Использование машинного обучения для блокчейна

Сегодня, когда методы машинного обучения широко применяются в ряде приложений, машинное обучение стало важным для онлайн-сервисов.

Morphware — это децентрализованная система машинного обучения, которая вознаграждает владельцев ускорителей, продавая с аукциона их простаивающие вычислительные мощности, а затем облегчает связанные с ними подпрограммы, которые могут выполняться от имени специалистов по данным для обучения и тестирования моделей машинного обучения в децентрализованном режиме.

Типы моделей машинного обучения включают контролируемые полу- или неконтролируемые алгоритмы обучения.

Обучение алгоритма обучения с учителем можно рассматривать как поиск оптимальной комбинации весов для применения к набору входных данных или для прогнозирования желаемого результата.

Стимулом данной работы является вычислительная сложность. Аппаратное обеспечение, используемое для рендеринга видеоигр, также может ускорить обучение алгоритмов обучения с учителем.

Что такое морфвар?

Одна из ключевых проблем моделей машинного обучения заключается в том, что вычислительные ресурсы, необходимые для выполнения современных рабочих нагрузок машинного обучения, удваиваются примерно каждые три с половиной месяца.

Чтобы решить эту проблему, Morphware разрабатывает одноранговую сеть, которая позволяет практикующим специалистам по данным, инженерам по машинному обучению и студентам, изучающим информатику, платить игрокам видеоигр или другим лицам за обучение моделей от их имени.

Хотя аппаратные машины помогают специалистам по данным ускорить разработку моделей машинного обучения, высокая стоимость этих аппаратных ускорителей также является препятствием для многих специалистов по данным.

Что такое модели машинного обучения?

Модели машинного обучения могут различаться по степени контроля и параметризации. Целью обучения контролируемой параметризованной модели является снижение частоты ошибок, которая охватывает числовое расстояние между прогнозом и наблюдением.

Обучение модели машинного обучения реализуется путем предварительной обработки с последующим тестированием. Специалисты по данным отделяют данные, которые становятся доступными для моделей машинного обучения во время их обучения, от данных, которые становятся доступными для них в период их тестирования.

Таким образом, видно, что модель не превосходит набор доступных данных, а также производительность, которая может быть хуже на невидимых данных.

Обычно данные для обучения и тестирования выбираются из одного и того же файла или каталога при предварительной обработке.

Рождение глубокого обучения — это большой взрыв современности Глубокое обучение — это принципиально новая программная модель, позволяющая параллельно обучать миллиарды программных нейронов и триллионы соединений.

Запуск алгоритмов глубокой нейронной сети и обучение на примерах, ускоренные вычисления — идеальный подход, а графический процессор — идеальный процессор.

Это новая комбинация для создания нового поколения вычислительных платформ с более высокой производительностью, продуктивностью программирования и открытым доступом.

Модели глубокого обучения известны как подмножество моделей машинного обучения. Они особенно требовательны к вычислительным ресурсам для обучения из-за их взаимосвязанных слоев скрытых переменных.

Что такое решение Morphware?

Для этих транзакций используется токен Morphware Token основной платформы.

Tokenomics

Общее количество токенов Morphware составляет 1,232,922,769 XNUMX XNUMX XNUMX штук, и их можно сжигать, но нельзя чеканить.

Через веб-сайт, который спроектирован, разработан и развернут Morphware, пользователи могут купить токен платформы.

Менее двух процентов от общего количества токенов Morphware будет выставлено на продажу в первый месяц.

Как работает Morphware

Процесс модели машинного обучения представляет собой анализ данных, а затем представляет собой итеративный цикл, который колеблется между выбором модели и разработкой функций.

Цель этой работы — помочь конечным пользователям, таким как специалисты по обработке и анализу данных, выполнять итерации быстрее, создавая доступ к децентрализованной сети компьютеров, которые могут ускорить их рабочие нагрузки.

Конечные пользователи соединяются с рабочими узлами и оплачивают их через закрытый аукцион по второй цене. Они платят рабочим узлам за обучение своих моделей, а узлам-валидаторам — за тестирование моделей, обученных рабочими узлами с помощью токенов Morphware.

Роли и обязанности членов сети включают два типа автономных одноранговых узлов.

Для работы с Morphware конечные пользователи просто загружают свою модель в виде блокнота Jupyter или файла Python, данные обучения и тестирования.

Затем им необходимо указать целевой уровень точности и дать прогноз того, сколько времени потребуется для достижения этого уровня точности. Нажатие отправки для завершения.

Конечные пользователи отправляют модели для обучения рабочих и проверки валидаторами. Между тем, рабочие — это узлы, которые зарабатывают токены, обучая модели, представленные конечными пользователями.

Валидаторы — это узлы, которые зарабатывают токены, тестируя модели, обученные работниками.

Как только конечный пользователь отправит модель, она будет обучена рабочими и протестирована валидаторами через платформу, которая взаимодействует с сетью через своего серверного демона.

Демон отвечает не только за создание алгоритмов и их соответствующих наборов данных для того, что отправляется конечным пользователем через клиента, но и за отправку первоначального запроса на работу в смарт-контракт.

Кроме того, демон отвечает за обучение и тестирование моделей рабочими процессами и валидаторами.

Одноранговая доставка позволяет распространять алгоритм и соответствующий набор данных от конечного пользователя к работнику или валидатору.

Однако первоначальные рабочие требования от конечного пользователя и соответствующие ответы конечному пользователю от работников или валидаторов публикуются в смарт-контракте.

Первоначальные рабочие требования включают предполагаемое время выполнения периода обучения, магнит, связанный с алгоритмом, обучающий набор и набор данных для тестирования.

Ответ работника включает в себя магнитную ссылку на модель, которую он обучил, которая впоследствии тестируется многими валидаторами.

Если обученная модель соответствует требуемому порогу производительности, воркер и валидаторы получат токены в качестве вознаграждения.

Что делает Morphware выдающимся

Morphware — это двусторонний рынок.

Рынок обслуживает специалистов по данным, которые могут использовать платформу для доступа к удаленным вычислительным мощностям через сеть компьютеров, таких как ЦП, ГП, ОЗУ, так же, как они используют AWS, но с меньшими затратами и с более удобным интерфейсом.

С другой стороны, Morphware также обслуживает владельцев избыточной вычислительной мощности, которые хотят заработать деньги и вознаграждение, продавая свои вычислительные мощности.

Поэтому его клиентские сегменты сосредоточены на специалистах по данным, геймерах или людях с избыточной вычислительной мощностью, которые хотят зарабатывать деньги.

В настоящее время список клиентов Morphware постоянно растет, включая специалиста по данным, работающего над лабораторией мобильности беспилотных автомобилей, студенческих организаций, которым требуется поддержка в области анализа данных, и автомобильных компаний, таких как Suzu, Mitsubishi или Volvo.

Morphware также сотрудничает с Tellor. В рамках этого партнерства Tellor будет платить Morphware за использование их оракула в течение первых нескольких месяцев.

По сравнению с другими конкурентами на рынке Morphware имеет конкурентное преимущество. Его уникальная рыночная стратегия делает его продукт дешевле, чем другие.

Заключительные мысли о Morphware

Поскольку модели машинного обучения становятся все более сложными, были изучены проекты новой экосистемы моделей машинного обучения, торгующей в сети на основе блокчейна.

Таким образом, конечные пользователи или покупатели могут приобрести интересующую модель на рынке машинного обучения, в то время как работники или продавцы заинтересованы в проведении локальных вычислений с данными для повышения качества этой модели.

Таким образом, рассматривается пропорциональная связь между локальными данными и качеством обученных моделей, а также оцениваются оценки данных продавца при обучении моделей.

Проект показывает конкурентоспособную производительность во время выполнения, более низкую стоимость исполнения и справедливость с точки зрения поощрений для участников.

Morphware является одной из первых платформ, которая представляет одноранговую сеть, в которой конечные пользователи могут платить игрокам видеоигр за обучение моделей машинного обучения от их имени в валюте платформы Morphware Token.

Чтобы узнать больше о Morphware, нажмите здесь!