Blockchain vil demokratisere AI‑trening gjennom DRL‑forespørselskrowdsourcing

Deep Reinforcement Learning (DRL) er en av de mest populære og avanserte AI‑algoritmene i bruk i dag. Disse systemene kombinerer effektiviteten til maskinlæringsprotokoller med programmerbarheten til dype nevrale nettverk for å levere forbløffende resultater. I dag har DRL‑AI‑algoritmer bidratt til å løse noen av vitenskapens eldste gåter og avdekke mønstre og løsninger som mennesker lett overså.

Nylig introduserte en gruppe forskere et nytt konsept på markedet som kan bidra til å bringe DRL‑algoritmer til flere bedrifter, forskere og til og med vanlige brukere i fremtiden. Systemet bruker et blokkjede‑marked og insentiver for å forenkle adopsjon. Her er alt du trenger å vite om hvordan blokkjede er i ferd med å få en stadig viktigere rolle i DRL‑fellesskapet.

Hva gjør DRL‑AI annerledes?

En av hovedfordelene med DRL‑AI‑algoritmer er at de kan overføre kunnskapen sin fra ett scenario til nye situasjoner. Denne evnen gjør dem ideelt egnet for selv‑læring i nye miljøer basert på modelldata. DRL‑AI‑systemer kan analysere en ny situasjon og generere komplekse svar som kan støtte alt fra å kjøre autonome kjøretøy til å lokalisere kreftceller i leveren eller nyren din.

Kilde – Analyticsvidhya

DRL‑AI‑systemer er blant de mest avanserte og har blitt det foretrukne alternativet for tolkning og avkoding av høy‑dimensjonale rådata. Denne informasjonen kan komme i form av bilder, videoer og mer. Som følge av dette har det vært en sterk dreining mot å bruke og utvide denne teknologien på tvers av industrier. Noen analytikere tror at DRL‑AI en dag kan drive generelle AI‑systemer som kan læres opp i nye oppgaver fra mennesker før de tar i bruk en autonom løsning.

En annen grunn til at forskere er begeistret for DRL‑AI‑systemer er at de tilbyr enestående skalerbarhet. Bekymringer rundt skalerbarhet har begrenset AI‑teknologi i flere år. DRL‑systemer kan skaleres for å møte massenes etterspørsel. I tillegg kan de hente inn data fra det oppskalerte nettverket for ytterligere å forbedre ytelsen.

Ulemper med DRL‑AI

DRL‑AI‑algoritmer er blant de vanskeligste å programmere og implementere. En del av grunnen til at det er så vanskelig å lage disse AI‑algoritmene er det enorme antallet variabler og data som kreves for at de skal fungere korrekt. Systemet må for eksempel ta hensyn til ulike miljøinteraksjoner, parametere, situasjoner, timing og tidligere programmering. Alle disse prosessene skjer på millisekunder for å gi en jevn AI‑opplevelse for brukerne.

Å lage en avansert og responsiv DRL‑algoritme kan være en kostbar oppgave som krever ekspertbistand. Disse algoritmene må først utvikles, data importeres og testes, og deretter finjusteres for å forbedre resultatene. Denne tilnærmingen tar tid og penger, noe som øker de samlede kravene til teknologien.

Hvordan kan den gjennomsnittlige personen få tilgang til DRL‑AI‑teknologi

Disse kravene gjør DRL‑algoritmer til en av de dyreste typene AI‑systemer å modellere. Kostnadene for AI‑programmerere, testing, datainnsamling og modellering gjør at de fleste brukere er langt fra startstreken når det gjelder å implementere denne teknologien i sine modeller.

Hvordan blokkjede‑teknologi kan bidra til å drive DRL‑utviklingen fremover

Det finnes flere måter blokkjede‑teknologi kan bidra til å forbedre tilgangen til DRL‑teknologi i fremtiden. Historien har vist at blokkjede‑protokoller kan bidra til å drive adopsjon og utvide tilgang til tjenester dersom de brukes riktig. Allerede har AI‑maskinlæringssektoren sett en rekke AI‑drevne integrasjoner som har hjulpet med å fremme adopsjon og innovasjon.

Machine Learning as a Service (MLaaS)-modeller er på plass som gjør det mulig for brukere å opprette, handle, handle og integrere avanserte ML‑algoritmer i et sikkert blokkjede‑økosystem. I de fleste tilfeller inkluderer denne tilnærmingen en markedsplass som insentiverer brukere til å utvikle og tilby AI‑modeller og andre tjenester til fellesskapet.

Dette modell har vist seg å være en utmerket måte å åpne døren for nye brukere og fjerne mange av hindringene for adopsjon. Derfor er det ikke overraskende at en lignende tilnærming nå er på bordet for DRL‑AI‑systemer. DRL as a Service (DRaaS)-rammeverket bidrar til å løse noen av de største utfordringene med DRL og kan hjelpe med å innlede en ny æra av AI‑tilgjengelighet, innovasjon og kapasiteter.

DRLaaS

Den DRLaaS-rammeverkstilnærmingen gjør det mulig for selskaper å bruke DRL‑tjenester uten å måtte investere fullt ut i en intern AI‑algoritme. Denne tilnærmingen kan betydelig redusere kostnadene for bedrifter og forskere som søker akseptable AI‑modeller i sin virksomhet. Brukere kan velge hvilke funksjoner de trenger og når de trenger dem. Denne strategien reduserer unødvendige kostnader og sikrer at fellesskapet gir insentiver til utviklere.

Hvordan DRLaaS‑rammeverket fungerer

Forskerne begynte med å velge en blokkjede som kunne skaleres, ga høy programmerbarhet og hadde dokumentert suksesshistorie. Etter å ha undersøkt flere alternativer, bestemte teamet seg for å bygge DRLaaS‑rammeverket på Consortium‑blokkjeden. Consortium er en privilegert tillatelses‑blokkjede som opererer som et privat nettverk, men under styring av et konsortium.

Consortium utnytter en unik Proof‑of‑Authority‑algoritme som integrerer verifiserte noder for å sikre skalerbarhet, øke ytelse og levere kvalitet. Consortium integrerer også et egenskapsfil‑lagringssystem kalt InterPlanetary File System (IPFS). Denne protokollen er svært effektiv for å forhindre manipulering og gjør det mulig for brukere å bruke smarte kontrakter til å be om AI‑oppgaver.

Brukere av det nye systemet kan fremlegge DRL‑modulforespørsler til fellesskapet. Disse forespørslene kan besvares av utviklere som allerede har laget eller har muligheten til å utvikle den tilsvarende DRL‑algoritmen. De får kompensasjon for innsatsen i form av belønnings‑tokens. Dette insentivsystemet har vist seg effektivt for å bygge AI‑fellesskap og var avgjørende for å drive ML‑AI‑sektoren fremover.

Hvorfor DRLaaS‑alternativet er en smart løsning – DRL

En av hovedgrunnene til at DRLaaS‑alternativet sannsynligvis vil få mer støtte, er at det er så kostbart å lage DRL‑algoritmer. Maskinvarekostnadene for disse systemene kan være ekstremt høye. For å sette programmeringen av et DRL‑AI‑system i perspektiv, refererte forskerne til DOTA‑DRL‑AI‑algoritmen som nylig ble presentert av et forskerteam.

Programmeringen av DOTA‑algoritmen krevde 51 000 CPU‑er og 512 GPU‑er. For den gjennomsnittlige forsker, bruker eller bedrift finnes det ingen rimelig måte å få tilgang til så mye beregningskraft på. Å kjøpe dette utstyret er ikke den eneste økonomiske hindringen. Det er fortsatt behov for å skaffe data, programmere AI‑systemene og andre oppgaver knyttet til implementering. Til slutt kan DRLaaS være den eneste måten for de fleste firmaer å få sikker tilgang til disse kraftige verktøyene.

Nå kan bedrifter utnytte ekspertisen og domenekunnskapen på toppnivå for å lage tilpassede AI‑løsninger som dekker deres behov. DRLaaS‑alternativet gjør det mulig for disse firmaene å bruke AI‑systemer etter behov, og reduserer unødvendig eksponering og kostnader betydelig.

Forskere

Forskerne bak studien inkluderer en rekke ingeniører, analytikkutviklere og mer. Spesielt gir studien kreditt til forfatterne Ahmed Alagha, Hadi Otrok, Shakti Singh, Rabeb Mizouni og Jamal Bentaharas som hovedforfattere. Nå ønsker teamet å utvide sin virksomhet og implementering til markedet, og dermed øke tilgangen for massene.

DRL‑teknologiapplikasjoner

Det finnes mange DRL‑AI‑applikasjoner i drift i dag. Disse systemene spiller viktige roller i autonome kjøretøy, navigasjon, helsevesen, spill og mer. Her er noen fremtredende anvendelser av DRL‑systemet som kan bidra til å forbedre dagens alternativer betydelig.

DRL‑helse

DRL‑teknologi fortsetter å spille en viktig rolle i neste generasjons helsetjenester. Disse avanserte AI‑systemene har vist seg å være svært gode til å identifisere mønstre i massive datamodeller, noe som gjør det mulig for forskere å oppdage tidligere oversette korrelasjoner. Allerede finnes det AI‑systemer som kan hjelpe med å vurdere organhelse, skanne hjerneaktivitet og lokalisere skadede celler.

DRL‑militær

Bruken av DRL‑teknologi i militæret øker. Teknologien har blitt brukt i fremtidige krigssystemer, inkludert det økende antallet drone‑sværmer. Drone‑sværmer er en metode for å angripe en fiende ved hjelp av store mengder autonome droner. Denne tilnærmingen er ment å overvelde luftforsvaret.

DRL‑AI‑systemer spiller også en viktig rolle i å identifisere mål. Dagens militære overvåkingssystemer integrerer DRL for å holde oversikt over de minste endringene i det overvåkede området, og avslører skjulte våpen og potensielle mål mer effektivt. I fremtiden vil det finnes komplette AI‑dødskjeder som fjerner behovet for menneskelig godkjenning ved målbestemmelse.

Lignende tilnærminger brukt av blokkjedeprosjekter

Flere blokkjedeprosjekter har brukt lignende crowdsourcing‑metoder for å drive innovasjon i ulike bransjer. Opprinnelig ble denne typen blokkjedeintegrasjon brukt for skytjenester. Deretter utvidet den seg til datadeling og beregningsutvekslinger. I dag finnes det crowdsourcete markedsplasser for avanserte beregninger, inkludert AI, på tvers av markedet. Her er noen fremtredende eksempler.

Golem (GLM)

Golem er en AI‑fokusert desentralisert beregningsmarkedsplass som gjør det mulig for brukere å sikre belønninger i form av tokens for å dele ubrukt beregningskraft. Protokollen gjør det mulig for alle å få tilgang til massiv beregningskraft uten å måtte kjøpe dyr maskinvare. Kjernen i Golems tilnærming er en desentralisert markedsplass. Her kan brukere sikre GLM‑tokens som gir CPU‑kraft til utviklere, forskere og brukere.

Golem gjør det mulig for brukere å ta store beregningsoppgaver og delegere dem til mindre løsninger som er fordelt blant fellesskapet av aktive brukere. Denne strategien senker kostnader og forbedrer effektivitet og desentralisering. Som følge av dette er Golem et populært prosjekt som var blant de første som leverte beregning som en tjeneste ved hjelp av blokkjede‑systemer. I dag er det anerkjent som en banebrytende plattform med en solid brukerbase.

Render (RENDER)

Render er et industrialisert AI‑drevet blokkjede‑basert system som gir nesten ubegrenset beregningskraft til AI‑utviklere. Protokollen fokuserte opprinnelig på å bruke sin massive desentraliserte beregningskraft til å hjelpe med å utvikle og behandle den enorme mengden høy‑definisjonsvideo og effekter som kreves for dagens spill, forskning og underholdning.

Render gir makt til de vitenskapelige, underholdnings‑ og forskningsfellesskapene gjennom sin unike og dokumenterte tilnærming. Plattformen bruker Ethereum for validering samtidig som den integrerer OctaneRender‑protokollen for å forbedre 3D‑behandlingsytelsen. De som leverer CPU‑kraft til fellesskapet tjener RENDER‑tokens basert på mengden beregningskraft de bidrar med.

Børsnotert selskap som utvikler innovative AI‑løsninger

Flere AI‑selskaper utvikler AI som en dag vil påvirke livet ditt. I mange tilfeller tenker du kanskje på store selskaper som Microsoft (MSFT ) når du diskuterer AI‑utvikling. Det finnes imidlertid flere børsnoterte AI‑alternativer som er verdt å se på. Her er ett eksempel på et selskap som bruker AI for å levere svært nødvendige tjenester til markedet.

1. BrainChip (BRCHF)

Brainchip er en innovativ leverandør av programvare og maskinvare for AI‑helseindustrien. Plattformen introduserer en nevromorfisk datamodell som er designet for å etterligne hvordan nevroner fungerer i hjernen. Denne strategien har vist seg å være energieffektiv og levere høy ytelse.

BrainChip (BRN.AX ) er en pioner innen AI‑feltet og leder an innen AIoT (Artificial Intelligence of Things)‑nettverk. Dette konseptet kombinerer den lave kostnaden og tilgjengeligheten til IoT‑smarte enheter med mulighetene til avanserte AI‑algoritmer. Resultatet er et svært kapabelt system som kan overvåke driften, oppdage problemer før de oppstår, og raskt presentere levedyktige løsninger.

DRL‑forespørselskrowdsourcing – Veien å gå

Innføringen av et DRLaaS‑alternativ vil bidra til å drive integrering på tvers av markedet. Denne tilnærmingen har en dokumentert historikk for å utvide brukernes forståelse og tilgang i andre AI‑sektorer. Derfor er den perfekt å anvende på DRL‑markedet. Du kan forvente å se mye mer AI‑integrasjon etter hvert som DRL‑tjenester blir tilgjengelige for massene.

Lær mer om andre AI Prosjekter på norsk.