
حصلت شركة Privasea على تمويل بقيمة 5 ملايين دولار أمريكي لشركة Pioneer DePIN باستخدام تقنية FHEML
Privasea، أحد المستفيدين الأوائل من Binance Labs' الدعم، اختتمت جولة الاكتتاب الخاص الاستراتيجي قبل بضعة أشهر فقط.
إن جولة التمويل هذه، التي اجتذبت مستثمرين مثل OKX Ventures، وLaser Digital التابعة لمجموعة Nomura Group، وحاضنة Tanelabs المدعومة من SoftBank، تعزز بشكل كبير مكانة Privasea في مجالات الذكاء الاصطناعي وأمن البيانات.
ومن المقرر أن يؤدي الإكمال الناجح لهذه الجولة إلى تسريع تقدم شركة Privasea، مما يدفع الشركة إلى تقديم حلول أكثر أمانًا وكفاءة لمعالجة البيانات لقاعدة مستخدمين عالمية.
في السابق، حصلت Privasea أيضًا على جولة تمويل أولية بقيمة 5 ملايين دولار لقيادة عملية دمج FHEML في شبكة حوسبة موزعة.
تميزت جولة التمويل هذه بمشاركة مستثمرين ذوي رؤية من قطاعي التكنولوجيا والبلوكتشين، بما في ذلك Binance Labs وGate Labs وMH Ventures وK300 وQB Ventures وCrypto Times وملائكة الصناعة الموقرة مثل زكريا (زاك) أويس ولوك شنغ من سلسلة ربط.
تؤكد هذه الاستثمارات الإستراتيجية على ثقة كبار المستثمرين في نهج Privasea المبتكر لأمن البيانات والذكاء الاصطناعي، مما يضع الشركة في مكانة رائدة في هذا المجال.
قائمة بعض المستثمرين الذين يدعمون Privasea كما تظهر على موقعها موقع إلكتروني
توزيع الرمز المميز
لدى Privasea عرض رمزي بقيمة مليار PRVA.
مصدر: كريبتورانك
خريطة طريق Privasea للمستقبل
مع استمرار تطور مجال الذكاء الاصطناعي، تتجه الأضواء بشكل متزايد نحو جودة البيانات.
تكثف الشركات جهودها للحصول على ميزة تنافسية في سباق البيانات، ليس فقط توسيع مصادر بياناتها ولكن أيضًا ضمان الامتثال واحترام خصوصية المستخدم.
ويتمثل الأمر الحتمي بالنسبة لهذه الشركات في إيجاد طريقة لإجراء العمليات الحسابية على البيانات المشفرة دون المساس بأمن معلومات المستخدم.
تقدم Privasea للعالم حلاً يعطي الأولوية للخصوصية - وهي شبكة مصممة لحماية البيانات الحساسة.
في جوهر الأمر، يرتبط تقدم تكنولوجيا الذكاء الاصطناعي ارتباطًا وثيقًا بجودة البيانات المستخدمة للتدريب.
شريطة أن يظل استخدام البيانات متوافقًا مع الحفاظ على الخصوصية، فمن المحتمل أن يرتفع الطلب على شبكة Privasea بشكل كبير.
المرحلة التالية من Privasea