Blockchain kommer att demokratisera AI‑träning genom DRL‑förfrågningscrowdsourcing

Deep Reinforcement Learning (DRL) är en av de mest populära och avancerade AI‑algoritmerna som används idag. Dessa system kombinerar effektiviteten hos maskininlärningsprotokoll med programmerbarheten hos djupa neurala nätverk för att producera förbluffande resultat. Idag har DRL AI‑algoritmer hjälpt till att lösa några av vetenskapens äldsta gåtor och avslöja mönster och lösningar som människor lätt förbiser.

Nyligen presenterade en grupp forskare ett nytt koncept på marknaden som kan hjälpa till att föra DRL‑algoritmer till fler företag, forskare och även vanliga användare i framtiden. Systemet använder en blockchain‑marknad och incitament för att förenkla antagandet. Här är allt du behöver veta om hur blockchain är på väg att spela en allt viktigare roll i DRL‑gemenskapen.

Vad gör DRL AI annorlunda?

En av de största fördelarna med DRL AI‑algoritmer är att de kan överföra sin kunskap från scenarier till nya situationer. Denna förmåga gör dem idealiska för självstudier i nya miljöer baserade på modelldata. DRL AI‑system kan undersöka en ny situation och skapa komplexa svar som kan stödja allt från att köra autonoma fordon till att lokalisera cancerceller i din lever eller njure.

Källa – Analyticsvidhya

DRL AI‑system är bland de mest avancerade och har blivit det föredragna alternativet för tolkning och avkodning av högdimensionell rå indata. Denna information kan komma i form av bilder, videor och mer. På grund av detta har det skett en stark vändning mot att använda och expandera denna teknik över branscher. Vissa analytiker tror att DRL AI en dag kan driva generella AI‑system som kan läras nya uppgifter av människor innan de antar en autonom lösning.

En annan anledning till att forskare är förtjusta i DRL AI‑system är att de erbjuder oöverträffad skalbarhet. Skalbarhetsproblem har begränsat AI‑teknik i åratal. DRL‑system kan skala för att möta massornas efterfrågan. Dessutom kan de mata in data från det uppskalade nätverket för att ytterligare förbättra prestanda.

Nackdelar med DRL AI

DRL AI‑algoritmer är bland de svåraste att programmera och implementera. En del av orsaken till att det är så svårt att skapa dessa AI‑algoritmer är det enorma antalet variabler och data som krävs för att de ska fungera korrekt. Systemet måste bland annat ta hänsyn till olika miljöinteraktioner, parametrar, situationer, timing och tidigare programmering. Alla dessa processer sker på millisekunder för att ge en smidig AI‑upplevelse för användarna.

Att skapa en avancerad och responsiv DRL‑algoritm kan vara en kostsam uppgift som kräver expertstöd. Dessa algoritmer måste först skapas, data importeras och testas, och sedan finjusteras för att förbättra resultaten. Detta tillvägagångssätt tar tid och pengar, vilket ökar de totala kraven på tekniken.

Hur kan den genomsnittliga personen få tillgång till DRL AI‑teknik

Dessa krav gör DRL‑algoritmer till en av de dyraste typerna av AI‑system att modellera. Kostnaden för AI‑programmerare, testning, datainsamling och modellering lämnar de flesta användare långt ifrån startlinjen när det gäller att implementera denna teknik i sina modeller.

Hur blockchain‑teknik kan hjälpa till att driva DRL‑utveckling framöver

Det finns flera sätt på vilka blockchain‑teknik kan hjälpa till att förbättra tillgången till DRL‑teknik framöver. Historien har visat att blockchain‑protokoll kan driva antagande och utöka tillgången till tjänster om de används på rätt sätt. Redan har AI‑maskininlärningssektorn sett många AI‑drivna integrationer som har bidragit till antagande och innovation.

Machine Learning as a Service (MLaaS)-modeller finns på plats som möjliggör för användare att skapa, handla, köpa och integrera avancerade ML‑algoritmer över ett säkert blockchain‑ekosystem. I de flesta fall inkluderar detta tillvägagångssätt en marknadsplats som incitamentiserar användare att utveckla och erbjuda AI‑modeller och andra tjänster till gemenskapen.

Det är anmärkningsvärt att denna modell har visat sig vara ett utmärkt sätt att öppna dörren för nya användare och eliminera många av hindren för antagande. Därför är det ingen överraskning att ett liknande tillvägagångssätt nu är på bordet för DRL AI‑system. DRL as a Service (DRaaS)-ramverket hjälper till att lösa några av de största problemen med DRL och kan bidra till att inleda en ny era av AI‑tillgänglighet, innovation och kapabiliteter.

DRLaaS

DRLaaS som ramverksansats gör det möjligt för företag att använda DRL‑tjänster utan att behöva investera fullt ut i en intern AI‑algoritm. Detta tillvägagångssätt kan avsevärt sänka kostnaderna för företag och forskare som söker acceptabla AI‑modeller i sina verksamheter. Användare kan välja vilka funktioner de behöver och när de behöver dem. Denna strategi minskar onödiga kostnader och säkerställer att gemenskapen erbjuder incitament till utvecklare.

Hur DRLaaS‑ramverket fungerar

Forskarna började med att välja en blockchain som kunde skala, erbjöd hög programmerbarhet och hade en beprövad framgångshistoria. Efter att ha granskat flera alternativ beslutade teamet att det var bäst att skapa DRLaaS‑ramverket på Consortium Blockchain. Noterbart är att Consortium är en privilegierad permissioned blockchain som fungerar som ett privat nätverk men under styrning av ett konsortium.

Consortium utnyttjar en unik Proof-of-Authority-algoritm som integrerar granskade noder för att säkerställa skalbarhet, öka prestanda och leverera kvalitet. Noterbart är att Consortium integrerar ett egenskapsfilslagringssystem som kallas InterPlanetary File System (IPFS). Detta protokoll är mycket effektivt för att förhindra manipulation och möjliggör för användare att utnyttja smarta kontrakt för att begära AI‑uppgifter.

Användare av det nya systemet kan lägga fram DRL‑modulförfrågningar till gemenskapen. Dessa förfrågningar kan besvaras av utvecklare som redan har skapat eller har förmågan att utveckla den motsvarande DRL‑algoritmen. De får ersättning för sina insatser i form av belöningstoken. Detta incitamentsystem har visat sig vara effektivt för att bygga AI‑gemenskaper och var avgörande för att driva ML AI‑sektorn framåt.

Varför DRLaaS‑alternativet är en smart lösning – DRL

En av de främsta anledningarna till att DRLaaS‑alternativet säkert kommer att få mer stöd är att det är så dyrt att skapa DRL‑algoritmer. Hårdvarukostnaderna för dessa system kan vara enormt höga. För att sätta programmeringen av ett DRL AI‑system i perspektiv citerade forskarna DOTA DRL AI‑algoritmen som nyligen presenterades av ett forskarteam.

Programmeringen av DOTA‑algoritmen krävde 51 000 CPU:er och 512 GPU:er. För den genomsnittliga forskaren, användaren eller företaget finns det inget sätt att på ett prisvärt sätt få tillgång till så mycket beräkningskraft. Att köpa denna utrustning är inte det enda finansiella hindret. Det finns fortfarande ett behov av att samla in data, programmera AI‑systemen och andra uppgifter som är förknippade med implementeringen. I slutändan kan DRLaaS vara det enda sättet för de flesta företag att säkert få tillgång till dessa kraftfulla verktyg.

Nu kan företag utnyttja den högsta nivån av expertis och domänkunskap för att skapa skräddarsydda AI‑lösningar som uppfyller deras behov. DRLaaS‑alternativet gör det möjligt för dessa företag att använda AI‑system vid behov, vilket kraftigt minskar onödig exponering och kostnader.

Forskare

Forskarna bakom studien inkluderar en mängd ingenjörer, analytikutvecklare och mer. Specifikt ger studien erkännande till författarna Ahmed Alagha, Hadi Otrok, Shakti Singh, Rabeb Mizouni och Jamal Bentaharas som huvudförfattare. Nu strävar teamet efter att expandera sina verksamheter och implementering till marknaden, vilket ger ökad tillgång för massorna.

DRL‑teknikens tillämpningar

Det finns många DRL AI‑tillämpningar i drift idag. Dessa system spelar viktiga roller i autonoma fordon, navigation, sjukvård, spel och mer. Här är några främsta tillämpningar för DRL‑systemet som kan bidra till att avsevärt förbättra nuvarande alternativ.

DRL inom sjukvård

DRL‑teknik fortsätter att spela en avgörande roll i nästa generations sjukvårdspraktiker. Dessa avancerade AI‑system har visat sig vara extremt bra på att identifiera mönster i massiva datamodeller, vilket möjliggör för forskare att se tidigare oupptäckta korrelationer. Redan finns AI‑system som kan hjälpa till att avgöra dina organers hälsa, skanna hjärnvågsaktivitet och lokalisera skadade celler.

DRL inom militären

Användningen av DRL‑teknik inom militären ökar. Denna teknik har använts i framtida krigföringssystem, inklusive det växande antalet drönarsvärmar. Drönarsvärmar är en metod för att attackera en fiende med stora mängder autonoma drönare. Detta tillvägagångssätt är avsett att överväldiga luftförsvaret.

DRL AI‑system spelar också en avgörande roll i att identifiera mål. Dagens militära övervakningssystem integrerar DRL för att hålla koll på de minsta förändringarna i det övervakade området, vilket avslöjar dolda vapen och potentiella mål mer effektivt. I framtiden kommer det att finnas kompletta AI‑döds kedjor som eliminerar behovet av mänskligt godkännande vid målbestämning.

Liknande tillvägagångssätt som tagits av blockchain‑projekt

Flera blockchain‑projekt har använt liknande crowdsourcing‑metoder för att driva innovation i branscher. Till en början användes denna stil av blockchain‑integration för molntjänster. Därefter expanderade den till datadelning och beräkningsutbyten. Idag kan du hitta crowdsourcade marknadsplatser för avancerade beräkningar, inklusive AI, över hela marknaden. Här är några framstående exempel.

Golem (GLM)

Golem är en AI‑fokuserad decentraliserad beräkningsmarknadsplats som möjliggör för användare att säkra belöningar i form av token för att dela sin oanvända beräkningskraft. Protokollet gör det möjligt för vem som helst att få tillgång till massiv beräkningskraft utan att behöva köpa dyr hårdvara. Kärnan i Golems tillvägagångssätt är en decentraliserad marknadsplats. Här kan användare säkra GLM‑token som tillhandahåller CPU‑kraft till utvecklare, forskare och användare.

Det är anmärkningsvärt att Golem gör det möjligt för användare att ta stora beräkningsuppgifter och delegera dem till mindre lösningar som sprids bland den aktiva användargemenskapen. Denna strategi sänker kostnader och förbättrar effektivitet och decentralisering. Därför är Golem ett populärt projekt som var bland de första att erbjuda beräkning som en tjänst med hjälp av blockchain‑system. Idag erkänns det som en banbrytande plattform som har säkrat en stark användarbas.

Render (RENDER)

Render är ett industrialiserat AI‑drivet blockchain‑baserat system som tillhandahåller nästan obegränsad beräkningskraft till AI‑utvecklare. Protokollet fokuserade ursprungligen på att använda sin massiva decentraliserade beräkningskraft för att hjälpa till att utveckla och bearbeta den enorma mängden högupplöst video och effekter som behövs för dagens spel, forskning och underhållning.

Render ger makt åt de vetenskapliga, underhållnings‑ och forskningsgemenskaperna genom sitt unika och beprövade tillvägagångssätt. Plattformen använder Ethereum för validering samtidigt som den integrerar OctaneRender‑protokollet för att förbättra 3D‑bearbetningsprestanda. De som tillhandahåller CPU‑kraft till gemenskapen tjänar RENDER‑token baserat på mängden beräkningskraft de levererar.

Publikt noterat företag som utvecklar innovativa AI‑lösningar

Flera AI‑företag utvecklar AI som en dag kommer att interagera med ditt liv. I många fall kan du tänka på stora företag som Microsoft (MSFT ) när du diskuterar AI‑utveckling. Det finns dock flera publikt noterade AI‑alternativ som är värda att titta på. Här är ett exempel på ett företag som använder AI för att tillhandahålla mycket behövda tjänster till marknaden.

1. BrainChip (BRCHF)

Brainchip är en innovativ leverantör av mjukvara och hårdvara för AI‑hälsobranschen. Plattformen introducerar en neuromorfisk beräkningsmodell som är designad för att efterlikna hur neuroner fungerar i hjärnan. Denna strategi har visat sig vara energieffektiv och leverera hög prestanda.

BrainChip (BRN.AX ) är en pionjär inom AI‑området och leder vägen inom AIoT (Artificial Intelligence of Things)-nätverk. Detta koncept kombinerar den låga kostnaden och tillgängligheten av IoT‑smart enheter med kapaciteten hos avancerade AI‑algoritmer. Resultatet är ett mycket kapabelt system som kan övervaka verksamheter, upptäcka problem innan de uppstår och snabbt presentera genomförbara lösningar.

DRL‑förfrågningscrowdsourcing – vägen att gå

Införandet av ett DRLaaS‑alternativ kommer att hjälpa till att driva integration över marknaden. Detta tillvägagångssätt har en beprövad historik av att hjälpa till att utöka användarförståelse och tillgång i andra AI‑sektorer. Därför är det perfekt att tillämpa på DRL‑marknaden. Du kan förvänta dig att se mycket mer AI‑integration när DRL‑tjänster blir tillgängliga för massorna framöver.

Läs om andra AI Projekt på svenska.