Privasea: інноваційне дослідження NFT-ізації даних обличчя

Нещодавно один проект з карбування NFT на основі обличчя привернув широку увагу. Цей проект дозволяє користувачам вводити своє обличчя в мобільному додатку та карбувати свої дані в NFT. Цей, здавалося б, простий концепт, за короткий проміжок часу привернув понад 200 тисяч карбувань NFT, що свідчить про вражаючу популярність.

Метою цього проєкту є не просто перетворення даних обличчя на NFT, а верифікація користувачів як реальних людей за допомогою розпізнавання облич. Цей підхід виникає з серйозного виклику, з яким стикається сучасний Інтернет: зловмисний трафік ботів.

Згідно з останніми даними, роботи займають 42,1% інтернет-трафіку, з яких 27,5% є шкідливим трафіком. Ці шкідливі роботи можуть призводити до затримок у роботі сервісів, аварій систем, що серйозно впливає на досвід користувачів. У таких ситуаціях, як купівля квитків, автоматизовані програми практично позбавляють звичайних користувачів будь-яких шансів.

Щоб впоратися з цією проблемою, у середовищі Web2 були застосовані різні способи, такі як реєстрація особистості та поведінкові капчі, для розрізнення людини та машини, а сервери здійснювали блокування через фільтрацію ознак. Однак, з швидким розвитком технології ШІ, традиційні методи верифікації вже не здатні впоратися з ситуацією. Методи верифікації поступово вдосконалюються від виявлення поведінкових ознак до виявлення біоміметичних ознак, а навіть біологічних ознак.

Web3 також стикається з потребою в розпізнаванні людини і машини. У таких сценаріях, як аірдропи проектів, потрібно ідентифікувати справжніх користувачів, щоб запобігти атакам від відьом. Для високоризикових операцій, таких як вхід до акаунту, виведення коштів, торгівля тощо, необхідно підтвердити, що оператор не лише є людиною, але й власником акаунту.

Однак впровадження цих функцій у децентралізованому середовищі Web3 стикається з багатьма викликами: як побудувати децентралізовану обчислювальну мережу машинного навчання? Як захистити конфіденційність даних користувачів? Як підтримувати роботу мережі?

З огляду на ці проблеми, Privasea запропонувала інноваційні рішення. Вони побудували Privasea AI Network на основі технології повної гомоморфної криптографії (FHE), щоб надати підтримку приватного обчислення для AI-додатків у середовищі Web3.

Privasea оптимізував традиційний FHE та розробив бібліотеку HESea, яка краще підходить для сценаріїв машинного навчання. Ця бібліотека поділяється на прикладний рівень, оптимізаційний рівень, арифметичний рівень та базовий рівень, кожен з яких відповідає за різні функції, пропонуючи гнучке та ефективне рішення.

Архітектура мережі Privasea AI включає в себе чотири ролі: власник даних, вузол Privanetix, декодер та отримувач результатів. Мережа забезпечує безпечну обробку даних та захист конфіденційності через низку етапів, від реєстрації користувача до доставки результатів.

Щоб заохотити учасників мережі, Privasea запустила WorkHeart NFT та StarFuel NFT, використовуючи подвійну систему PoW та PoS для управління вузлами та розподілу винагород. Такий дизайн не лише забезпечує стабільність мережі, але й збалансовує розподіл економічних ресурсів.

Хоча технологія FHE демонструє відмінні результати у захисті конфіденційності даних, вона також стикається з викликами в обчислювальній ефективності. У останні роки, завдяки оптимізації алгоритмів і апаратному прискоренню, продуктивність FHE значно покращилася, але все ще існує розрив у порівнянні з обчисленнями з відкритим текстом.

Проте інноваційне рішення Privasea відкриває нові шляхи для глибокої інтеграції Web3 та AI. З розвитком технологій Privasea має потенціал проявити себе в більшій кількості сфер, ставши піонером у галузі обчислень з урахуванням конфіденційності та застосування AI.