Paggawa ng Machine Learning para sa Blockchain

Ngayon, dahil malawakang inilalapat ang mga diskarte sa machine learning sa isang hanay ng mga application, naging mahalaga ang machine learning sa mga online na serbisyo.

Ang Morphware ay isang desentralisadong machine learning system na nagbibigay ng reward sa mga may-ari ng mga accelerator sa pamamagitan ng pag-auction ng kanilang idle computing power at pagkatapos ay pinapadali ang nauugnay na mga sub-routine, na maaaring sa ngalan ng mga data scientist upang sanayin at subukan ang mga modelo ng machine learning sa desentralisadong kapasidad.

Kasama sa mga uri ng mga modelo ng machine learning ang pinangangasiwaang semi-o unsupervised learning algorithm.

Ang pagsasanay ng isang pinangangasiwaang algorithm ng pag-aaral ay makikita bilang isang paghahanap para sa pinakamainam na kumbinasyon ng mga timbang na ilalapat sa isang hanay ng mga input o upang mahulaan ang isang kanais-nais na output.

Ang impetus ng gawaing ito ay ang computational complexity. Mapapabilis din ng hardware na ginagamit sa pag-render ng mga video game ang pagsasanay ng mga algorithm ng pinangangasiwaang pag-aaral.

Ano ang Morphware?

Ang isa sa mga pangunahing problema sa mga modelo ng machine learning ay ang computational resources na kinakailangan upang magpatakbo ng makabagong machine learning workload ay dumoble nang humigit-kumulang bawat tatlo at kalahating buwan.

Upang matugunan ang isyung ito, bumuo ang Morphware ng isang peer-to-peer network na nagbibigay-daan sa mga nagsasanay na data scientist, machine learning engineer, at mga mag-aaral sa computer science na magbayad ng mga manlalaro ng video game o iba pa upang sanayin ang mga modelo sa ngalan nila.

Bagama't tinutulungan ng mga hardware machine ang data scientist na mapabilis ang pagbuo ng mga modelo ng machine learning, ang mataas na halaga ng mga hardware accelerator na ito ay hadlang din para sa maraming data scientist.

Ano ang Mga Modelo ng Machine Learning?

Maaaring mag-iba ang mga modelo ng machine learning ayon sa antas ng pangangasiwa at parameterization. Ang layunin ng pagsasanay ng isang supervised-parameterized na modelo ay upang babaan ang rate ng error na sumasaklaw sa numerical na distansya sa pagitan ng isang hula at isang obserbasyon.

Ang pagsasanay sa isang modelo ng machine learning ay ipinapatupad sa pamamagitan ng paunang pagproseso, at sinusundan ng pagsubok. Pinaghihiwalay ng mga data scientist ang data na ginawang available sa mga modelo ng machine learning habang nagsasanay sila mula sa data na ginawang available sa kanila sa panahon ng kanilang pagsubok.

Samakatuwid, makikita na hindi na-overfit ng modelo ang hanay ng magagamit na data, pati na rin ang mga performance, na maaaring mas masahol pa sa hindi nakikitang data.

Karaniwan, pinipili ang data ng pagsasanay at pagsubok mula sa parehong file o direktoryo sa pre-processing.

Ang pagsilang ng malalim na pag-aaral ay ang big bang ng modernong Bilang isang panimula na bagong modelo ng software, ang malalim na pag-aaral ay nagbibigay-daan sa bilyun-bilyong software neuron at trilyong koneksyon na masanay, nang magkatulad.

Ang pagpapatakbo ng malalim na neural network algorithm at pag-aaral mula sa mga halimbawa, ang pinabilis na computing ay isang perpektong diskarte at ang GPU ay ang perpektong processor.

Ito ay isang bagong kumbinasyon upang lumikha ng isang bagong henerasyon para sa mga platform ng pag-compute na may mas mahusay na pagganap, pagiging produktibo sa programming, at bukas na accessibility.

Ang mga modelo ng deep learning ay kilala bilang isang subset ng mga modelo ng machine learning. Ang mga ito ay lalo na sa computationally intensive upang sanayin dahil sa kanilang magkakaugnay na mga layer ng latent variable.

Ano ang Solusyon ng Morphware?

Ginagamit ang currency ng pangunahing platform na Morphware Token para sa mga transaksyong ito.

Tokenomics

Ang kabuuang supply ng Morphware Token ay 1,232,922,769 at ang mga ito ay nasusunog, ngunit hindi mintable.

Sa pamamagitan ng isang website na idinisenyo, binuo, at na-deploy ng Morphware, mabibili ng mga user ang platform token.

Mas mababa sa dalawang porsyento ng kabuuang supply ng Morphware Token ang ibebenta sa unang buwan.

Paano Gumagana ang Morphware

Ang proseso ng isang modelo ng machine learning ay pagsusuri ng data at pagkatapos ay isang umuulit na cycle na nag-aalinlangan sa pagitan ng pagpili ng modelo at ng feature engineering.

Ang layunin ng gawaing ito ay tulungan ang mga end-user gaya ng mga data scientist na mas mabilis na umulit sa pamamagitan ng paglikha ng access sa isang desentralisadong network ng mga computer na maaaring mapabilis ang kanilang mga workload.

Ang mga end user ay ipinares at nagbabayad, mga worker node sa pamamagitan ng sealed-bid, second-price reverse auction. Nagbabayad sila ng mga worker node para sanayin ang kanilang mga modelo at validator node para subukan ang mga modelong sinanay ng mga worker node ng Morphware Tokens.

Kasama sa mga tungkulin at responsibilidad ng mga miyembro ng network ang dalawang autonomous na uri ng peer.

Para magtrabaho sa Morphware, i-upload lang ng mga end user ang kanilang modelo, sa anyo ng Jupyter notebook o Python file, ang data ng pagsasanay at pagsubok.

Susunod, kailangan nilang tukuyin ang antas ng katumpakan ng target at magbigay ng hula kung gaano katagal bago maabot ang antas ng katumpakan na iyon. Ang pag-click sa pagsusumite upang matapos.

Ang mga end user ay nagsusumite ng mga modelo upang sanayin ng mga manggagawa at masuri ng mga validator. Samantala, ang mga manggagawa ay ang mga node na kumikita ng mga token sa pamamagitan ng mga modelo ng pagsasanay na isinumite ng mga end-user.

Ang mga validator ay ang mga node na nakakakuha ng mga token sa pamamagitan ng pagsubok sa mga modelong sinanay ng mga manggagawa.

Kapag naisumite na ng end-user ang modelo, sasanayin ito ng mga manggagawa at susuriin ng mga validator, sa pamamagitan ng platform, na nakikipag-ugnayan sa network sa pamamagitan ng back-end na daemon nito.

Ang daemon ay responsable para sa hindi lamang paggawa ng mga algorithm at kani-kanilang mga dataset para sa kung ano ang isinumite ng end-user sa pamamagitan ng kliyente kundi pati na rin ang pagpapadala ng paunang pangangalap ng trabaho sa matalinong kontrata.

Bilang karagdagan, ang daemon ay responsable para sa pagsasanay at pagsubok ng mga modelo, ng mga manggagawa at validator.

Binibigyang-daan ng peer-assisted delivery ang pagpapalaganap ng isang algorithm at kaukulang dataset mula sa isang end-user patungo sa isang manggagawa o isang validator.

Gayunpaman, ang mga paunang kinakailangan sa trabaho mula sa end-user at mga nauugnay na tugon sa end-user mula sa mga manggagawa o validator ay naka-post lahat sa smart contract.

Kasama sa mga paunang kinakailangan sa trabaho ang tinantyang runtime ng panahon ng pagsasanay, ang magnet na nauugnay sa algorithm, ang set ng pagsasanay, at ang set ng pagsubok ng data.

Ang tugon mula sa isang manggagawa ay may kasamang magnet link sa modelong kanilang sinanay, na pagkatapos ay sinubok ng maraming validator.

Kung ang modelong sinanay ay nakakatugon sa kinakailangang threshold ng pagganap, ang manggagawa at mga validator ay makakatanggap ng mga token bilang gantimpala.

Ano ang Nagpapatingkad sa Morphware

Ang Morphware ay isang dalawang panig na pamilihan.

Ang marketplace ay nagsisilbi sa mga data scientist na maaaring gumamit ng platform upang ma-access ang malayuang computing power sa pamamagitan ng network ng mga computer gaya ng mga CPU, GPU, RAM bilang paraan kung paano nila gagamitin ang AWS, ngunit sa mas mababang halaga at may mas user-friendly na interface.

Sa kabilang banda, nagsisilbi rin ang Morphware sa mga may-ari ng labis na kapangyarihan sa pag-compute na naghahanap upang kumita ng pera at mga gantimpala sa pamamagitan ng pagbebenta ng kanilang kapangyarihan sa pag-compute.

Samakatuwid, ang mga segment ng customer nito ay nakatuon sa mga data scientist, gamer, o mga taong may labis na kapangyarihan sa pag-compute na gustong kumita ng pera.

Sa kasalukuyan, patuloy na lumalaki ang listahan ng kliyente ng Morphware kabilang ang isang data scientist na nagtatrabaho sa isang self-driving na kotse na Mobility Lab, mga organisasyon ng mag-aaral na nangangailangan ng suporta sa data science, at mga kumpanya ng sasakyan tulad ng Suzu, Mitsubishi, o Volvo.

Nakipagsosyo rin ang Morphware sa Tellor. Sa ilalim ng partnership na ito, babayaran ng Tellor ang Morphware para sa paggamit ng kanilang orakulo sa unang ilang buwan.

Kung ikukumpara sa iba pang mga kakumpitensya sa merkado, ang Morphware ay may mapagkumpitensyang kalamangan. Ang kakaibang diskarte nito sa marketplace ay ginagawang mas mura ang produkto nito kaysa sa iba.

Pagsasara ng mga Kaisipan sa Morphware

Habang nagiging mas kumplikado ang mga modelo ng machine learning, na-explore ang mga proyekto para sa isang bagong ecosystem ng mga modelo ng machine learning na nakikipagkalakalan sa isang network na nakabatay sa Blockchain.

Dahil dito, maaaring makuha ng mga end-user o mga mamimili ang modelo ng interes mula sa market ng machine learning habang ang mga manggagawa o nagbebenta na interesadong gumastos ng mga lokal na pagkalkula sa data upang mapahusay ang kalidad ng modelong iyon.

Kaya naman, ang proporsyonal na kaugnayan sa pagitan ng lokal na data at ang kalidad ng mga sinanay na modelo ay isinasaalang-alang, at ang mga valuation ng data ng nagbebenta sa pagsasanay ng mga modelo ay tinatantya.

Ang proyekto ay nagpapakita ng isang mapagkumpitensyang pagganap ng run-time, isang mas mababang halaga ng pagpapatupad, at pagiging patas sa mga tuntunin ng mga insentibo para sa mga kalahok.

Ang Morphware ay isa sa mga pioneering platform na nagpapakilala ng isang peer-to-peer network kung saan ang mga end-user ay maaaring magbayad ng mga manlalaro ng video game upang sanayin ang mga modelo ng machine learning, sa kanilang ngalan, sa currency ng platform na Morphware Token.

Upang matuto nang higit pa tungkol sa Morphware – mangyaring mag-click dito!