في مسار تطوير التعلم الآلي بدون معرفة (zkML)، واجهنا العديد من التحديات. لقد عانى الرواد من مشاكل مثل قوة الحوسبة غير الكافية وحماية الخصوصية. مؤخرًا، ادعى فريق Lagrange أنه من خلال تقنية DeepProve الخاصة به، لم يحل هذه المشكلات فحسب، بل زاد أيضًا من سرعة المعالجة بشكل ملحوظ. ومع ذلك، لا يمكننا إلا أن نتساءل: هل الأساس الذي تم بناء هذا الطريق السريع عليه قوي بما فيه الكفاية؟

في مجال التشخيص الطبي، تعتبر دقة الإثبات أمرًا بالغ الأهمية؛ في إدارة المخاطر المالية، لا يمكن التهاون في صحة البيانات. إذا كنا حقًا نريد المضي قدمًا بسرعة على طريق zkML، يجب أن نضمن موثوقيتها. لأنه بمجرد حدوث خطأ كبير، قد تكون الخسائر الناتجة عنه لا يمكن تحملها.

على الرغم من أن تقنية zkML لها آفاق واسعة، إلا أننا لا زلنا بحاجة إلى الحذر. يجب علينا أن نركز ليس فقط على التطور السريع للتكنولوجيا، بل يجب أن نضمن أيضًا استقرارها وموثوقيتها في التطبيقات العملية. فقط بهذه الطريقة يمكن لتقنية zkML أن تحقق حقًا إمكانياتها التغييرية في مختلف المجالات، لتقديم حلول ذكية وآمنة وفعالة.