Får maskinlæring til å fungere for Blockchain

I dag, ettersom maskinlæringsteknikker er mye brukt på en rekke applikasjoner, har maskinlæring blitt viktig for nettbaserte tjenester.

Morphware er et desentralisert maskinlæringssystem som belønner eiere av akseleratorer ved å auksjonere bort deres inaktive datakraft og deretter letter de tilhørende underrutinene, som kan være på vegne av dataforskerne for å trene og teste maskinlæringsmodellene i en desentralisert kapasitet.

Typer maskinlæringsmodeller inkluderer overvåkede semi- eller uovervåkede læringsalgoritmer.

Trening av en overvåket læringsalgoritme kan sees på som et søk etter den optimale kombinasjonen av vekter som kan brukes på et sett med innganger eller for å forutsi en ønskelig utgang.

Drivkraften til dette arbeidet er den beregningsmessige kompleksiteten. Maskinvare som brukes til å gjengi videospill kan også akselerere opplæringen av veiledede læringsalgoritmer.

Hva er Morphware?

Et av hovedproblemene i maskinlæringsmodeller er at beregningsressursene som kreves for å kjøre toppmoderne maskinlæringsarbeidsmengder dobles omtrent hver tredje og en halv måned.

For å løse dette problemet utvikler Morphware et peer-to-peer-nettverk som lar praktiserende dataforskere, maskinlæringsingeniører og informatikkstudenter betale videospillspillere eller andre for å trene modeller på deres vegne.

Selv om maskinvaremaskiner hjelper dataforskere med å akselerere utviklingen av maskinlæringsmodeller, er den høye kostnaden for disse maskinvareakseleratorene også en barriere for mange dataforskere.

Hva er maskinlæringsmodeller?

Maskinlæringsmodeller kan variere etter grad av tilsyn og parameterisering. Hensikten med å trene en overvåket-parameterisert modell er å senke feilraten som spenner over den numeriske avstanden mellom en prediksjon og en observasjon.

Trening av en maskinlæringsmodell implementeres ved forhåndsbehandling, og etterfølges av testing. Dataforskere skiller dataene som gjøres tilgjengelig for maskinlæringsmodeller mens de trener fra dataene som blir gjort tilgjengelig for dem i løpet av testperioden.

Derfor kan man se at modellen ikke overpasser settet med tilgjengelige data, samt ytelser, som kan være dårligere på usett data.

Vanligvis velges trenings- og testdata fra samme fil eller katalog i forhåndsbehandlingen.

Fødselen av dyp læring er det store smellet i moderne Som en fundamentalt ny programvaremodell lar dyp læring milliarder av programvareneuroner og billioner av forbindelser trenes, parallelt.

Ved å kjøre dype nevrale nettverksalgoritmer og lære av eksempler, er akselerert databehandling en ideell tilnærming, og GPU er den ideelle prosessoren.

Det er en ny kombinasjon for å skape en ny generasjon for dataplattformer med bedre ytelse, programmeringsproduktivitet og åpen tilgjengelighet.

Dyplæringsmodeller er kjent som en undergruppe av maskinlæringsmodeller. De er spesielt beregningsintensive å trene på grunn av deres sammenkoblede lag av latente variabler.

Hva er Morphwares løsning?

Hovedplattformens valuta Morphware Token brukes for disse transaksjonene.

Tokenomics

Den totale forsyningen av Morphware Token er 1,232,922,769 XNUMX XNUMX XNUMX og de er brennbare, men ikke pregebare.

Gjennom et nettsted som er designet, utviklet og distribuert av Morphware, kan brukere kjøpe plattformtokenet.

Mindre enn to prosent av det totale tilbudet av Morphware-tokens vil være til salgs den første måneden.

Hvordan Morphware fungerer

Prosessen med en maskinlæringsmodell er dataanalyse og er deretter en iterativ syklus som svinger mellom modellvalg og funksjonsutvikling.

Hensikten med dette arbeidet er å hjelpe sluttbrukere som dataforskere til å iterere raskere ved å skape tilgang til et desentralisert nettverk av datamaskiner som kan akselerere arbeidsbelastningen deres.

Sluttbrukere er sammenkoblet med og betaler arbeidernoder via en forseglet bud, andrepris omvendt auksjon. De betaler arbeidernoder for å trene modellene sine og validatornoder for å teste modellene som er trent av arbeidernoder av Morphware Tokens.

Rollene og ansvaret til medlemmer av nettverket inkluderer to autonome peer-typer.

For å jobbe med Morphware, laster sluttbrukere bare opp modellen sin, i form av en Jupyter-notisbok eller en Python-fil, trenings- og testdataene.

Deretter må de spesifisere målnøyaktighetsnivået og gi en prediksjon for hvor lang tid det vil ta å nå det nøyaktighetsnivået. Klikk på send for å fullføre.

Sluttbrukere sender inn modeller som skal trenes av arbeiderne og testes av validatorene. I mellomtiden er arbeidere nodene som tjener tokens ved opplæringsmodeller sendt inn av sluttbrukerne.

Validatorer er nodene som tjener tokens ved å teste modeller trent av arbeiderne.

Når sluttbrukeren har sendt inn modellen, vil den bli trent av arbeiderne og testet av validatorene, gjennom plattformen, som kommuniserer med nettverket gjennom sin backend-demon.

Daemonen er ikke bare ansvarlig for å lage algoritmer og deres respektive datasett for det som sendes inn av sluttbrukeren gjennom klienten, men også for å sende den første oppfordringen om arbeid til den smarte kontrakten.

I tillegg er demonen ansvarlig for opplæring og testing av modellene, av arbeiderne og validatorene.

Peer-assistert levering tillater forplantning av en algoritme og tilsvarende datasett fra en sluttbruker til en arbeider eller en validator.

Imidlertid er de første arbeidskravene fra sluttbrukeren og relevante svar til sluttbrukeren fra arbeidere eller validatorer lagt ut i smartkontrakten.

De første arbeidskravene inkluderer estimert kjøretid for treningsperioden, den algoritmerelaterte magneten, treningssettet og testsettet med data.

Et svar fra en arbeider inkluderer en magnetkobling til modellen de trente, som deretter testes av mange validatorer.

Hvis modellen som ble trent, oppfyller den påkrevde ytelsesterskelen, vil arbeideren og validatorene motta tokens som en belønning.

Hva gjør Morphware enestående

Morphware er en tosidig markedsplass.

Markedsplassen betjener dataforskere som kan bruke plattformen til å få tilgang til ekstern datakraft gjennom nettverket av datamaskiner som CPUer, GPUer, RAM slik de ville brukt AWS, men til en lavere kostnad og med et mer brukervennlig grensesnitt.

På den annen side betjener Morphware også eiere av overflødig datakraft som ønsker å tjene penger og belønninger ved å selge sin datakraft.

Derfor fokuserer kundesegmentene på dataforskere, spillere eller personer med overflødig datakraft som ønsker å tjene penger.

For øyeblikket har klientlisten til Morphware vokst kontinuerlig, inkludert en dataforsker som jobber med et selvkjørende bilmobilitetslaboratorium, studentorganisasjoner som trenger datavitenskapelig støtte, og bilfirmaer som Suzu, Mitsubishi eller Volvo.

Morphware har også inngått samarbeid med Tellor. Under dette partnerskapet kommer Tellor til å betale Morphware for å bruke oraklet deres de første månedene.

Sammenlignet med andre konkurrenter i markedet har Morphware et konkurransefortrinn. Den unike markedsstrategien gjør produktet billigere enn andre.

Avsluttende tanker om Morphware

Ettersom maskinlæringsmodeller blir stadig mer komplekse, har prosjektene for et nytt økosystem av maskinlæringsmodeller som handles over et Blockchain-basert nettverk blitt utforsket.

Som sådan kan sluttbrukerne eller kjøperne skaffe seg interessemodellen fra maskinlæringsmarkedet, mens arbeidere eller selgere som er interessert i å bruke lokale beregninger på data for å forbedre modellens kvalitet.

Derfor vurderes det proporsjonale forholdet mellom de lokale dataene og kvaliteten på trenede modeller, og verdsettelsen av selgers data i opplæringen av modellene estimeres.

Prosjektet viser en konkurransedyktig kjøretidsytelse, lavere utførelseskostnader og rettferdighet når det gjelder insentiver for deltakerne.

Morphware er en av de banebrytende plattformene som introduserer et peer-to-peer-nettverk der sluttbrukere kan betale videospillspillere for å trene maskinlæringsmodeller, på deres vegne, i plattformens valuta Morphware Token.

For å lære mer om Morphware - klikk her!