Hacer que el aprendizaje automático funcione para Blockchain

Hoy en día, dado que las técnicas de aprendizaje automático se aplican ampliamente a una variedad de aplicaciones, el aprendizaje automático se ha vuelto importante para los servicios en línea.

Morphware es un sistema de aprendizaje automático descentralizado que recompensa a los propietarios de aceleradores mediante la subasta de su poder de cómputo inactivo y luego facilita las subrutinas asociadas, que pueden estar en nombre de los científicos de datos para entrenar y probar los modelos de aprendizaje automático en una capacidad descentralizada.

Los tipos de modelos de aprendizaje automático incluyen algoritmos de aprendizaje semisupervisados ​​o no supervisados.

El entrenamiento de un algoritmo de aprendizaje supervisado puede verse como una búsqueda de la combinación óptima de pesos para aplicar a un conjunto de entradas o para predecir una salida deseable.

El ímpetu de este trabajo es la complejidad computacional. El hardware que se usa para renderizar videojuegos también puede acelerar el entrenamiento de algoritmos de aprendizaje supervisado.

¿Qué es Morphware?

Uno de los problemas clave en los modelos de aprendizaje automático es que los recursos computacionales necesarios para ejecutar cargas de trabajo de aprendizaje automático de última generación se duplican aproximadamente cada tres meses y medio.

Para abordar este problema, Morphware desarrolla una red de igual a igual que permite a los científicos de datos, ingenieros de aprendizaje automático y estudiantes de ciencias de la computación en ejercicio pagar a los jugadores de videojuegos u otras personas para que entrenen modelos en su nombre.

Aunque las máquinas de hardware están ayudando a los científicos de datos a acelerar el desarrollo de modelos de aprendizaje automático, el alto costo de estos aceleradores de hardware también es una barrera para muchos científicos de datos.

¿Qué son los modelos de aprendizaje automático?

Los modelos de aprendizaje automático pueden variar según el grado de supervisión y parametrización. El propósito de entrenar un modelo parametrizado supervisado es reducir la tasa de error que abarca la distancia numérica entre una predicción y una observación.

El entrenamiento de un modelo de aprendizaje automático se implementa mediante preprocesamiento y seguido de pruebas. Los científicos de datos separan los datos que se ponen a disposición de los modelos de aprendizaje automático mientras se entrenan de los datos que se ponen a su disposición durante el período de prueba.

Por lo tanto, se puede ver que el modelo no sobreajusta el conjunto de datos disponibles, así como los rendimientos, que pueden ser peores en los datos no vistos.

Normalmente, los datos de entrenamiento y prueba se seleccionan del mismo archivo o directorio en el preprocesamiento.

El nacimiento del aprendizaje profundo es el big bang de lo moderno Como un modelo de software fundamentalmente nuevo, el aprendizaje profundo permite entrenar miles de millones de neuronas de software y trillones de conexiones, en paralelo.

Al ejecutar algoritmos de redes neuronales profundas y aprender de ejemplos, la computación acelerada es un enfoque ideal y la GPU es el procesador ideal.

Es una nueva combinación para crear una nueva generación de plataformas informáticas con mejor rendimiento, productividad de programación y accesibilidad abierta.

Los modelos de aprendizaje profundo se conocen como un subconjunto de modelos de aprendizaje automático. Son especialmente computacionalmente intensivos para entrenar debido a sus capas interconectadas de variables latentes.

¿Cuál es la solución de Morphware?

Para estas transacciones se utiliza la moneda Morphware Token de la plataforma principal.

Tokenomics

El suministro total de Morphware Token es 1,232,922,769 y son quemables, pero no minables.

A través de un sitio web diseñado, desarrollado e implementado por Morphware, los usuarios pueden comprar el token de la plataforma.

Menos del dos por ciento del suministro total de Morphware Tokens estará a la venta en el primer mes.

Cómo funciona Morphware

El proceso de un modelo de aprendizaje automático es el análisis de datos y luego es un ciclo iterativo que oscila entre la selección del modelo y la ingeniería de funciones.

El propósito de este trabajo es ayudar a los usuarios finales, como los científicos de datos, a iterar más rápido creando acceso a una red descentralizada de computadoras que pueden acelerar sus cargas de trabajo.

Los usuarios finales se emparejan con nodos trabajadores y pagan a través de una subasta inversa de segundo precio con oferta sellada. Pagan a los nodos trabajadores para que entrenen sus modelos y a los nodos de validación para que prueben los modelos entrenados por los nodos trabajadores mediante Morphware Tokens.

Los roles y responsabilidades de los miembros de la red incluyen dos tipos de pares autónomos.

Para trabajar con Morphware, los usuarios finales simplemente cargan su modelo, en forma de un cuaderno Jupyter o un archivo Python, los datos de entrenamiento y prueba.

A continuación, deben especificar el nivel de precisión objetivo y dar una predicción de cuánto tiempo llevará alcanzar ese nivel de precisión. Haciendo clic en enviar para terminar.

Los usuarios finales envían modelos para que los trabajadores los capaciten y los validadores los prueben. Mientras tanto, los trabajadores son los nodos que ganan tokens al entrenar modelos presentados por los usuarios finales.

Los validadores son los nodos que ganan tokens al probar modelos entrenados por los trabajadores.

Una vez que el usuario final envía el modelo, los trabajadores lo capacitarán y los validadores lo probarán a través de la plataforma, que se comunica con la red a través de su demonio de back-end.

El daemon es responsable no solo de crear algoritmos y sus respectivos conjuntos de datos para lo que envía el usuario final a través del cliente, sino también de enviar la solicitud inicial de trabajo al contrato inteligente.

Además, el daemon es responsable del entrenamiento y prueba de los modelos, por parte de los trabajadores y validadores.

La entrega asistida por pares permite la propagación de un algoritmo y el conjunto de datos correspondiente de un usuario final a un trabajador o validador.

Sin embargo, los requisitos de trabajo iniciales del usuario final y las respuestas relevantes al usuario final de los trabajadores o validadores se publican en el contrato inteligente.

Los requisitos de trabajo iniciales incluyen el tiempo de ejecución estimado del período de entrenamiento, el imán relacionado con el algoritmo, el conjunto de entrenamiento y el conjunto de datos de prueba.

Una respuesta de un trabajador incluye un enlace magnético al modelo que entrenaron, que posteriormente es probado por muchos validadores.

Si el modelo que se entrenó cumple con el umbral de rendimiento requerido, el trabajador y los validadores recibirán tokens como recompensa.

Lo que hace que Morphware sea excepcional

Morphware es un mercado de dos caras.

El mercado sirve a los científicos de datos que pueden usar la plataforma para acceder a la potencia informática remota a través de la red de computadoras como CPU, GPU, RAM de la misma manera que usarían AWS, pero a un costo menor y con una interfaz más fácil de usar.

Por otro lado, Morphware también sirve a los propietarios de exceso de poder de cómputo que buscan ganar dinero y recompensas vendiendo su poder de cómputo.

Por ello, sus segmentos de clientes se centran en científicos de datos, gamers o personas con exceso de potencia informática que quieren ganar dinero.

Actualmente, la lista de clientes de Morphware ha crecido constantemente, incluido un científico de datos que trabaja en un laboratorio de movilidad de automóviles autónomos, organizaciones estudiantiles que necesitan soporte de ciencia de datos y empresas automotrices como Suzu, Mitsubishi o Volvo.

Morphware también se ha asociado con Tellor. Bajo esta asociación, Tellor pagará a Morphware por usar su oráculo durante los primeros meses.

Comparado con otros competidores en el mercado, Morphware tiene una ventaja competitiva. Su estrategia de mercado única hace que su producto sea más barato que otros.

Reflexiones finales sobre Morphware

A medida que los modelos de aprendizaje automático se vuelven cada vez más complejos, se han explorado los proyectos para un nuevo ecosistema de modelos de aprendizaje automático que se negocian a través de una red basada en Blockchain.

Como tal, los usuarios finales o los compradores pueden adquirir el modelo de interés del mercado de aprendizaje automático mientras que los trabajadores o vendedores están interesados ​​en gastar cálculos locales en datos para mejorar la calidad de ese modelo.

Así, se considera la relación proporcional entre los datos locales y la calidad de los modelos entrenados, y se estiman las valoraciones de los datos del vendedor en el entrenamiento de los modelos.

El proyecto muestra un desempeño competitivo en tiempo de ejecución, un menor costo de ejecución y equidad en términos de incentivos para los participantes.

Morphware es una de las plataformas pioneras que introduce una red peer-to-peer donde los usuarios finales pueden pagar a los jugadores de videojuegos para que entrenen modelos de aprendizaje automático, en su nombre, en la moneda Morphware Token de la plataforma.

Para obtener más información sobre Morphware, ¡haga clic aquí!

Fuente: https://blockonomi.com/morphware-guide/