Danas, kako se tehnike strojnog učenja široko primjenjuju na niz aplikacija, strojno učenje postalo je važno za online usluge.
Morphware je decentralizirani sustav strojnog učenja koji nagrađuje vlasnike akceleratora licitiranjem njihove računalne snage u stanju mirovanja, a zatim olakšava povezane podrutine, koje mogu biti u ime znanstvenika podataka za obuku i testiranje modela strojnog učenja u decentraliziranom kapacitetu.
Vrste modela strojnog učenja uključuju nadzirane polu- ili nenadzirane algoritme učenja.
Osposobljavanje algoritma nadziranog učenja može se promatrati 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 renderiranje videoigara također može ubrzati obuku algoritama učenja pod nadzorom.
Što je Morphware?
Jedan od ključnih problema u modelima strojnog učenja je da se računski resursi potrebni za izvođenje najsuvremenijih radnih opterećenja strojnog učenja udvostručuju otprilike svaka tri i pol mjeseca.
Kako bi riješio ovaj problem, Morphware razvija peer-to-peer mrežu koja omogućuje znanstvenicima koji se bave podacima, inženjerima strojnog učenja i studentima informatike da plaćaju igračima videoigara ili drugima da treniraju modele u njihovo ime.
Iako hardverski strojevi pomažu znanstvenicima da ubrzaju razvoj modela strojnog učenja, visoka cijena ovih hardverskih akceleratora također je prepreka za mnoge znanstvenike s podacima.
Što su modeli strojnog učenja?
Modeli strojnog učenja mogu se razlikovati po stupnju nadzora i parametrizacije. Svrha obuke nadziranog parametariziranog modela je smanjiti stopu pogreške koja se proteže na numeričkoj udaljenosti između predviđanja i promatranja.
Obuka modela strojnog učenja provodi se predobradom, a nakon toga slijedi testiranje. Znanstvenici podataka odvajaju podatke koji su dostupni modelima strojnog učenja dok treniraju od podataka koji su im stavljeni na raspolaganje tijekom razdoblja testiranja.
Stoga se može vidjeti da model ne odgovara skupu dostupnih podataka, kao ni performansama, što može biti lošije na nevidljivim podacima.
Obično se podaci o obuci i testiranju odabiru iz iste datoteke ili direktorija u prethodnoj obradi.
Rođenje dubokog učenja je veliki prasak moderne Kao temeljno novi softverski model, duboko učenje omogućuje paralelno treniranje milijardi softverskih neurona i trilijuna 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 računalne platforme s boljom izvedbom, produktivnošću programiranja i otvorenom pristupačnošću.
Modeli dubokog učenja poznati su kao podskup modela strojnog učenja. Oni su posebno računski intenzivni za treniranje zbog međusobno povezanih slojeva latentnih varijabli.
Što 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 bit će na prodaju u prvom mjesecu.
Kako Morphware radi
Proces modela strojnog učenja je analiza podataka, a zatim je iterativni ciklus koji se koleba između odabira modela i inženjeringa značajki.
Svrha ovog rada je pomoći krajnjim korisnicima kao što su znanstvenici podataka da brže iteriraju stvaranjem pristupa decentraliziranoj mreži računala koja može ubrzati njihovo radno opterećenje.
Krajnji korisnici su upareni s radničkim čvorovima i plaćaju ih putem obrnute aukcije druge cijene zapečaćene ponude. Oni plaćaju radnim čvorovima da treniraju svoje modele i čvorovima validatora za testiranje modela koje obučavaju radnički čvorovi pomoću Morphware tokena.
Uloge i odgovornosti članova mreže uključuju dva autonomna tipa vršnjaka.
Za rad s Morphwareom, krajnji korisnici samo prenesu svoj model, u obliku Jupyter bilježnice ili Python datoteke, podatke o obuci i testiranju.
Zatim trebaju odrediti ciljanu razinu točnosti i dati predviđanje koliko će vremena trebati da se postigne ta razina točnosti. Klikom na Pošalji za završetak.
Krajnji korisnici šalju modele koje će radnici obučiti i testirati od strane validatora. 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.
Nakon što krajnji korisnik pošalje model, radnici će ga obučiti i testirati validatori putem platforme koja komunicira s mrežom putem svog pozadinskog demona.
Daemon je odgovoran ne samo za stvaranje algoritama i njihovih odgovarajućih skupova podataka za ono što krajnji korisnik šalje putem klijenta, već i za slanje početnog zahtjeva za rad pametnom ugovoru.
Osim toga, demon je odgovoran za obuku i testiranje modela, od strane radnika i validatora.
Isporuka uz pomoć kolega omogućuje širenje algoritma i odgovarajućeg skupa podataka od krajnjeg korisnika do radnika ili validatora.
Međutim, početni radni zahtjevi krajnjeg korisnika i relevantni odgovori radnika ili validatora za krajnjeg korisnika objavljeni su u pametnom ugovoru.
Početni zahtjevi za rad uključuju procijenjeno vrijeme izvođenja razdoblja obuke, magnet vezan za algoritam, skup za obuku i skup podataka za testiranje.
Odgovor radnika uključuje magnetsku vezu s modelom koji je trenirao, a koji je naknadno testiran od strane mnogih validatora.
Ako model koji je obučen zadovolji traženi prag izvedbe, radnik i validatori će primiti tokene kao nagradu.
Ono što Morphware čini izvanrednim
Morphware je dvostrano tržište.
Tržište služi podatkovnim znanstvenicima koji mogu koristiti platformu za pristup udaljenoj računskoj snazi putem mreže računala poput CPU-a, GPU-a, RAM-a na način na koji bi koristili AWS, ali po nižoj cijeni i s jednostavnijim sučeljem.
S druge strane, Morphware također služi vlasnicima viška računalne snage koji žele zaraditi novac i nagrade prodajom svoje računalne snage.
Stoga se njegovi segmenti kupaca usredotočuju na znanstvenike s podacima, igrače ili ljude s viškom računalne snage koji žele zaraditi novac.
Trenutačno, popis klijenata Morphwarea kontinuirano raste, uključujući znanstvenika podataka koji radi na Laboratoriju mobilnosti automobila koji se samostalno vozi, studentske organizacije kojima je potrebna podrška za znanost o podacima i automobilske tvrtke kao što su Suzu, Mitsubishi ili Volvo.
Morphware se također udružio s Tellorom. U okviru ovog partnerstva, Tellor će platiti Morphwareu za korištenje njihovog orakula prvih nekoliko mjeseci.
U usporedbi s drugim konkurentima na tržištu, Morphware ima konkurentsku prednost. Njegova jedinstvena tržišna strategija čini njegov proizvod jeftinijim od ostalih.
Završna razmišljanja o Morphwareu
Kako modeli strojnog učenja postaju sve složeniji, istraženi su projekti za novi ekosustav modela strojnog učenja koji trguju preko mreže temeljene na Blockchainu.
Kao takvi, krajnji korisnici ili kupci mogu steći model od interesa na tržištu strojnog učenja, dok radnici ili prodavači koji su zainteresirani za trošenje lokalnih izračuna na podatke kako bi poboljšali kvalitetu tog modela.
Stoga se razmatra proporcionalni odnos između lokalnih podataka i kvalitete obučenih modela, te se procjenjuju vrednovanja podataka prodavača u obučavanju modela.
Projekt pokazuje konkurentnu izvedbu tijekom trajanja, niže troškove izvođenja i pravednost u smislu poticaja za sudionike.
Morphware je jedna od pionirskih platformi koja uvodi peer-to-peer mrežu u kojoj krajnji korisnici mogu platiti igračima videoigara da u njihovo ime treniraju modele strojnog učenja u valuti platforme Morphware Token.
Za više informacija o Morphwareu – kliknite ovdje!
Izvor: https://blokonomi.com/morphware-guide/