Danas, kako se tehnike mašinskog učenja široko primjenjuju na niz aplikacija, strojno učenje je postalo važno za online usluge.
Morphware je decentralizovani sistem mašinskog učenja koji nagrađuje vlasnike akceleratora tako što daje na aukciji njihovu neaktivnu računarsku snagu, a zatim olakšava povezane podrutine, koje mogu biti u ime naučnika podataka da obuče i testiraju modele mašinskog učenja u decentralizovanom kapacitetu.
Tipovi modela mašinskog učenja uključuju nadzirane polu- ili nenadzirane algoritme učenja.
Obuka nadziranog algoritma učenja može se posmatrati kao potraga za optimalnom kombinacijom pondera za primjenu na skup ulaza ili za predviđanje željenog rezultata.
Poticaj ovog rada je računska složenost. Hardver koji se koristi za prikazivanje video igara također može ubrzati obuku algoritama učenja pod nadzorom.
Šta je Morphware?
Jedan od ključnih problema u modelima mašinskog učenja je da se računarski resursi potrebni za izvođenje najsavremenijih radnih opterećenja mašinskog učenja udvostručuju otprilike svaka tri i po meseca.
Kako bi riješio ovaj problem, Morphware razvija peer-to-peer mrežu koja omogućava naučnicima podataka, inženjerima mašinskog učenja i studentima informatike da plaćaju igračima video igrica ili drugima da obučavaju modele u njihovo ime.
Iako hardverske mašine pomažu naučnicima podataka da ubrzaju razvoj modela mašinskog učenja, visoka cena ovih hardverskih akceleratora je takođe prepreka za mnoge naučnike podataka.
Šta su modeli mašinskog učenja?
Modeli mašinskog učenja mogu varirati u zavisnosti od stepena nadzora i parametrizacije. Svrha obuke nadziranog parametarizovanog modela je da se smanji stopa greške koja obuhvata numeričku udaljenost između predviđanja i posmatranja.
Obuka modela mašinskog učenja implementira se predobradom, a nakon toga slijedi testiranje. Naučnici podataka odvajaju podatke koji su dostupni modelima mašinskog učenja dok treniraju od podataka koji su im stavljeni na raspolaganje tokom njihovog perioda testiranja.
Stoga se može vidjeti da model ne odgovara skupu dostupnih podataka, kao ni performansama, koje mogu biti lošije na nevidljivim podacima.
Obično se podaci o obuci i testiranju biraju iz iste datoteke ili direktorija u prethodnoj obradi.
Rođenje dubokog učenja je veliki prasak modernog. Kao fundamentalno novi softverski model, duboko učenje omogućava da se paralelno treniraju milijarde softverskih neurona i trilioni veza.
Pokretanje dubokih algoritama neuronske mreže i učenje na primjerima, ubrzano računanje je idealan pristup, a GPU je idealan procesor.
To je nova kombinacija za stvaranje nove generacije za računarske platforme sa boljim performansama, produktivnošću programiranja i otvorenom pristupačnošću.
Modeli dubokog učenja poznati su kao podskup modela mašinskog učenja. Oni su posebno računski intenzivni za obuku zbog međusobno povezanih slojeva latentnih varijabli.
Šta je Morphware rješenje?
Za ove transakcije koristi se valuta Morphware Token glavne platforme.
Tokenomika
Ukupna zaliha Morphware tokena je 1,232,922,769 i oni su spaljivi, ali ne i kovati.
Putem web stranice koju je dizajnirao, razvio i implementirao Morphware, korisnici mogu kupiti token platforme.
Manje od dva posto ukupne ponude Morphware tokena će biti na prodaju u prvom mjesecu.
Kako Morphware radi
Proces modela mašinskog učenja je analiza podataka, a zatim je iterativni ciklus koji se koleba između odabira modela i inženjeringa karakteristika.
Svrha ovog rada je da pomogne krajnjim korisnicima kao što su naučnici podataka da brže iteriraju stvaranjem pristupa decentralizovanoj mreži računara koja može ubrzati njihovo radno opterećenje.
Krajnji korisnici su upareni sa radničkim čvorovima i plaćaju ih putem reverzne aukcije druge cijene sa zapečaćenom licitacijom. Oni plaćaju radničkim čvorovima da treniraju svoje modele i validatorskim čvorovima da testiraju modele koje obučavaju radnički čvorovi pomoću Morphware tokena.
Uloge i odgovornosti članova mreže uključuju dva autonomna tipa vršnjaka.
Da bi radili sa Morphware-om, krajnji korisnici samo uploaduju svoj model, u obliku Jupyter notebook-a ili Python fajla, podatke o obuci i testiranju.
Zatim, oni moraju specificirati ciljni nivo tačnosti i dati predviđanje koliko će vremena trebati da se postigne taj nivo tačnosti. Klikom na Submits da završite.
Krajnji korisnici šalju modele da ih obuče radnici i testiraju validatori. U međuvremenu, radnici su čvorovi koji zarađuju tokene modelima obuke koje podnose krajnji korisnici.
Validatori su čvorovi koji zarađuju tokene testiranjem modela koje su obučavali radnici.
Kada krajnji korisnik preda model, radnici će ga obučiti i testirati validatori, preko platforme koja komunicira sa mrežom preko svog pozadinskog demona.
Daemon je odgovoran ne samo za kreiranje algoritama i njihovih odgovarajućih skupova podataka za ono što krajnji korisnik dostavlja preko klijenta, već i za slanje početnog zahtjeva za rad pametnom ugovoru.
Pored toga, demon je odgovoran za obuku i testiranje modela od strane radnika i validatora.
Isporuka uz pomoć kolega omogućava širenje algoritma i odgovarajućeg skupa podataka od krajnjeg korisnika do radnika ili validatora.
Međutim, početni zahtjevi za rad od strane krajnjeg korisnika i relevantni odgovori krajnjeg korisnika od radnika ili validatora se objavljuju u pametnom ugovoru.
Početni zahtjevi za rad uključuju procijenjeno vrijeme izvođenja perioda obuke, magnet vezan za algoritam, skup za obuku i skup podataka za testiranje.
Odgovor radnika uključuje magnetnu vezu sa modelom koji je obučavao, a koji je kasnije testiran od strane mnogih validatora.
Ako model koji je obučen zadovolji traženi prag performansi, radnik i validatori će dobiti tokene kao nagradu.
Šta Morphware čini izvanrednim
Morphware je dvostrano tržište.
Tržište služi naučnicima podataka koji mogu koristiti platformu za pristup udaljenoj računarskoj snazi putem mreže računara kao što su CPU, GPU, RAM kao što bi koristili AWS, ali po nižoj cijeni i sa sučeljem prilagođenijim korisnicima.
S druge strane, Morphware također služi vlasnicima viška računarske snage koji žele da zarade novac i nagrade prodajom svoje računarske snage.
Stoga se njegovi segmenti kupaca fokusiraju na naučnike, igrače ili ljude s viškom računarske snage koji žele zaraditi novac.
Trenutno, lista klijenata Morphware-a kontinuirano raste, uključujući naučnika podataka koji radi na Laboratoriji za mobilnost automobila koji se samostalno vozi, studentske organizacije kojima je potrebna podrška za nauku o podacima i automobilske kompanije kao što su Suzu, Mitsubishi ili Volvo.
Morphware je takođe postao partner sa Tellor-om. U okviru ovog partnerstva, Tellor će platiti Morphware-u za korištenje njihovog orakula u prvih nekoliko mjeseci.
U poređenju sa drugim konkurentima na tržištu, Morphware ima konkurentsku prednost. Njegova jedinstvena tržišna strategija čini njegov proizvod jeftinijim od ostalih.
Završne misli o Morphware-u
Kako modeli mašinskog učenja postaju sve složeniji, istraženi su projekti za novi ekosistem modela mašinskog učenja koji trguju preko mreže zasnovane na Blockchain-u.
Kao takvi, krajnji korisnici ili kupci mogu nabaviti model od interesa na tržištu mašinskog učenja, dok radnici ili prodavci koji su zainteresovani da troše lokalne proračune na podatke kako bi poboljšali kvalitet tog modela.
Pri tome se razmatra proporcionalni odnos između lokalnih podataka i kvaliteta obučenih modela i procjenjuje se vrednovanje podataka prodavca u obuci modela.
Projekat pokazuje konkurentan učinak u toku trajanja, niže troškove izvođenja i pravičnost u smislu podsticaja za učesnike.
Morphware je jedna od pionirskih platformi koja uvodi peer-to-peer mrežu u kojoj krajnji korisnici mogu platiti igračima video igrica da obuče modele mašinskog učenja, u njihovo ime, u valuti platforme Morphware Token.
Da saznate više o Morphwareu – kliknite ovdje!
Izvor: https://blokonomi.com/morphware-guide/