Днес, тъй като техниките за машинно обучение се прилагат широко в редица приложения, машинното обучение стана важно за онлайн услугите.
Morphware е децентрализирана система за машинно обучение, която възнаграждава собствениците на ускорители, като продава на търг тяхната неактивна изчислителна мощност и след това улеснява свързаните подпрограми, които могат да бъдат от името на учените за данни, за да обучават и тестват моделите на машинно обучение в децентрализиран капацитет.
Типовете модели на машинно обучение включват контролирани полу- или неконтролирани алгоритми за обучение.
Обучението на алгоритъм за контролирано обучение може да се разглежда като търсене на оптимална комбинация от тегла, която да се приложи към набор от входове или да се предвиди желан изход.
Импулсът на тази работа е изчислителната сложност. Хардуерът, който се използва за изобразяване на видео игри, също може да ускори обучението на алгоритми за контролирано обучение.
Какво е Morphware?
Един от ключовите проблеми в моделите за машинно обучение е, че изчислителните ресурси, необходими за изпълнение на най-съвременните работни натоварвания за машинно обучение, се удвояват приблизително на всеки три месеца и половина.
За да се справи с този проблем, Morphware разработва peer-to-peer мрежа, която позволява на практикуващи учени по данни, инженери по машинно обучение и студенти по компютърни науки да плащат на играчи на видеоигри или други, за да обучават модели от тяхно име.
Въпреки че хардуерните машини помагат на учените за данни да ускорят разработването на модели за машинно обучение, високата цена на тези хардуерни ускорители също е бариера за много учени по данни.
Какво представляват моделите за машинно обучение?
Моделите за машинно обучение могат да варират в зависимост от степента на наблюдение и параметризация. Целта на обучението на контролиран параметризиран модел е да се намали процента на грешки, който обхваща численото разстояние между прогноза и наблюдение.
Обучението на модел на машинно обучение се осъществява чрез предварителна обработка и последвано от тестване. Учените по данни отделят данните, които са предоставени на моделите за машинно обучение, докато те се обучават, от данните, които са им предоставени по време на техния период на тестване.
Следователно може да се види, че моделът не надхвърля набора от налични данни, както и характеристики, които може да са по-лоши при невиждани данни.
Обикновено данните за обучение и тестове се избират от един и същ файл или директория при предварителна обработка.
Раждането на дълбокото обучение е големият взрив на модерното. Като фундаментално нов софтуерен модел, дълбокото обучение позволява паралелно да се обучават милиарди софтуерни неврони и трилиони връзки.
Изпълнявайки алгоритми за дълбоки невронни мрежи и учейки се от примери, ускореното изчисление е идеален подход, а графичният процесор е идеалният процесор.
Това е нова комбинация за създаване на ново поколение за компютърни платформи с по-добра производителност, производителност на програмиране и отворена достъпност.
Моделите за дълбоко обучение са известни като подмножество от модели на машинно обучение. Те са особено изчислително интензивни за обучение поради техните взаимосвързани слоеве от латентни променливи.
Какво е решението на Morphware?
За тези транзакции се използва валутата на основната платформа Morphware Token.
Токеномика
Общото предлагане на Morphware Token е 1,232,922,769 и те могат да бъдат изгаряни, но не и монетни.
Чрез уебсайт, който е проектиран, разработен и внедрен от Morphware, потребителите могат да закупят токена на платформата.
По-малко от два процента от общото предлагане на Morphware токени ще бъдат продадени през първия месец.
Как работи Morphware
Процесът на модел за машинно обучение е анализ на данни и след това е итеративен цикъл, който се колебае между избора на модел и инженерството на характеристиките.
Целта на тази работа е да помогне на крайни потребители, като учени по данни, да повторят по-бързо чрез създаване на достъп до децентрализирана мрежа от компютри, която може да ускори тяхното натоварване.
Крайните потребители са сдвоени и плащат работни възли чрез обратен търг с запечатана оферта с втора цена. Те плащат на работни възли, за да обучават своите модели и възли за валидиране, за да тестват моделите, обучени от работни възли от Morphware Tokens.
Ролите и отговорностите на членовете на мрежата включват два автономни типа партньори.
За да работят с Morphware, крайните потребители просто качат своя модел, под формата на Jupyter тетрадка или файл на Python, данните за обучение и тестване.
След това те трябва да посочат целевото ниво на точност и да дадат прогноза за колко време ще отнеме да достигнат това ниво на точност. Щракнете върху изпращане, за да завършите.
Крайните потребители подават модели, които да бъдат обучени от работниците и тествани от валидаторите. Междувременно работниците са възлите, които печелят токени чрез модели за обучение, предоставени от крайните потребители.
Валидаторите са възлите, които печелят токени чрез тестване на модели, обучени от работниците.
След като крайният потребител подаде модела, той ще бъде обучен от работниците и ще бъде тестван от валидаторите чрез платформата, която комуникира с мрежата чрез своя бек-енд демон.
Демонът е отговорен не само за създаването на алгоритми и съответните им набори от данни за това, което се подава от крайния потребител чрез клиента, но и за изпращане на първоначалната заявка за работа към интелигентния договор.
В допълнение, демонът отговаря за обучението и тестването на моделите от работниците и валидаторите.
Подпомаганата от партньори доставка позволява разпространението на алгоритъм и съответен набор от данни от краен потребител до работник или валидатор.
Въпреки това, първоначалните изисквания за работа от крайния потребител и съответните отговори на крайния потребител от работници или валидатори се публикуват в интелигентния договор.
Първоначалните изисквания за работа включват очакваното време за изпълнение на периода на обучение, свързания с алгоритъма магнит, набора за обучение и набора от данни за тестване.
Отговорът от работник включва магнитна връзка към модела, който те обучават, който впоследствие се тества от много валидатори.
Ако моделът, който е бил обучен, отговаря на необходимия праг на производителност, работникът и валидаторите ще получат токени като награда.
Какво прави Morphware изключителен
Morphware е двустранен пазар.
Пазарът обслужва учени за данни, които могат да използват платформата за достъп до отдалечена изчислителна мощност чрез мрежа от компютри като процесори, графични процесори, RAM по начина, по който биха използвали AWS, но на по-ниска цена и с по-удобен за потребителя интерфейс.
От друга страна, Morphware обслужва и собствениците на излишни изчислителни мощности, които искат да спечелят пари и награди, като продават своята изчислителна мощност.
Следователно, неговите клиентски сегменти се фокусират върху учени по данни, геймъри или хора с излишна изчислителна мощност, които искат да печелят пари.
Понастоящем списъкът с клиенти на Morphware непрекъснато нараства, включително учен по данни, работещ върху лаборатория за мобилност на самоуправляваща се кола, студентски организации, които се нуждаят от подкрепа за науката за данни, и автомобилни компании като Suzu, Mitsubishi или Volvo.
Morphware също си партнира с Tellor. Съгласно това партньорство Tellor ще плати на Morphware за използването на техния оракул през първите няколко месеца.
В сравнение с други конкуренти на пазара, Morphware има конкурентно предимство. Неговата уникална пазарна стратегия прави продукта му по-евтин от другите.
Заключителни мисли за Morphware
Тъй като моделите за машинно обучение стават все по-сложни, бяха проучени проектите за нова екосистема от модели за машинно обучение, търгуващи през мрежа, базирана на Blockchain.
Като такива, крайните потребители или купувачите могат да придобият модела, представляващ интерес от пазара на машинно обучение, докато работниците или продавачите, които се интересуват да изразходват местни изчисления за данни, за да подобрят качеството на този модел.
По този начин се разглежда пропорционалната връзка между местните данни и качеството на обучените модели и се оценяват оценките на данните на продавача при обучение на моделите.
Проектът показва конкурентно представяне по време на изпълнение, по-ниска цена на изпълнение и справедливост по отношение на стимулите за участниците.
Morphware е една от пионерските платформи, която въвежда peer-to-peer мрежа, където крайните потребители могат да плащат на играчите на видеоигри да обучават модели за машинно обучение от тяхно име във валутата на платформата Morphware Token.
За да научите повече за Morphware – моля, щракнете тук!
Източник: https://blokonomi.com/morphware-guide/