Nesa significa milagro, en homenaje a la era dorada de la IA en la que vivimos. La tecnología suficientemente avanzada, como la IA confiable, a menudo es indistinguible de la magia. Nesa es la capa 1 liviana que ejecuta inferencias de IA críticas en consultas que requieren un alto grado de privacidad, seguridad y confianza utilizando métodos avanzados en cadena, incluido el aprendizaje automático de conocimiento cero (ZKML), el aprendizaje dividido (SL) y más. Nesa se creó como una alternativa a ChatGPT y otras plataformas de inferencia actuales que están centralizadas y controladas por actores importantes. Estas plataformas tienen cero visibilidad o responsabilidad en su salida sobre sus transacciones críticas y brindan cero privacidad en sus datos y resultados. Este es un gran problema en IA. Limitaciones en la arquitectura centralizada. Si bien se usan comúnmente, las arquitecturas de procesamiento centralizadas plantean riesgos significativos relacionados con la privacidad de los datos, cuellos de botella computacionales, salida determinista y puntos únicos de falla. El costo prohibitivo y la escasez de recursos informáticos de alto rendimiento, como las GPU avanzadas, impiden la adopción masiva de la única opción contra la centralización, que es la IA descentralizada de código abierto. Estos desafíos limitan aún más la capacidad de contribuir al desarrollo, entrenamiento, ajuste y ejecución de modelos de IA. Esto impide severamente la adopción de modelos de IA de última generación (SOTA) para empresas y desarrolladores, así como la investigación compartida en todo el mundo. Los desafíos en torno a la seguridad obstaculizan aún más los esfuerzos colaborativos para ejecutar la IA en la actualidad. Técnicas como la adaptación continua y la adaptación de dominio ofrecen soluciones parciales al permitir el intercambio de modelos sin intercambio directo de datos. Sin embargo, estos métodos son susceptibles a ataques de puerta trasera y a menudo dan como resultado un rendimiento subóptimo del modelo debido a las limitaciones del ajuste fino semisupervisado o no supervisado. En conjunto, estos problemas tienen implicaciones en el mundo real para las empresas que requieren inferencia crítica. En el ámbito financiero, por ejemplo, donde las instituciones analizan enormes cantidades de datos transaccionales sensibles, los sistemas centralizados tradicionales no cumplen los estrictos requisitos de privacidad y seguridad de los datos, mientras que los sistemas descentralizados existentes no logran satisfacer las necesidades de confidencialidad y verificabilidad.
