Для тех, кто хочет знать все о мировом финансовом рынке, рынке ценных бумаг, криптовалютах, участниках финансового рынка и его структуре.

Децентрализованный и коллаборативный ИИ: как Microsoft использует блокчейны в сфере машинного обучения

38

Главный вызов следующего десятилетия для искусственного интеллекта (ИИ) будет связан с решением, останутся ли данные и интеллект привилегией ряда крупных технологических компаний, базирующихся в нескольких странах, или же они могут быть демократизированы и доступны остальному миру.

Централизованный характер машинного обучения и ИИ способствует динамике «богатые становятся ещё богаче», где только компании с доступом к высококачественным базам данных и специалистам по ним могут воспользоваться возможностями ИИ. Область децентрализованного ИИ – одна из ведущих тенденций, стремящихся решить эту проблему. Хотя децентрализованный ИИ непрактичен для многих реальных применений, он устойчиво набирает популярность в сообществе ИИ. Недавно исследователи ИИ из Microsoft опубликовали открытый код проекта децентрализованного и коллаборативного ИИ на блокчейне, позволяющего реализовать децентрализованные модели машинного обучения на основе технологии блокчейна.

От тренировки до оптимизации, каждый шаг жизненного цикла моделей машинного обучения можно улучшить за счёт той или иной степени децентрализации. Возьмём пример простой модели для прогнозирования продаж определённого продукта. При традиционном централизованном подходе нужно неявно доверять группе специалистов по данным, которые должны выбрать правильную архитектуру нейросети, построить правильную базу данных, эффективно обучить модель, настроить гиперпараметры так, чтобы оптимизировать продуктивность, и выполнить десяток других задач. После всего этого мы не можем быть полностью уверены, что модель работает оптимально. Проблема ещё больше усугубляется, когда мы начинаем вводить новые версии модели, так как практически невозможно установить корреляцию конкретных изменений с определённой продуктивностью. Децентрализованные подходы к ИИ стремятся упростить эту задачу благодаря прозрачному учёту и органичному сотрудничеству на всех стадиях жизненного цикла машинного обучения.

Рост популярности и всё большая зрелость технологии блокчейна стали важными катализаторами для децентрализованных архитектур ИИ. Неизменяемость и распределённые консенсусные модели технологии блокчейна по своей природе добавляют определённый уровень доверия и делают возможной коллаборативную динамику в машинном обучении. Команда Microsoft Research использовала некоторые характерные свойства технологии блокчейна, чтобы сделать возможными разные уровни децентрализации в моделях машинного обучения.

Децентрализованный и коллаборативный ИИ от Microsoft

Децентрализованный и коллаборативный ИИ (Decentralized & Collaborative AI, DCAI) на блокчейне – это фреймворк для хостинга и тренировки моделей машинного обучения на инфраструктуре блокчейна. Текущая версия DCAI основана на блокчейне Ethereum и использует смарт-контракты как главный механизм оформления программ машинного обучения. По своей сути, смарт-контракты – это неизменяемые программы, содержащие бизнес-логику, выполняемую в среде блокчейна. В случае DCAI смарт-контракты используются для реализации механизмов тренировки в моделях машинного обучения.

С функциональной точки зрения, DCAI структурирует процесс добавления данных/тренировки модели машинного обучения на основе трёх основных компонентов:

  1. Механизм мотивации: Этот компонент должен способствовать вводу высококачественных данных. Механизм мотивации отвечает за подтверждение транзакции, например, в некоторых случаях требуется «залог» или депозит.
  2. DataHandler: Этот компонент хранит данные и метаданные в блокчейне. Это гарантирует их доступность для всех будущих применений, не ограничивающихся данным смарт-контрактом.
  3. Модель: Этот компонент содержит определённую модель машинного обучения, которая обновляется в соответствии с предварительно заданными алгоритмами тренировки.

Так DCAI структурирует процесс добавления данных/тренировки модели машинного обучения на основе трёх основных компонентов

Один из фундаментальных вызовов децентрализованного ИИ заключается в том, чтобы использовать правильные механизмы мотивации, побуждающие различные стороны вносить новые данные или тренировать модели машинного обучения. В текущей версии DCAI полагается на две основные мотивационные модели:

  • Геймифицированная: Этот механизм мотивации позволяет участникам зарабатывать баллы и значки, когда другие участники подтверждают их вклад. Данное предложение полагается исключительно на готовность участников сотрудничать ради общего блага – совершенствования модели.
  • Основанная на рынке предсказаний: В этой модели участники получают вознаграждение, если их вклад улучшает эффективность модели, оцениваемую с помощью определённого теста.

Следующая анимация иллюстрирует механизм мотивации в модели анализа тональности отзывов в IMDB. Участники, добавляющие высококачественные данные, могут заработать в зависимости от эффективности модели, тогда как те, чей вклад неэффективен, теряют средства.

1. Участники добавляют данные и вносят депозиты.
2. Смарт-контракт подсчитывает вознаграждение.
3. Самый слабый участник исключается.
4. Происходит перерасчёт вознаграждения.
5. Происходит распределение вознаграждений.

С точки зрения программной модели, DCAI абстрагирует машинное обучение с помощью смарт-контрактов.

DCAI всё ещё находится на экспериментальной стадии, но уже даёт моделям ИИ важные преимущества:

  • Подотчётность: DCAI хранит неизменяемый реестр данных и эффективности моделей в блокчейне Эфириума.
  • Многократное использование данных: DataHandler DCAI записывает учебные данные в блокчейне Эфириума для будущего использования.
  • Сотрудничество: Механизмы мотивации DCAI создают эффективную модель сотрудничества в процессе машинного обучения.

Другие интересные инициативы по децентрализованному ИИ

DCAI – не единственная актуальная инициатива в сфере децентрализованного ИИ. Хотя децентрализованный ИИ всё ещё зарождающийся и экспериментальный рынок, несколько инициатив уже пошли дальше исследовательской стадии:

  • SingularityNet: SingularityNet – это, пожалуй, самая амбициозная компания в области децентрализованного ИИ. Известная благодаря разработке ПО для популярного робота Софии, SingularityNet стремится децентрализовать все аспекты жизненного цикла ИИ. В техническом плане SingularityNet – это платформа, позволяющая реализовать и использовать сервисы ИИ в виде децентрализованной модели. Построенная на блокчейне Эфириума, SingularityNet предоставляет модель, где различные участники сети мотивированы реализовать или использовать сервисы ИИ.
  • Ocean Protocol:  Ocean Protocol предлагает децентрализованную сеть поставщиков и потребителей данных, позволяющую реализовать и использовать приложения ИИ. Ocean реализует множество традиционных инфраструктурных элементов приложений ИИ, таких как хранение, вычисления и алгоритмы, посредством токенизированного сервисного слоя, использующего основные компоненты программ децентрализованного ИИ.
  • Erasure: Созданная инновационным хедж-фондом Numerai, Erasure предлагает децентрализованный протокол для создания и запуска прогностических моделей. Цель Erasure – предоставить децентрализованную площадку, где специалисты по данным смогли бы загружать прогнозы, основанные на доступных данных, делать ставки на них с помощью криптовалютных токенов и получать вознаграждение в зависимости от эффективности прогнозов. То, что Erasure отвечает за операции с данными в Numerai, доказывает простоту и практическую применимость протокола.
  • OpenMined: один из самых активных проектов на рынке децентрализованного ИИ. OpenMined – больше, чем платформа: это экосистема инструментов и фреймворков для реализации приложений децентрализованного ИИ. OpenMined удалось сформировать очень активное сообщество разработчиков и обеспечить слаженную интеграцию с технологиями мейнстримного машинного обучения.

Сейчас Microsoft – один из лидеров рынка машинного обучения и технологии блокчейна. Учитывая ресурсы Microsoft, такие инициативы, как DCAI, имеют возможность предоставить большому числу пользователей более прозрачные, подотчётные модели машинного обучения.

Источник: bitnovosti.com