Den 7 augusti avslöjade Nillion, ett blindt beräkningsnätverk, att det har slagit sig ihop med Ritual, ett decentraliserat öppet infrastrukturnätverk för artificiell intelligens (AI), för att utveckla decentraliserad blind AI-inferensteknik.
Denna teknik lovar att demokratisera AI-åtkomst samtidigt som den säkerställer fullständig användardatasekretess.
Överbrygga gapet till AI-integritet med decentraliserade lösningar
Samarbetet syftar till att underlätta säker och verifierbar AI-inferens för olika applikationer. Båda projekten erkänner att i takt med att personlig AI blir allt vanligare är tillgång till känslig information avgörande.
Läs mer: En guide till de bästa AI-säkerhetslösningarna 2024
För närvarande tvekar många organisationer att använda AI med känsliga data på grund av integritetsproblem. Detta partnerskap syftar till att överbrygga den klyftan, vilket gör det möjligt för företag att använda AI-funktioner samtidigt som fullständig datasekretess upprätthålls. Enligt Alex Page, VD för Nillion, kommer partnerskapet att integrera Nillions blinda beräkningsteknik i Rituals gränssnitt.
“Integrationen kommer att göra det möjligt för utvecklare att upprätthålla konfidentialiteten för både användarindata och AI-modeller”, förklarade Page för BeInCrypto.
Denna synergi kommer också att öppna upp många möjligheter för tillämpningar inom blockkedje- och AI-sektorerna. Lovande användningsfall inkluderar att möjliggöra AI inom hälso- och sjukvården och Internet of Things (IoT), bearbeta och utforska prisprognoser som skyddar proprietära modeller och användardata.
“Det kommer också att förbättra avsiktsklassificeringen i chatbot-system för säkra åtgärder baserade på klassificerade avsikter, utveckla säkra alternativ till nuvarande anonymiseringslager mellan användare och generativa AI-slutpunkter och underlätta vektorbaserad informationshämtning som är avgörande för Retrieval-Augmented Generation-system”, förklarade Nillions talesperson.
Detta partnerskap ligger i linje med en nyligen publicerad rapport från McKinsey, som betonade vikten av högkvalitativa datauppsättningar för att fånga värde från AI. Datacentrerade AI-användningsfall är olika och utbredda. Det handlar bland annat om att upptäcka och förebygga bedräglig verksamhet i finansinstitut, främja transparens i AI-drivna diagnoser inom hälso- och sjukvården och identifiera potentiella snedvridningar i kvalitetskontrollsystem för tillverkare.
Den centraliserade AI-modellen innebär dock utmaningar och risker. Grayscales rapport belyser hur nätverkseffekter och höga kapitalkrav inom AI-sektorn är betydande hinder för många utvecklare utanför stora teknikföretag.
Detta gör det utmanande för dem att få tillgång till de nödvändiga resurserna. Följaktligen blir det svårare för dem att tjäna pengar på sitt arbete, vilket i slutändan begränsar konkurrensen och innovationen inom AI-branschen.
I takt med att AI växer i inflytande och betydelse oroar sig många dessutom för att beslutsmakten ska koncentreras till ett fåtal företag. Decentraliserad AI, som använder blockkedjeteknik, erbjuder en lösning genom att distribuera ägande och styrning av AI. Detta ökar transparensen och tillgängligheten.
Läs mer: Hur kommer artificiell intelligens (AI) att förändra krypto?
Dessutom kan blockkedjetekniken bidra till att öka utvecklarnas tillgång till AI, vilket sänker oberoende utvecklares hinder för att bygga och tjäna pengar på sitt arbete. Detta skulle kunna förbättra den övergripande AI-innovationen och konkurrensen och ge en balans med de modeller som utvecklats av teknikjättarna.
Disclaimer
All information på vår webbplats publiceras i god tro och endast för allmän information. Varje åtgärd som läsaren vidtar baserat på informationen på vår webbplats sker strikt på egen risk.
