Blockchain sætter til at demokratisere AI-træning gennem DRL-anmodning crowdsourcing

Deep Reinforcement Learning (DRL) er en af de mest populære og avancerede AI-algoritmer i brug i dag. Disse systemer kombinerer effektiviteten af Machine Learning-protokoller med programmabiliteten af Deep Neural Networks for at producere forbløffende resultater. I dag har DRL AI-algoritmer hjulpet med at løse nogle af videnskabens ældste mysterier og låse mønstre og løsninger op, som mennesker let overså.

For nylig introducerede en gruppe forskere en ny koncept på markedet, der kunne hjælpe med at bringe DRL-algoritmer til mere forretningsvirksomhed, forskere og endda hverdagsbrugere i fremtiden. Systemet bruger en blockchain-marked og incitamenter til at strømline adoption. Her er alt, du behøver at vide om, hvordan blockchain er sat til at spille en stadig vigtigere rolle i DRL-fællesskabet.

Hvad gør DRL AI anderledes?

En af de største fordele ved DRL AI-algoritmer er, at de kan overføre deres viden fra scenarier til nye situationer. Denne evne gør dem ideelt egnet til selv-læring i nye miljøer baseret på modeldata. DRL AI-systemer kan undersøge en ny situation og oprette komplekse svar, der kan understøtte alt fra selv-kørende køretøjer til lokaliseringskræftceller i din lever eller nyre.

Source – Analyticsvidhya

DRL AI-systemer er blandt de mest avancerede og er blevet det foretrukne valg for fortolkning og afkodning af høj-dimensionelle rådata. Denne information kan komme i form af billeder, videoer og mere. Som sådan har der været en stærk vending mod at udnytte og udvide denne teknologi på tværs af industrier. Nogle analytikere mener, at DRL AI en dag kan drive generelle AI-systemer, der kan sendes til at lære nye opgaver fra mennesker, før de antager en selvstændig løsning.

En anden grund til, at forskere er glade for DRL AI-systemer, er, at de tilbyder ubesvaret skalerbarhed. Skalerbarhedsproblemer har begrænset AI-teknologi i årevis. DRL-systemer kan skaleres til at møde massekravene. Derudover kan de indsætte data fra det skalerede netværk for at forbedre ydeevnen yderligere.

DRL AI-ulemper

DRL AI-algoritmer er blandt de sværeste at programmere og implementere. En del af årsagen til, at det er så svært at oprette disse AI-algoritmer, er det enorme antal variable og data, der kræves for, at de kan fungere korrekt. For det første skal systemet tage hensyn til forskellige miljøinteraktioner, parametre, situationer, timing og tidligere programmering. Alle disse processer foregår på få millisekunder for at give en glat AI-oplevelse for brugerne.

At oprette en avanceret og responsiv DRL-algo kan være en dyrekøbt opgave, der kræver ekspertassistance. Disse algoritmer skal først oprettes, data importeres og testes, og derefter finjusteres for at forbedre resultaterne. Denne tilgang tager tid og finansiering, hvilket tilføjer til de overordnede krav til teknologien.

Hvordan kan den gennemsnitlige person få adgang til DRL AI-teknologi

Disse krav gør DRL-algoritmer til en af de dyreste typer AI-systemer at modelere. Omkostningerne til AI-programmerere, test, dataindsamling og modelering efterlader de fleste brugere langt fra startlinjen, når det kommer til at implementere denne teknologi i deres modeller.

Hvordan blockchain-teknologi kan hjælpe med at drive DRL-evolution fremad

Der er flere måder, hvorpå blockchain-teknologi kan hjælpe med at forbedre adgangen til DRL-teknologi fremad. Historien har vist, at blockchain-protokoller kan hjælpe med at drive adoption og udvide adgangen til tjenester, hvis de bruges korrekt. Allerede har AI Machine Learning-sektoren set talrige AI-drevne integrationer, der har hjulpet med at drive adoption og innovation.

Machine Learning som en Service (MLaaS)-modeller er på plads, der ermöglicher brugerne at oprette, handle, shoppe og integrere avancerede ML-algoritmer på tværs af et sikret blockchain-økosystem. I de fleste tilfælde inkluderer denne tilgang en marked, der inciterer brugere til at udvikle og tilbyde AI-modeller og andre tjenester til fællesskabet.

Bemærkelsesværdigt er, at denne model har vist sig at være en god måde at åbne døren for nye brugere og eliminere mange af barriererne for adoption. Som sådan er det ikke overraskende, at en lignende tilgang nu er på bordet for DRL AI-systemer. DRL som en Service (DRaaS)-rammen hjælper med at løse nogle af de største problemer med DRL og kunne hjælpe med at indlede en ny æra af AI-tilgængelighed, innovation og kapaciteter.

DRLaaS

DRLaaS-rammen som en tilgang ermöglicher virksomheder at udnytte DRL-tjenester uden at skulle investere fuldt ud i en intern AI-algoritme. Denne tilgang kan betydeligt reducere omkostningerne for virksomheder og forskere, der søger acceptable AI-modeller i deres operationer. Brugere kan vælge, hvilke funktioner de har brug for, og hvornår de har brug for dem. Denne strategi reducerer unødvendige omkostninger og sikrer, at fællesskabet tilbyder incitamenter til udviklere.

Hvordan DRLaaS-rammen fungerer

Forskerne startede med at vælge en blockchain, der kunne skaleres, tilbød høj programmabilitet og havde en dokumenteret track record. Efter at have undersøgt flere muligheder besluttede teamet, at det var bedst at oprette DRLaaS-rammen på Consortium Blockchain. Bemærkelsesværdigt er, at Consortium er en privilegeret tilladelse blockchain, der fungerer som et privat netværk, men under governance af et konsortium.

Consortium udnytter en unik Proof-of-Authority-algoritme, der integrerer godkendte noder for at sikre skalerbarhed, øge ydeevnen og give kvalitet. Bemærkelsesværdigt er, at Consortium integrerer et properties-filsystem kaldet InterPlanetary File System (IPFS). Denne protokol er meget effektiv til at forhindre manipulation og ermögiller brugerne at udnytte smarte kontrakter til at anmode om AI-opgaver.

Brugere af det nye system kan fremføre DRL-modul-anmodninger til fællesskabet. Disse anmodninger kan besvares af udviklere, der allerede har oprettet eller har evnen til at udvikle den korresponderende DRL-algoritme. De modtager kompensation for deres indsats i form af belønningstokens. Denne incitamenssystem har vist sig at være effektiv til at hjælpe med at bygge AI-fællesskaber og var afgørende for at drive ML AI-sektoren fremad.

Hvorfor DRLaaS-valget er en smart løsning – DRL

En af de største grunde til, at DRLaaS-valget er sikret til at se mere støtte, er, at det er så dyrt at oprette DRL-algoritmer. Hardware-omkostninger for disse systemer kan være vanvittigt høje. For at programmere en DRL AI-algoritme i perspektiv citerede forskerne den nyligt fremførte DOTA DRL AI-algoritme af et team af forskere.

At programmere DOTA-algoritmen tog 51.000 CPU’er og 512 GPU’er. For den gennemsnitlige forsker, bruger eller virksomhed er der ingen mulighed for at få adgang til så megen beregningskraft til en rimelig pris. At købe denne udstyr er ikke det eneste finansielle barrier. Der er stadig behov for at indsamlingsdata, programmere AI-systemer og andre opgaver forbundet med implementering. Til sidst kan DRLaaS måske være den eneste måde for de fleste virksomheder at få adgang til disse kraftfulde værktøjer sikkert.

Nu kan virksomheder udnytte den bedste ekspertise og domæneviden til at oprette tilpassede AI-løsninger til at møde deres behov. DRLaaS-valget ermögiller disse virksomheder at udnytte AI-systemer, når de har brug for dem, og reducerer unødvendig eksponering og omkostninger betydeligt.

Forskere

Forskerne bag studiet inkluderer en række ingeniører, analytikere, udviklere og mere. Specifikt krediterer studiet forfatterne Ahmed Alagha, Hadi Otrok, Shakti Singh, Rabeb Mizouni og Jamal Bentaharas som hovedforfattere. Nu søger teamet at udvide deres operationer og implementering til markedet, hvilket driver mere adgang for masserne.

DRL-teknologi-anvendelser

Der er mange DRL AI-anvendelser i drift i dag. Disse systemer spiller en vital rolle i selv-kørende køretøjer, navigation, sundhedspleje, gaming og mere. Her er få primære anvendelser for DRL-systemet, der kunne hjælpe med at forbedre nuværende muligheder betydeligt.

DRL-sundhedspleje

DRL-teknologi fortsætter med at spille en vital rolle i næste generations sundhedspraksis. Disse avancerede AI-systemer har vist sig at være ekstremt gode til at bestemme mønstre på tværs af massive datamodeller, hvilket ermögiller forskerne at se tidligere utilgængelige korrelationer. Allerede er der AI-systemer, der kan hjælpe med at bestemme din organsundhed, scanne hjernebølgeaktivitet og lokaliserer skadede celler.

DRL-militær

Brugen af DRL-teknologi i militæret er på vej op. Denne teknologi er blevet brugt i fremtidens krigssystemer, herunder det voksende antal drone-sværme. Drone-sværme er en metode til at angribe en fjende ved hjælp af massive mængder af selv-kørende droner. Denne tilgang er meant til at overvælde luftforsvar.

DRL AI-systemer spiller også en vital rolle i at få adgang til mål. I dag integrerer militærets overvågningsystemer DRL til at holde øje med de mindste ændringer i det overvågede område, hvilket afslører skjulte våben og potentielle mål mere effektivt. I fremtiden vil der være komplette AI-dræb-kæder, der eliminerer brugen af menneskelig godkendelse, når det kommer til at bestemme et mål.

Lignende tilgange taget af blockchain-projekter

Flere blockchain-projekter har brugt lignende crowdsourcing-metoder til at drive innovation i industrier. Til at begynde med blev denne type blockchain-integration brugt til sky-computing-tjenester. Så udvidede det sig til data-deling og beregningsudvekslinger. I dag kan du finde crowdsourced-markeder for avancerede beregninger, herunder AI, på markedet. Her er få primære eksempler.

Golem (GLM)

Golem er et AI-fokuseret decentraliseret computing-marked, der ermögiller brugerne at sikre belønninger i form af tokens for at dele deres ubrugte beregningskraft. Protokollen ermögiller enhver at få adgang til massive beregningskraft uden at skulle købe dyrt udstyr. I kernepunktet af Golems tilgang er et decentraliseret marked. Her kan brugere sikre GLM-tokens, der giver CPU-kraft til udviklere, forskere og brugere.

Bemærkelsesværdigt er, at Golem ermögiller brugerne at tage store beregningsopgaver og dele dem til mindre løsninger, der er fordelt blandt fællesskabets aktive brugere. Denne strategi reducerer omkostninger og forbedrer effektivitet og decentralisering. Som sådan er Golem et populært projekt, der var blandt de første til at tilbyde beregning som en tjeneste ved hjælp af blockchain-systemer. I dag er det anerkendt som et pionerprojekt, der har sikret en stærk brugerbase.

Render (RENDER)

Render er et industrialiseret AI-drevet blockchain-baseret system, der tilbyder næsten ubegrænset beregningskraft til AI-udviklere. Protokollen fokuserede oprindeligt på at bruge sin massive decentraliserede beregningskraft til at hjælpe med at udvikle og behandle den massive mængde højdefinitions-video og effekter, der er nødvendige for i dag’s gaming, forskning og underholdning.

Render ermögplier den videnskabelige, underholdnings- og forskningsfællesskabet via sin unikke og beprøvede tilgang. Platformen udnytter Ethereum til validering, mens den integrerer OctaneRender-protokollen til at forbedre 3D-behandlingens ydeevne. De, der tilbyder CPU-kraft til fællesskabet, modtager RENDER-tokens baseret på mængden af beregningskraft, de tilbyder.

Offentligt handlet selskab udvikler innovative AI-løsninger

Flere AI-virksomheder udvikler AI, der en dag vil interagere med dit liv. I mange tilfælde kan du tænke på massive virksomheder som Microsoft (MSFT ), når du diskuterer AI-udvikling. Men der er flere offentligt handlet AI-muligheder værd at tjekke ud. Her er et eksempel på en virksomhed, der udnytter AI til at tilbyde meget nødvendige tjenester til markedet.

1. BrainChip (BRCHF)

Brainchip er en innovativ software- og hardware-udbyder for AI-sundhedsindustrien. Platformen introducerer en neuromorfisk beregningsmodel, der er designet til at repræsentere, hvordan neuroner fungerer i hjernen. Denne strategi har vist sig at være energibesparende og give høj ydeevne.

BrainChip er en pioner i AI-feltet og fører an i feltet af AIoT (Artificial Intelligence of Things)-netværk. Denne koncept kombinerer den lave omkostning og tilgængelighed af IoT (Internet of Things)-smartenheder med kapaciteten af avancerede AI-algoritmer. Resultaterne er et højtkapabelt system, der kan overvåge operationer, opdage problemer, før de opstår, og præsentere viable løsninger prompt.

DRL-anmodning crowdsourcing – Vejen at gå

Introduktionen af en DRLaaS-mulighed vil hjælpe med at drive integration på tværs af markedet. Denne tilgang har en dokumenteret track record af at hjælpe med at udvide brugerforståelse og adgang i andre AI-sektorer. Som sådan er det perfekt at anvende på DRL-markedet. Du kan forvente at se meget mere AI-integration, når DRL-tjenester bliver tilgængelige for masserne fremad.

Lær om andre AI projekter