Manapság, amikor a gépi tanulási technikákat széles körben alkalmazzák számos alkalmazásban, a gépi tanulás fontossá vált az online szolgáltatásokban.
A Morphware egy decentralizált gépi tanulási rendszer, amely megjutalmazza a gyorsítók tulajdonosait üresjárati számítási teljesítményük elárverezésével, majd megkönnyíti a kapcsolódó alrutinokat, amelyek az adattudósok nevében képezhetik és tesztelhetik a gépi tanulási modelleket decentralizált kapacitással.
A gépi tanulási modellek típusai közé tartoznak a felügyelt félig vagy nem felügyelt tanulási algoritmusok.
A felügyelt tanulási algoritmus betanítását úgy tekinthetjük, mint a súlyok optimális kombinációjának keresését egy bemeneti készletre vagy a kívánt kimenet előrejelzésére.
Ennek a munkának a lendülete a számítási komplexitás. A videojátékok megjelenítésére használt hardver is felgyorsíthatja a felügyelt tanulási algoritmusok képzését.
Mi az a Morphware?
A gépi tanulási modellek egyik kulcsproblémája az, hogy a legmodernebb gépi tanulási terhelések futtatásához szükséges számítási erőforrások körülbelül három és fél havonta megduplázódnak.
A probléma megoldása érdekében a Morphware egy peer-to-peer hálózatot fejleszt ki, amely lehetővé teszi a gyakorló adattudósok, gépi tanulási mérnökök és számítástechnikai hallgatók számára, hogy fizessenek videojátékosoknak vagy másoknak, hogy modelleket képezzenek ki a nevükben.
Bár a hardvergépek segítenek az adatkutatóknak felgyorsítani a gépi tanulási modellek fejlesztését, ezeknek a hardveres gyorsítóknak a magas költsége is akadályt jelent sok adattudós számára.
Mik azok a gépi tanulási modellek?
A gépi tanulási modellek a felügyelet és a paraméterezés mértéke szerint változhatnak. A felügyelt-paraméterezett modell betanításának célja az előrejelzés és a megfigyelés közötti numerikus távolságot lefedő hibaarány csökkentése.
A gépi tanulási modell betanítása előfeldolgozással, majd teszteléssel valósul meg. Az adattudósok elválasztják a gépi tanulási modellek számára képzés közben elérhetővé tett adatokat azoktól az adatoktól, amelyeket a tesztelési időszakuk során bocsátanak rendelkezésre.
Látható tehát, hogy a modell nem illeszti túl a rendelkezésre álló adatok halmazát, valamint a teljesítményeket, ami a nem látott adatokon rosszabb lehet.
Általában a betanítási és tesztelési adatokat ugyanabból a fájlból vagy könyvtárból választják ki az előfeldolgozás során.
A mélytanulás megszületése a modern kor nagy robbanása Alapvetően új szoftvermodellként a mélytanulás lehetővé teszi szoftveres neuronok milliárdjainak és kapcsolatok trillióinak párhuzamos képzését.
A mély neurális hálózati algoritmusok futtatása és a példákból tanulva a gyorsított számítástechnika ideális megközelítés, a GPU pedig az ideális processzor.
Ez egy új kombináció a számítási platformok új generációjának létrehozásához, jobb teljesítménnyel, programozási termelékenységgel és nyílt hozzáféréssel.
A mélytanulási modellek a gépi tanulási modellek részhalmazaként ismertek. Különösen számításigényesek a betanításuk a látens változók egymáshoz kapcsolódó rétegei miatt.
Mi a Morphware megoldása?
Ezekhez a tranzakciókhoz a fő platform Morphware Token pénzneme kerül felhasználásra.
Tokenomika
A Morphware Token teljes készlete 1,232,922,769 XNUMX XNUMX XNUMX darab, és elégethetők, de nem verhetők.
A Morphware által tervezett, fejlesztett és telepített webhelyen keresztül a felhasználók megvásárolhatják a platform tokent.
A Morphware Tokenek teljes kínálatának kevesebb mint két százaléka kerül eladásra az első hónapban.
Hogyan működik a Morphware
A gépi tanulási modell folyamata az adatelemzés, majd egy iteratív ciklus, amely ingadozik a modellválasztás és a funkciótervezés között.
Ennek a munkának az a célja, hogy segítse a végfelhasználókat, például az adatkutatókat, hogy gyorsabban iterálhassanak azáltal, hogy hozzáférést hoznak létre a számítógépek decentralizált hálózatához, amely felgyorsíthatja a munkaterhelésüket.
A végfelhasználók egy lezárt ajánlatú, másodáras fordított aukción keresztül párosulnak a dolgozó csomópontokkal, és fizetnek is. Fizetnek a dolgozói csomópontoknak modelljeik betanításáért, az érvényesítő csomópontoknak pedig a Morphware Tokens által a dolgozói csomópontok által betanított modellek teszteléséhez.
A hálózat tagjainak szerepei és felelősségei két autonóm peer típust foglalnak magukban.
A Morphware használatához a végfelhasználók csak feltöltik modelljüket, Jupyter-jegyzetfüzet vagy Python-fájl formájában, a képzési és tesztelési adatokat.
Ezután meg kell adniuk a célpontossági szintet, és előrejelzést kell adniuk arra vonatkozóan, hogy mennyi ideig tart a pontossági szint elérése. A Beküldés gombra kattintva befejezheti.
A végfelhasználók modelleket nyújtanak be, hogy a dolgozók kiképezzenek, és az érvényesítők teszteljék őket. Eközben a dolgozók azok a csomópontok, amelyek tokeneket szereznek a végfelhasználók által benyújtott képzési modellekkel.
A validátorok azok a csomópontok, amelyek a dolgozók által betanított modellek tesztelésével tokeneket szereznek.
Miután a végfelhasználó beküldi a modellt, a dolgozók betanítják azt, és az érvényesítők tesztelik a platformon keresztül, amely a háttérdémonon keresztül kommunikál a hálózattal.
A démon nem csak az algoritmusok és a hozzájuk tartozó adatkészletek létrehozásáért felelős a végfelhasználó által az ügyfélen keresztül benyújtott adatokhoz, hanem azért is, hogy elküldje a kezdeti munkafelkérést az intelligens szerződésnek.
Ezenkívül a démon felelős a modellek képzéséért és teszteléséért, a dolgozók és az érvényesítők által.
Az egyenrangú kézbesítés lehetővé teszi egy algoritmus és a megfelelő adatkészlet továbbítását a végfelhasználótól a dolgozóhoz vagy egy érvényesítőhöz.
Mindazonáltal a végfelhasználó kezdeti munkakövetelményei és a végfelhasználóknak küldött releváns válaszok a dolgozóktól vagy az érvényesítőktől mind megjelennek az intelligens szerződésben.
A kezdeti munkaigények magukban foglalják a betanítási időszak becsült futási idejét, az algoritmushoz kapcsolódó mágnest, a betanítókészletet és a tesztelési adatkészletet.
A dolgozó válasza mágneses hivatkozást tartalmaz az általa betanított modellhez, amelyet ezt követően számos érvényesítő tesztel.
Ha a betanított modell eléri a szükséges teljesítményküszöböt, a dolgozó és az érvényesítők tokeneket kapnak jutalomként.
Mi teszi a Morphware-t kiemelkedővé
A Morphware egy kétoldalú piactér.
A piactér olyan adattudósokat szolgál ki, akik a platform segítségével hozzáférhetnek a távoli számítási teljesítményhez a számítógépek (például CPU-k, GPU-k és RAM) hálózatán keresztül, ahogyan az AWS-t használnák, de alacsonyabb költséggel és felhasználóbarátabb felülettel.
Másrészt a Morphware a túlzott számítási teljesítmény tulajdonosait is kiszolgálja, akik pénzt és jutalmakat keresnek számítási teljesítményük eladásával.
Ezért ügyfélszegmensei az adattudósokra, a játékosokra vagy a túlzott számítási teljesítménnyel rendelkező emberekre összpontosítanak, akik pénzt szeretnének keresni.
Jelenleg a Morphware ügyféllistája folyamatosan bővül, beleértve az önvezető autók Mobilitási Laboratóriumán dolgozó adattudósokat, az adattudományi támogatást igénylő diákszervezeteket és az olyan autóipari cégeket, mint a Suzu, a Mitsubishi vagy a Volvo.
A Morphware a Tellorral is együttműködött. Ennek a partnerségnek a keretében a Tellor fizetni fog a Morphware-nek azért, mert az első néhány hónapban az orákulumát használta.
A piacon lévő többi versenytárshoz képest a Morphware versenyelőnnyel rendelkezik. Egyedülálló piaci stratégiája olcsóbbá teszi termékét, mint mások.
Záró gondolatok a Morphware-ről
Mivel a gépi tanulási modellek egyre összetettebbé válnak, a gépi tanulási modellek új ökoszisztémájára vonatkozó projekteket vizsgálták, amelyek blokklánc-alapú hálózaton keresztül kereskednek.
Mint ilyen, a végfelhasználók vagy a vásárlók megszerezhetik az érdeklődésre számot tartó modellt a gépi tanulási piacról, míg a dolgozók vagy eladók, akik érdeklődnek a helyi számítások elköltésében az adatokra, hogy javítsák a modell minőségét.
Ennek megfelelően figyelembe veszik a helyi adatok és a betanított modellek minősége közötti arányos összefüggést, és megbecsülik az eladói adatok értékelését a modellek betanítása során.
A projekt versenyképes futásidejű teljesítményt, alacsonyabb végrehajtási költséget és méltányosságot mutat a résztvevők ösztönzése tekintetében.
A Morphware az egyik úttörő platform, amely egy peer-to-peer hálózatot vezet be, ahol a végfelhasználók a platform pénznemében, a Morphware Tokenben fizethetnek a videojátékosoknak azért, hogy a nevükben gépi tanulási modelleket képezzenek ki.
Ha többet szeretne megtudni a Morphware-ről, kattintson ide!
Forrás: https://blockonomi.com/morphware-guide/