کارکرد یادگیری ماشین برای بلاک چین

امروزه، از آنجایی که تکنیک‌های یادگیری ماشین به طور گسترده در طیف وسیعی از برنامه‌ها به کار می‌روند، یادگیری ماشین برای خدمات آنلاین اهمیت پیدا کرده است.

Morphware یک سیستم یادگیری ماشین غیرمتمرکز است که به صاحبان شتاب‌دهنده‌ها با حراج قدرت محاسباتی بی‌حرکت آنها پاداش می‌دهد و سپس روال‌های فرعی مرتبط را تسهیل می‌کند، که می‌تواند از طرف دانشمندان داده برای آموزش و آزمایش مدل‌های یادگیری ماشین در یک ظرفیت غیرمتمرکز باشد.

انواع مدل های یادگیری ماشینی شامل الگوریتم های یادگیری نیمه نظارت شده یا بدون نظارت است.

آموزش یک الگوریتم یادگیری نظارت شده را می توان به عنوان جستجو برای ترکیب بهینه وزن ها برای اعمال به مجموعه ای از ورودی ها یا پیش بینی یک خروجی مطلوب دید.

انگیزه این کار پیچیدگی محاسباتی است. سخت افزاری که برای رندر بازی های ویدیویی استفاده می شود می تواند آموزش الگوریتم های یادگیری تحت نظارت را نیز تسریع بخشد.

Morphware چیست؟

یکی از مشکلات کلیدی در مدل‌های یادگیری ماشینی این است که منابع محاسباتی مورد نیاز برای اجرای مدرن‌ترین حجم کاری یادگیری ماشین تقریباً هر سه ماه و نیم دو برابر می‌شود.

برای رسیدگی به این مشکل، Morphware یک شبکه همتا به همتا توسعه می‌دهد که به متخصصان داده، مهندسین یادگیری ماشین و دانشجویان علوم کامپیوتر اجازه می‌دهد تا به بازیکنان بازی‌های ویدیویی یا دیگران برای آموزش مدل‌ها از طرف آنها پول پرداخت کنند.

اگرچه ماشین‌های سخت‌افزاری به دانشمندان داده کمک می‌کنند تا توسعه مدل‌های یادگیری ماشین را تسریع کنند، اما هزینه بالای این شتاب‌دهنده‌های سخت‌افزاری نیز مانعی برای بسیاری از دانشمندان داده است.

مدل های یادگیری ماشینی چیست؟

مدل‌های یادگیری ماشینی می‌توانند بر اساس میزان نظارت و پارامترسازی متفاوت باشند. هدف از آموزش یک مدل نظارت شده با پارامتر، کاهش نرخ خطای است که فاصله عددی بین یک پیش‌بینی و یک مشاهده را در بر می‌گیرد.

آموزش یک مدل یادگیری ماشینی با پیش پردازش و به دنبال آن آزمایش اجرا می شود. دانشمندان داده داده‌هایی را که در حین آموزش در اختیار مدل‌های یادگیری ماشین قرار می‌گیرد از داده‌هایی که در طول دوره آزمایش در دسترس آنها قرار می‌گیرد جدا می‌کنند.

بنابراین، مشاهده می‌شود که مدل با مجموعه داده‌های موجود و همچنین عملکردها، که ممکن است در داده‌های دیده نشده بدتر باشد، بیش از حد مناسب نیست.

به طور معمول، داده های آموزش و آزمایش از یک فایل یا فهرست در پیش پردازش انتخاب می شوند.

تولد یادگیری عمیق انفجار بزرگ مدرن است به عنوان یک مدل نرم افزاری اساساً جدید، یادگیری عمیق اجازه می دهد تا میلیاردها نورون نرم افزاری و تریلیون ها اتصال به طور موازی آموزش داده شوند.

اجرای الگوریتم های شبکه عصبی عمیق و یادگیری از مثال ها، محاسبات تسریع شده یک رویکرد ایده آل است و GPU پردازنده ایده آل است.

این ترکیب جدیدی برای ایجاد نسل جدیدی برای پلتفرم های محاسباتی با عملکرد بهتر، بهره وری برنامه نویسی و دسترسی آزاد است.

مدل های یادگیری عمیق به عنوان زیر مجموعه ای از مدل های یادگیری ماشین شناخته می شوند. به دلیل لایه های به هم پیوسته متغیرهای نهفته، آموزش آنها به ویژه از نظر محاسباتی بسیار فشرده است.

راه حل Morphware چیست؟

ارز پلتفرم اصلی Morphware Token برای این تراکنش ها استفاده می شود.

توکنومیک

مجموع عرضه توکن Morphware 1,232,922,769 است و قابل سوختن هستند، اما قابل ضرب نیستند.

از طریق وب سایتی که توسط Morphware طراحی، توسعه و مستقر شده است، کاربران می توانند توکن پلتفرم را خریداری کنند.

کمتر از دو درصد از کل عرضه توکن های Morphware در ماه اول به فروش می رسد.

Morphware چگونه کار می کند

فرآیند یک مدل یادگیری ماشینی تجزیه و تحلیل داده است و سپس یک چرخه تکراری است که بین انتخاب مدل و مهندسی ویژگی در نوسان است.

هدف از این کار کمک به کاربران نهایی مانند دانشمندان داده است که با ایجاد دسترسی به یک شبکه غیرمتمرکز از رایانه‌ها که می‌توانند بار کاری آنها را تسریع کنند، سریع‌تر تکرار کنند.

کاربران نهایی با گره‌های کارگری و پرداخت از طریق مزایده معکوس قیمت دوم جفت می‌شوند. آن‌ها به گره‌های کارگر برای آموزش مدل‌هایشان و گره‌های اعتبارسنجی برای آزمایش مدل‌هایی که توسط گره‌های کارگر توسط Morphware Tokens آموزش داده شده‌اند، پول می‌دهند.

نقش ها و مسئولیت های اعضای شبکه شامل دو نوع همتا مستقل است.

برای کار با Morphware، کاربران نهایی فقط مدل خود را در قالب یک نوت بوک Jupyter یا یک فایل Python، داده های آموزش و آزمایش را آپلود می کنند.

در مرحله بعد، آنها باید سطح دقت هدف را مشخص کنند و پیش بینی کنند که چقدر طول می کشد تا به آن سطح دقت برسد. برای پایان، روی ارسال کلیک کنید.

کاربران نهایی مدل هایی را ارسال می کنند تا توسط کارگران آموزش داده شوند و توسط اعتبار سنجی ها آزمایش شوند. در همین حال، کارگران گره هایی هستند که با آموزش مدل های ارائه شده توسط کاربران نهایی، توکن ها را به دست می آورند.

اعتبار سنجی گره هایی هستند که با آزمایش مدل های آموزش دیده توسط کارگران، توکن ها را به دست می آورند.

هنگامی که کاربر نهایی مدل را ارسال می کند، توسط کارگران آموزش داده می شود و توسط اعتبار سنجی ها، از طریق پلت فرمی که از طریق شبح پشتیبان خود با شبکه ارتباط برقرار می کند، آزمایش می شود.

دیمون نه تنها مسئول ایجاد الگوریتم‌ها و مجموعه داده‌های مربوطه برای آنچه توسط کاربر نهایی از طریق مشتری ارسال می‌شود، بلکه ارسال درخواست اولیه کار به قرارداد هوشمند نیز است.

علاوه بر این، دیمون مسئولیت آموزش و آزمایش مدل‌ها را توسط کارگران و اعتباردهندگان بر عهده دارد.

تحویل به کمک همتایان امکان انتشار یک الگوریتم و مجموعه داده مربوطه را از یک کاربر نهایی به یک کارگر یا یک اعتبارسنجی می‌دهد.

با این حال، الزامات کاری اولیه از کاربر نهایی و پاسخ‌های مربوطه به کاربر نهایی از سوی کارگران یا اعتبارسنجی‌ها، همگی به قرارداد هوشمند ارسال می‌شوند.

الزامات اولیه کار شامل زمان اجرا تخمین زده شده دوره آموزشی، آهنربای مرتبط با الگوریتم، مجموعه آموزشی و مجموعه آزمایشی داده ها است.

پاسخ یک کارگر شامل یک پیوند آهنربایی به مدلی است که آنها آموزش داده اند، که متعاقباً توسط بسیاری از اعتبارسنجی ها آزمایش می شود.

اگر مدلی که آموزش داده شده است آستانه عملکرد مورد نیاز را برآورده کند، کارگر و اعتبارسنجی‌ها نشانه‌هایی را به عنوان پاداش دریافت می‌کنند.

چه چیزی Morphware را برجسته می کند

Morphware یک بازار دو طرفه است.

این بازار به دانشمندان داده‌ای خدمت می‌کند که می‌توانند از این پلتفرم برای دسترسی به توان محاسباتی از راه دور از طریق شبکه رایانه‌ها مانند CPU، GPU، RAM به همان روشی که از AWS استفاده می‌کنند، استفاده کنند، اما با هزینه کمتر و با رابط کاربرپسندتر.

از سوی دیگر، Morphware به صاحبان قدرت محاسباتی مازادی که به دنبال کسب درآمد و پاداش با فروش قدرت محاسباتی خود هستند نیز خدمت می کند.

بنابراین، بخش‌های مشتریان آن بر روی دانشمندان داده، گیمرها یا افرادی با قدرت محاسباتی مازاد که می‌خواهند کسب درآمد کنند، تمرکز می‌کنند.

در حال حاضر، فهرست مشتریان Morphware به طور مداوم در حال رشد است، از جمله یک دانشمند داده که در آزمایشگاه تحرک ماشین خودران کار می‌کند، سازمان‌های دانشجویی که به پشتیبانی علم داده نیاز دارند، و شرکت‌های خودروسازی مانند سوزو، میتسوبیشی یا ولوو.

Morphware همچنین با Tellor همکاری کرده است. تحت این مشارکت، Tellor قرار است به Morphware برای استفاده از اوراکل خود برای چند ماه اول پول پرداخت کند.

در مقایسه با سایر رقبای موجود در بازار، Morphware دارای مزیت رقابتی است. استراتژی منحصر به فرد آن در بازار، محصول خود را ارزان تر از سایرین می کند.

فکرهای پایانی درباره Morphware

همانطور که مدل‌های یادگیری ماشینی پیچیده‌تر می‌شوند، پروژه‌های اکوسیستم جدیدی از مدل‌های یادگیری ماشینی که از طریق شبکه مبتنی بر بلاک چین معامله می‌شوند، مورد بررسی قرار گرفته‌اند.

به این ترتیب، کاربران نهایی یا خریداران می توانند مدل مورد علاقه خود را از بازار یادگیری ماشین به دست آورند در حالی که کارگران یا فروشندگانی که علاقه مند به صرف محاسبات محلی بر روی داده ها برای افزایش کیفیت آن مدل هستند.

بنابراین، رابطه متناسب بین داده های محلی و کیفیت مدل های آموزش دیده در نظر گرفته شده و ارزش گذاری داده های فروشنده در آموزش مدل ها برآورد می شود.

این پروژه عملکرد رقابتی در زمان اجرا، هزینه اجرا کمتر و انصاف را از نظر انگیزه برای شرکت کنندگان نشان می دهد.

Morphware یکی از پلتفرم‌های پیشگامی است که یک شبکه همتا به همتا را معرفی می‌کند که در آن کاربران نهایی می‌توانند به بازیکنان بازی‌های ویدیویی برای آموزش مدل‌های یادگیری ماشین، از طرف آن‌ها، با ارز Morphware Token، پول پرداخت کنند.

برای کسب اطلاعات بیشتر در مورد Morphware - لطفا اینجا را کلیک کنید!