Aby strojové učení fungovalo pro blockchain

Dnes, kdy jsou techniky strojového učení široce používány v řadě aplikací, se strojové učení stalo důležitým pro online služby.

Morphware je decentralizovaný systém strojového učení, který odměňuje vlastníky akcelerátorů dražbou jejich nečinného výpočetního výkonu a poté usnadňuje související podprogramy, které mohou v zájmu datových vědců trénovat a testovat modely strojového učení v decentralizované kapacitě.

Typy modelů strojového učení zahrnují algoritmy řízeného semi- nebo neřízeného učení.

Trénink algoritmu učení pod dohledem lze chápat jako hledání optimální kombinace vah, které se mají aplikovat na sadu vstupů nebo předpovídat požadovaný výstup.

Impulsem této práce je výpočetní náročnost. Hardware, který se používá k vykreslování videoher, může také urychlit trénování algoritmů učení pod dohledem.

Co je Morphware?

Jedním z klíčových problémů modelů strojového učení je, že výpočetní zdroje potřebné ke spuštění nejmodernějšího strojového učení se zdvojnásobují přibližně každé tři a půl měsíce.

K vyřešení tohoto problému Morphware vyvíjí síť peer-to-peer, která umožňuje praktikujícím datovým vědcům, inženýrům strojového učení a studentům počítačových věd platit hráčům videoher nebo jiným, aby trénovali modely jejich jménem.

Přestože hardwarové stroje pomáhají datovým vědcům urychlit vývoj modelů strojového učení, vysoká cena těchto hardwarových akcelerátorů je pro mnoho datových vědců také překážkou.

Co jsou modely strojového učení?

Modely strojového učení se mohou lišit podle stupně dohledu a parametrizace. Účelem trénování supervizovaného parametrizovaného modelu je snížit chybovost, která překlenuje numerickou vzdálenost mezi predikcí a pozorováním.

Trénink modelu strojového učení je implementován předzpracováním a následným testováním. Datoví vědci oddělují data, která jsou zpřístupněna modelům strojového učení během jejich školení, od dat, která jsou jim zpřístupněna během období testování.

Je tedy vidět, že model nepřevyšuje množinu dostupných dat, stejně jako výkonů, které mohou být na neviditelných datech horší.

Normálně jsou trénovací a testovací data vybírána ze stejného souboru nebo adresáře při předběžném zpracování.

Zrození hlubokého učení je velký třesk moderny Jako zásadně nový softwarový model umožňuje hluboké učení paralelně trénovat miliardy softwarových neuronů a biliony spojení.

Spuštění algoritmů hlubokých neuronových sítí a poučení z příkladů, zrychlené výpočty jsou ideálním přístupem a GPU je ideálním procesorem.

Je to nová kombinace k vytvoření nové generace pro výpočetní platformy s lepším výkonem, produktivitou programování a otevřenou dostupností.

Modely hlubokého učení jsou známé jako podmnožina modelů strojového učení. Jejich trénování je zvláště náročné na výpočetní techniku ​​kvůli jejich propojeným vrstvám latentních proměnných.

Jaké je řešení Morphware?

Pro tyto transakce se používá měna Morphware Token hlavní platformy.

Tokenomika

Celková zásoba tokenů Morphware je 1,232,922,769 XNUMX XNUMX XNUMX a lze je vypálit, ale nelze je těžit.

Prostřednictvím webové stránky, která je navržena, vyvinuta a nasazena společností Morphware, si uživatelé mohou koupit token platformy.

Během prvního měsíce budou na prodej méně než dvě procenta z celkové dodávky tokenů Morphware.

Jak Morphware funguje

Procesem modelu strojového učení je analýza dat a poté iterativní cyklus, který kolísá mezi výběrem modelu a inženýrstvím funkcí.

Účelem této práce je pomoci koncovým uživatelům, jako jsou datoví vědci, rychleji iterovat vytvořením přístupu k decentralizované síti počítačů, která může urychlit jejich pracovní zátěž.

Koncoví uživatelé jsou spárováni s pracovními uzly a platí je prostřednictvím reverzní aukce s uzavřenou nabídkou za druhou cenu. Platí pracovní uzly za trénování jejich modelů a validační uzly za testování modelů trénovaných pracovními uzly pomocí Morphware Tokenů.

Role a odpovědnosti členů sítě zahrnují dva autonomní typy peerů.

Aby mohli koncoví uživatelé pracovat s Morphwarem, stačí nahrát svůj model ve formě poznámkového bloku Jupyter nebo souboru Python, školicí a testovací data.

Dále musí specifikovat cílovou úroveň přesnosti a poskytnout předpověď, jak dlouho bude trvat, než této úrovně přesnosti dosáhne. Dokončete kliknutím na odeslání.

Koncoví uživatelé předkládají modely, které mají být vyškoleny pracovníky a testovány validátory. Mezitím jsou pracovníci uzly, které získávají tokeny pomocí školicích modelů předložených koncovými uživateli.

Validátoři jsou uzly, které získávají tokeny testováním modelů vyškolených pracovníky.

Jakmile koncový uživatel odešle model, bude zaškolen pracovníky a otestován validátory prostřednictvím platformy, která komunikuje se sítí prostřednictvím svého back-endového démona.

Démon je zodpovědný nejen za vytváření algoritmů a jejich příslušných datových sad pro to, co koncový uživatel předkládá prostřednictvím klienta, ale také za odesílání počáteční výzvy k práci smart kontraktu.

Kromě toho je démon zodpovědný za školení a testování modelů pracovníky a validátory.

Peer-assisted delivery umožňuje šíření algoritmu a odpovídající datové sady od koncového uživatele k pracovníkovi nebo validátoru.

Počáteční požadavky na práci od koncového uživatele a příslušné odpovědi koncovému uživateli od pracovníků nebo ověřovatelů jsou však zapsány do inteligentní smlouvy.

Počáteční pracovní požadavky zahrnují odhadovanou dobu běhu trénovacího období, magnet související s algoritmem, trénovací sadu a testovací sadu dat.

Odpověď od pracovníka obsahuje magnetický odkaz na model, který trénoval, a který je následně testován mnoha validátory.

Pokud model, který byl trénován, splňuje požadovaný práh výkonu, pracovník a validátoři obdrží tokeny jako odměnu.

Co dělá Morphware výjimečným

Morphware je oboustranný trh.

Tržiště slouží datovým vědcům, kteří mohou využít platformu pro přístup ke vzdálenému výpočetnímu výkonu prostřednictvím sítě počítačů, jako jsou CPU, GPU, RAM, jako způsob, jakým by používali AWS, ale za nižší cenu a s uživatelsky přívětivějším rozhraním.

Na druhou stranu Morphware slouží také majitelům přebytečného výpočetního výkonu, kteří chtějí vydělávat peníze a odměny prodejem svého výpočetního výkonu.

Proto se její zákaznické segmenty zaměřují na datové vědce, hráče nebo lidi s přebytečným výpočetním výkonem, kteří chtějí vydělávat peníze.

V současné době se seznam klientů Morphware neustále rozrůstá, včetně datového vědce pracujícího na samořídícím voze Mobility Lab, studentských organizací, které potřebují podporu datové vědy, a automobilových společností, jako je Suzu, Mitsubishi nebo Volvo.

Morphware také uzavřel partnerství s Tellorem. V rámci tohoto partnerství Tellor zaplatí Morphware za používání jejich orákula během prvních několika měsíců.

Ve srovnání s ostatními konkurenty na trhu má Morphware konkurenční výhodu. Díky jedinečné tržní strategii je jeho produkt levnější než ostatní.

Závěrečné myšlenky na Morphware

Vzhledem k tomu, že modely strojového učení se stávají stále složitějšími, byly prozkoumány projekty pro nový ekosystém modelů strojového učení obchodovaných přes síť založenou na blockchainu.

Jako takoví mohou koncoví uživatelé nebo kupující získat model zájmu z trhu strojového učení, zatímco pracovníci nebo prodejci, kteří mají zájem utrácet místní výpočty za data, aby zvýšili kvalitu tohoto modelu.

Proto je uvažován proporcionální vztah mezi lokálními daty a kvalitou trénovaných modelů a jsou odhadnuta ocenění dat prodejce při trénování modelů.

Projekt vykazuje konkurenceschopnou výkonnost za běhu, nižší náklady na realizaci a spravedlivost z hlediska pobídek pro účastníky.

Morphware je jednou z průkopnických platforem, která zavádí síť peer-to-peer, kde mohou koncoví uživatelé platit hráčům videoher, aby jejich jménem trénovali modely strojového učení, v měně platformy Morphware Token.

Chcete-li se dozvědět více o Morphware – klikněte zde!