Bu yazı İngilizce orijinalinden çevrildi.
Görüşler
GenLayer: Blokzincir işlemleri için yapay zekâ güvenilirliği
Toni Lukic4 dk okuma
Blokzincir teknolojisinde güvenilirlik ve tutarlılık her şeyden önemlidir. Geleneksel blokzincirler aracılara olan ihtiyacı başarıyla ortadan kaldırdı ve “kod kanundur” ilkesini hayata geçirdi. Ama artık yapay zekâyı da işin içine katabildiğimize göre yeni zorluklar ortaya çıkıyor.
Olasılıksal doğaları göz önüne alındığında, tek bir yapay zekâ modelinin çıktılarına tutarlı biçimde güvenebilir miyiz? Güvenilirliğin olmazsa olmaz olduğu yüksek riskli merkeziyetsiz uygulamalarda bu soru daha da kritik hâle gelir.
Yapay zekâyı blokzincirlere entegre etmek yeni olanaklar sunarken yeni güvenilirlik sorunlarını da beraberinde getiriyor. Yapay zekâ modellerinin gücünü zincir üstünde kullanmanın bir yolu, doğrulanabilir makine öğrenimi kanıtlarıdır (zkML ya da opML gibi). Bu kanıtlar, tek bir yapay zekâ modelinin çıkarımını zincir üstünde teyit eder. Ama bu modellerin doğasında olasılıksal bir yapı olduğu için tek bir çıktıya dayanmak riskli olabilir. İşte GenLayer'ın çoklu doğrulayıcı yaklaşımı tam burada devreye giriyor.
GenLayer'ın çoklu doğrulayıcı yaklaşımı hakkında daha fazla bilgi için bu bağlantıya göz atın!
Hangisi daha iyi çözüm?
Doğrulanabilir makine öğrenimi kanıtları Web3'te giderek önem ve ilgi kazandığı için bu yazıda onları GenLayer ile de karşılaştıracağız.
Hadi ayrıntılara inelim!
Kontrol mekanizmalarıyla güvenilirlik
Önce GenLayer'ın konsensüs mekanizmasının nasıl çalıştığını hatırlayalım, çünkü aşağıdaki karşılaştırmayı anlamak için bu temel önem taşıyor. Özetle Optimistic Democracy şöyle işler: GenLayer tek bir yapay zekâ modeline dayanmak yerine LLM'lere bağlı birden çok doğrulayıcı kullanır.
Bir kullanıcı işlem gönderdiğinde rastgele seçilen lider doğrulayıcı bir karar önerir; diğer doğrulayıcılar da kendi yapay zekâ modellerinin çıktılarına bakarak bu öneriyle hemfikir olur ya da olmaz. Lider doğrulayıcının önerisi çoğunluk konsensüsüne ulaşırsa işlem yürütülür.
Doğrulanabilir makine öğrenimi kanıtlarıyla karşılaştırma
zkML ya da opML, bir yapay zekâ modelinin belirli bir girdiyle belirli bir çıktı ürettiğini, yani çıkarım yaptığını kanıtlayan kriptografik protokollerdir. Örneğin: “A girdisini Llama üzerinde çalıştırarak B çıktısını ürettim.” GenLayer'ın yapay zekâyı blokzincir ekosistemine entegre etme yaklaşımı ise temelden farklıdır. zkML'in büyüsü, kanıtlayıcının bazı unsurları (örneğin “Llama” modelini) kanıtı denetleyen taraflardan gizleyerek bu ifadeleri kanıtlayabilmesinden gelir.
zkML ya da opML'in işleyişine bir örnek
İş zk ve op kanıtlarıyla da bitmiyor; bu alana hızla yeni teknolojik gelişmeler akıyor. Ama temel yaklaşım aynı: Bu teknolojilerin hepsi “yalnızca” çıkarımın kanıtını sunar. Bu da onları düşmanca girdilere karşı savunmasız bırakır.
Konuyu üst mahkemeye taşımak
Bu süreci bir örnekle açıklayalım: Evi selden etkilenen bir kullanıcının, parametrik sigorta poliçesinden ödeme almak için GenLayer'a bir işlem gönderdiğini varsayalım. GenLayer'ın Intelligent Contract'ı ilgili verileri bulmak için web'i tarar. Ardından (bir LLM'e bağlı) lider doğrulayıcı, talebin geçerliliğini teyit etmek için bbc.com gibi itibarlı bir kaynağa bakar. Diğer doğrulayıcılar liderin önerdiği sonucu (kullanıcının işleminin doğru olup olmadığını) teyit eder ve bu sonuç üzerine oy kullanır. Liderin önerdiği sonuç çoğunluğu sağlarsa işlem yürütülür.
Kullanıcı ya da ilgili başka herhangi bir taraf, itiraz penceresi içinde sonuca itiraz edebilir. Bu durumda önerilen sonucu daha fazla doğrulayıcı teyit eder ve oylar; böylece önceki sonuç ya da işlem tersine çevrilebilir.
GenLayer'da itiraz süreci
GenLayer, güvenilirliği mahkemelerdeki itiraz sürecine benzeyen bir sistemle sağlar. Bu sistemde her işlemi birden çok doğrulayıcı teyit eder; böylece kararlar tek bir yapay zekâ modelinin çıktısına bağlı kalmaz. Bu yöntem olasılıksal çıktıların getirdiği riskleri azaltmakla kalmaz, daha yüksek düzeyde güvenilirlik ve tutarlılık da sağlar.
Bütün davalara tek bir yargıcın baktığını ve kanun yoluna başvurma imkânı olmadığını düşünün. Hatalı hüküm verilme riski yüksek olurdu. GenLayer'ın çoklu doğrulayıcı sistemi de benzer biçimde itirazlara ve yeniden değerlendirmelere imkân tanıyarak işlem doğrulamada adil ve tarafsız bir süreç sağlar.
Olasılıksal sistemler olarak büyük dil modelleri
LLM'lerin olasılıksal doğası nedeniyle tek bir modele dayanmak sorunlu olabilir. GPT-4 gibi LLM'ler, kapsamlı eğitim verilerinden öğrendikleri olasılıksal örüntülere göre yanıt üretir. Modelden “Bana 1 ile 2 arasında bir sayı söyle” diye istendiğinde model tamamen rastgele bir değer üretmek yerine, öğrendiği bağlamdan yola çıkarak “1,5” gibi olası bir yanıt tahmin eder. Bu yüzden ek doğrulayıcılar olmadan tek bir modelin çıktısına dayanmak, özellikle yüksek riskli işlemler ya da kararlar için tehlikeli bir kumardır. Peki yukarıdaki örnekte 1 sayısının olasılığı tam olarak yüzde 51 ise?
GenLayer, iyimser konsensüs mekanizması içinde yapay zekâya bağlı birden çok doğrulayıcı kullanarak bu riskleri azaltır: Bir karar kesinleşmeden önce sürece katılan tüm doğrulayıcıların hemfikir olmasını şart koşar. Katılan doğrulayıcıların hepsinin aynı anda “olasılıksal olarak yanılması” ihtimali çok düşüktür. Olasılıklar GenLayer'dan yana döner!
Ayrıca tıpkı bir insan gibi her modelin de kendine özgü önyargıları vardır. Bir işlemi birden çok modelden geçirmek ve sonuçları itirazlarla birleştirmek, yüksek riskli uygulamalarda güvenilirliği artırır. Bu yaklaşım prompt injection saldırıları gibi riskleri de azaltır: Böyle bir saldırı tek bir modeli ele geçirebilir, ama hangileri olduğu bilinmeyen, birbirinden farklı modellere karşı başarılı olması katlanarak zorlaşır.
zkML gibi makine öğrenimi kanıtları, belirli bir modelin yürütülmesi için güçlü bütünlük güvenceleri sunar, ama o modelin kendisi olasılıksal olarak yanılabilir. GenLayer ise en doğru çıktıları sağlamaya teşvik edilen, birbirinden farklı birden çok LLM tabanlı doğrulayıcının zekâsını bir araya getirme yaklaşımını benimser. Ortaya çıkan sistem saldırılara ve halüsinasyonlara karşı daha dayanıklıdır; doğrulayıcılar işleyişlerine ince ayar yapıp daha yeni LLM'leri entegre ettikçe kendini geliştirir. Ayrıca zincir dışındaki başka kaynaklara erişebilir ve gelecekte çok modlu modelleri sorunsuzca entegre edebilir. Bunu da, birden çok doğrulayıcının deterministik olmayan veriler üzerinde, bu veriler ne olursa olsun, mutabakata varmasını sağlayan aynı konsensüs mekanizmasıyla yapar.
GenLayer'ın Optimistic Democracy'si, daha yeni ve daha gelişmiş yapay zekâ modelleri kullanıma sunuldukça bunların sisteme entegre edilmesine imkân tanır. Doğrulayıcılar, en doğru ve en güvenilir sonuçları sağlamak için yapay zekâ kurulumlarını sürekli iyileştirmeye teşvik edilir. Kendini geliştiren bu yapı, GenLayer'ın merkeziyetsiz bir sistemin doğasında bulunan güvenliği ve güvenilirliği korurken yapay zekâ teknolojisinin en ön saflarında kalmasını sağlar.
Sonuç
zkML ve opML teknolojileri tek bir yapay zekâ modelinin çıktıları için sağlam kanıtlar sunsa da yüksek doğruluk ve güvenilirlik gerektiren uygulamalarda yetersiz kalır. GenLayer'ın çoklu doğrulayıcı yaklaşımına dayanan Optimistic Democracy mekanizması ise kararların kolektif zekâya dayanarak alınmasını sağlar.
Birden çok yapay zekâ doğrulayıcısından ve dayanıklı bir konsensüs mekanizmasından yararlanan GenLayer, yapay zekâyı blokzincir ekosistemine entegre etmek için daha iyi bir çözüm sunuyor. GenLayer ile işlemlerinizi, yapay zekânın ve blokzincir teknolojisinin en iyi yanlarını sorunsuzca birleştiren merkeziyetsiz bir sistemin yürüttüğünden emin olabilirsiniz.
Misyonumuza katılın!
Web sitesi | Blog | Discord | X (eski adıyla Twitter) | Telegram | Simulator | Dokümantasyon | Whitepaper
