Far funzionare l'apprendimento automatico per Blockchain

Oggi, poiché le tecniche di apprendimento automatico sono ampiamente applicate a una vasta gamma di applicazioni, l'apprendimento automatico è diventato importante per i servizi online.

Morphware è un sistema di machine learning decentralizzato che premia i proprietari di acceleratori mettendo all'asta la loro potenza di calcolo inattiva e quindi facilita le sub-routine associate, che possono essere affidate ai data scientist per addestrare e testare i modelli di machine learning in una capacità decentralizzata.

I tipi di modelli di machine learning includono algoritmi di apprendimento semi o non supervisionato con supervisione.

L'addestramento di un algoritmo di apprendimento supervisionato può essere visto come una ricerca della combinazione ottimale di pesi da applicare a un insieme di input o per prevedere un output desiderabile.

L'impulso di questo lavoro è la complessità computazionale. L'hardware utilizzato per il rendering dei videogiochi può anche accelerare la formazione degli algoritmi di apprendimento supervisionato.

Cos'è il Morphware?

Uno dei problemi chiave nei modelli di machine learning è che le risorse computazionali necessarie per eseguire carichi di lavoro di machine learning all'avanguardia raddoppiano all'incirca ogni tre mesi e mezzo.

Per affrontare questo problema, Morphware sviluppa una rete peer-to-peer che consente ai data scientist, agli ingegneri dell'apprendimento automatico e agli studenti di informatica praticanti di pagare giocatori di videogiochi o altri per addestrare modelli per loro conto.

Sebbene le macchine hardware stiano aiutando i data scientist ad accelerare lo sviluppo di modelli di apprendimento automatico, l'alto costo di questi acceleratori hardware è anche un ostacolo per molti data scientist.

Cosa sono i modelli di apprendimento automatico?

I modelli di apprendimento automatico possono variare in base al grado di supervisione e parametrizzazione. Lo scopo dell'addestramento di un modello supervisionato e parametrizzato è ridurre il tasso di errore che copre la distanza numerica tra una previsione e un'osservazione.

La formazione di un modello di machine learning viene implementata mediante la pre-elaborazione e seguita dal test. I data scientist separano i dati resi disponibili ai modelli di apprendimento automatico durante l'addestramento dai dati resi loro disponibili durante il periodo di test.

Pertanto, si può vedere che il modello non supera l'insieme dei dati disponibili, così come le prestazioni, che potrebbero essere peggiori su dati non visti.

Normalmente, i dati di addestramento e test vengono selezionati dallo stesso file o directory in fase di pre-elaborazione.

La nascita del deep learning è il big bang della modernità Essendo un modello software fondamentalmente nuovo, il deep learning consente di addestrare in parallelo miliardi di neuroni software e trilioni di connessioni.

L'esecuzione di algoritmi di rete neurale profonda e l'apprendimento dagli esempi, l'elaborazione accelerata è un approccio ideale e la GPU è il processore ideale.

È una nuova combinazione per creare una nuova generazione di piattaforme informatiche con prestazioni migliori, produttività di programmazione e accessibilità aperta.

I modelli di deep learning sono noti come un sottoinsieme di modelli di machine learning. Sono particolarmente impegnativi dal punto di vista computazionale da addestrare a causa dei loro livelli interconnessi di variabili latenti.

Qual è la soluzione di Morphware?

Per queste transazioni viene utilizzata la valuta principale della piattaforma Morphware Token.

Tokenomics

La fornitura totale dei token Morphware è 1,232,922,769 e sono bruciabili, ma non coniabili.

Attraverso un sito Web progettato, sviluppato e distribuito da Morphware, gli utenti possono acquistare il token della piattaforma.

Meno del due percento della fornitura totale di token Morphware sarà in vendita nel primo mese.

Come funziona il Morphware

Il processo di un modello di apprendimento automatico è l'analisi dei dati e quindi è un ciclo iterativo che oscilla tra la selezione del modello e l'ingegneria delle funzionalità.

Lo scopo di questo lavoro è aiutare gli utenti finali come i data scientist a scorrere più velocemente creando l'accesso a una rete decentralizzata di computer in grado di accelerare i loro carichi di lavoro.

Gli utenti finali vengono associati e pagano i nodi di lavoro tramite un'asta inversa al secondo prezzo con offerta sigillata. Pagano i nodi di lavoro per addestrare i loro modelli e i nodi di convalida per testare i modelli addestrati dai nodi di lavoro dai token Morphware.

I ruoli e le responsabilità dei membri della rete comprendono due tipi di peer autonomi.

Per lavorare con Morphware, gli utenti finali devono semplicemente caricare il proprio modello, sotto forma di un notebook Jupyter o un file Python, i dati di addestramento e test.

Successivamente, devono specificare il livello di precisione target e fornire una previsione per quanto tempo ci vorrà per raggiungere quel livello di precisione. Facendo clic su Invia per terminare.

Gli utenti finali inviano modelli per essere formati dai lavoratori e testati dai validatori. Nel frattempo, i lavoratori sono i nodi che guadagnano token addestrando modelli presentati dagli utenti finali.

I validatori sono i nodi che guadagnano token testando modelli addestrati dai lavoratori.

Una volta che l'utente finale ha inviato il modello, sarà formato dai lavoratori e testato dai validatori, attraverso la piattaforma, che comunica con la rete attraverso il suo demone di back-end.

Il demone è responsabile non solo della creazione degli algoritmi e dei rispettivi dataset per quanto inviato dall'utente finale tramite il client, ma anche dell'invio della richiesta iniziale di lavoro allo smart contract.

Inoltre, il demone è responsabile della formazione e del collaudo dei modelli, da parte dei lavoratori e dei validatori.

La consegna assistita da pari consente la propagazione di un algoritmo e del corrispondente set di dati da un utente finale a un lavoratore o un validatore.

Tuttavia, i requisiti di lavoro iniziali dell'utente finale e le risposte pertinenti all'utente finale da parte dei lavoratori o dei validatori sono tutti pubblicati nello smart contract.

I requisiti di lavoro iniziali includono il tempo di esecuzione stimato del periodo di addestramento, il magnete relativo all'algoritmo, il set di addestramento e il set di dati di test.

Una risposta di un lavoratore include un collegamento magnetico al modello che ha addestrato, che viene successivamente testato da molti validatori.

Se il modello che è stato addestrato soddisfa la soglia di prestazioni richiesta, il lavoratore e i validatori riceveranno dei token come ricompensa.

Ciò che rende eccezionale il Morphware

Morphware è un mercato bilaterale.

Il mercato serve i data scientist che possono utilizzare la piattaforma per accedere alla potenza di elaborazione remota attraverso la rete di computer come CPU, GPU, RAM come farebbero con AWS, ma a un costo inferiore e con un'interfaccia più intuitiva.

D'altra parte, Morphware serve anche i proprietari di potenza di calcolo in eccesso che cercano di guadagnare denaro e premi vendendo la loro potenza di calcolo.

Pertanto, i suoi segmenti di clienti si concentrano su data scientist, giocatori o persone con una potenza di calcolo eccessiva che vogliono guadagnare denaro.

Attualmente, l'elenco dei clienti di Morphware è in continua crescita, tra cui un data scientist che lavora su un Mobility Lab per auto a guida autonoma, organizzazioni studentesche che necessitano di supporto per la scienza dei dati e aziende automobilistiche come Suzu, Mitsubishi o Volvo.

Morphware ha anche collaborato con Tellor. In base a questa partnership, Tellor pagherà Morphware per aver utilizzato il loro oracolo per i primi mesi.

Rispetto ad altri concorrenti sul mercato, Morphware ha un vantaggio competitivo. La sua strategia di mercato unica rende il suo prodotto più economico di altri.

Considerazioni conclusive su Morphware

Poiché i modelli di machine learning stanno diventando sempre più complessi, sono stati esplorati i progetti per un nuovo ecosistema di modelli di machine learning scambiati su una rete basata su Blockchain.

Pertanto, gli utenti finali o gli acquirenti possono acquisire il modello di interesse dal mercato dell'apprendimento automatico mentre lavoratori o venditori interessati a spendere calcoli locali sui dati per migliorare la qualità di quel modello.

Pertanto, viene considerata la relazione proporzionale tra i dati locali e la qualità dei modelli addestrati e vengono stimate le valutazioni dei dati del venditore durante l'addestramento dei modelli.

Il progetto mostra una performance competitiva in termini di runtime, un minor costo di esecuzione ed equità in termini di incentivi per i partecipanti.

Morphware è una delle piattaforme pionieristiche che introduce una rete peer-to-peer in cui gli utenti finali possono pagare i giocatori di videogiochi per addestrare modelli di apprendimento automatico, per loro conto, nella valuta della piattaforma Morphware Token.

Per saperne di più su Morphware, fai clic qui!