Денес, бидејќи техниките за машинско учење се широко применети за низа апликации, машинското учење стана важно за онлајн услугите.
Morphware е децентрализиран систем за машинско учење кој ги наградува сопствениците на акцелератори преку аукција на нивната неактивен компјутерска моќ и потоа ги олеснува поврзаните подрутини, кои можат да бидат во име на научниците за податоци да ги обучуваат и тестираат моделите за машинско учење во децентрализиран капацитет.
Видовите модели на машинско учење вклучуваат надгледувани полу-или ненадгледувани алгоритми за учење.
Обуката на алгоритам за надгледувано учење може да се гледа како потрага по оптимална комбинација на тежини што треба да се примени на збир на влезови или да се предвиди посакуваниот излез.
Поттик на оваа работа е пресметковната сложеност. Хардверот што се користи за прикажување видео игри може исто така да ја забрза обуката на надгледуваните алгоритми за учење.
Што е Morphware?
Еден од клучните проблеми во моделите за машинско учење е пресметковните ресурси потребни за извршување на најсовремените работни оптоварувања за машинско учење се удвојуваат приближно на секои три и пол месеци.
За да се справи со ова прашање, Morphware развива peer-to-peer мрежа која им овозможува на научниците кои практикуваат податоци, инженерите за машинско учење и студентите по компјутерски науки да им платат на играчите на видео игри или на други да обучуваат модели во нивно име.
Иако хардверските машини им помагаат на научниците за податоци да го забрзаат развојот на моделите за машинско учење, високата цена на овие хардверски акцелератори е исто така бариера за многу научници за податоци.
Кои се моделите за машинско учење?
Моделите за машинско учење може да се разликуваат според степенот на надзор и параметризација. Целта на обуката на надгледуван параметриизиран модел е да се намали стапката на грешка што го опфаќа нумеричкото растојание помеѓу предвидувањето и набљудувањето.
Обуката за модел на машинско учење се спроведува со претходна обработка, а потоа и тестирање. Научниците за податоци ги одделуваат податоците што им се достапни на моделите за машинско учење додека тие се обучуваат од податоците што им се достапни за време на нивниот период на тестирање.
Според тоа, може да се види дека моделот не преоптоварува со множеството достапни податоци, како и перформансите, кои може да бидат полоши со невидени податоци.
Вообичаено, податоците за обука и тестирање се избираат од истата датотека или директориум при претходна обработка.
Раѓањето на длабокото учење е големата експлозија на модерното Како фундаментално нов софтверски модел, длабокото учење овозможува паралелно да се обучуваат милијарди софтверски неврони и трилиони врски.
Водење алгоритми за длабоки невронски мрежи и учење од примери, забрзаното пресметување е идеален пристап, а графичкиот процесор е идеалниот процесор.
Тоа е нова комбинација за создавање на нова генерација за компјутерски платформи со подобри перформанси, продуктивност на програмирање и отворена пристапност.
Моделите за длабоко учење се познати како подмножество на модели за машинско учење. Тие се особено компјутерски интензивни за обука поради нивните меѓусебно поврзани слоеви на латентни променливи.
Што е решението на Morphware?
За овие трансакции се користи валутата на главната платформа Morphware Token.
Токеномика
Вкупната понуда на Morphware Token е 1,232,922,769 и тие се изгорливи, но не се ковани.
Преку веб-локација што е дизајнирана, развиена и распоредена од Morphware, корисниците можат да го купат токенот на платформата.
Помалку од два проценти од вкупната понуда на Morphware Tokens ќе бидат на продажба во првиот месец.
Како работи Morphware
Процесот на модел на машинско учење е анализа на податоци, а потоа е итеративен циклус кој варира помеѓу изборот на модел и инженерството на карактеристики.
Целта на оваа работа е да им помогне на крајните корисници, како што се научниците за податоци, да се повторуваат побрзо преку создавање пристап до децентрализирана мрежа на компјутери што може да го забрза нивниот обем на работа.
Крајните корисници се спаруваат со работнички јазли и плаќаат преку обратна аукција со запечатена понуда, втора цена. Тие плаќаат работнички јазли да ги обучуваат нивните модели и валидатори за тестирање на моделите обучени од работнички јазли од Morphware Tokens.
Улогите и одговорностите на членовите на мрежата вклучуваат два автономни типа на врсници.
За да работат со Morphware, крајните корисници само го поставуваат својот модел, во форма на тетратка Jupyter или датотека Python, податоци за обука и тестирање.
Следно, тие треба да го наведат нивото на точност на целта и да дадат предвидување колку време ќе биде потребно за да се достигне тоа ниво на точност. Со кликнување се поднесува за да се заврши.
Крајните корисници поднесуваат модели за да бидат обучени од работниците и тестирани од валидаторите. Во меѓувреме, работниците се јазлите кои заработуваат токени со модели за обука поднесени од крајните корисници.
Валидаторите се јазли кои заработуваат токени со тестирање на модели обучени од работниците.
Откако крајниот корисник ќе го поднесе моделот, тој ќе биде обучен од работниците и тестиран од валидаторите, преку платформата, која комуницира со мрежата преку нејзиниот заден демон.
Демонот е одговорен не само за креирање на алгоритми и нивни соодветни збирки на податоци за она што е доставено од крајниот корисник преку клиентот, туку и за испраќање на првичното барање за работа до паметниот договор.
Покрај тоа, демонот е одговорен за обука и тестирање на моделите, од страна на работниците и валидаторите.
Испораката со помош на колеги овозможува ширење на алгоритам и соодветната база на податоци од краен корисник до работник или валидатор.
Сепак, првичните работни барања од крајниот корисник и релевантните одговори до крајниот корисник од работниците или валидаторите се објавени на паметниот договор.
Почетните барања за работа го вклучуваат проценетото времетраење на периодот на обука, магнетот поврзан со алгоритам, комплетот за обука и комплетот за тестирање на податоци.
Одговорот од работникот вклучува магнетна врска до моделот што го обучил, кој последователно го тестираат многу валидатори.
Ако моделот што бил обучен го исполнува бараниот праг на изведба, работникот и валидаторите ќе добијат токени како награда.
Она што го прави Morphware извонреден
Morphware е двостран пазар.
Пазарот им служи на научниците за податоци кои можат да ја користат платформата за пристап до далечинска компјутерска моќ преку мрежата на компјутери како што се процесорите, графичките процесори, RAM меморијата како што би користеле AWS, но по пониска цена и со попријатен интерфејс.
Од друга страна, Morphware им служи и на сопствениците на вишок компјутерска моќ кои бараат да заработат пари и награди со продажба на нивната компјутерска моќ.
Затоа, неговите сегменти на клиенти се фокусираат на научници за податоци, гејмери или луѓе со вишок компјутерска моќ кои сакаат да заработат пари.
Во моментов, листата на клиенти на Morphware континуирано се зголемува, вклучително и научник за податоци кој работи на Mobility Lab за самоуправувачки автомобил, студентски организации на кои им е потребна поддршка за науката за податоци и автомобилски компании како што се Suzu, Mitsubishi или Volvo.
Morphware, исто така, соработува со Tellor. Според ова партнерство, Tellor ќе плати Morphware за користење на нивниот Oracle во првите неколку месеци.
Во споредба со другите конкуренти на пазарот, Morphware има конкурентна предност. Нејзината единствена стратегија на пазарот го прави неговиот производ поевтин од другите.
Затворање мисли за Morphware
Како што моделите за машинско учење стануваат сè покомплексни, истражени се проектите за нов екосистем на модели за машинско учење кои тргуваат преку мрежа базирана на блокчејн.
Како такви, крајните корисници или купувачите можат да го добијат моделот од интерес од пазарот на машинско учење додека работниците или продавачите кои се заинтересирани да трошат локални пресметки на податоци за да го подобрат квалитетот на тој модел.
Така, се разгледува пропорционалниот однос помеѓу локалните податоци и квалитетот на обучените модели и се проценуваат вреднувањата на податоците на продавачот при обуката на моделите.
Проектот покажува конкурентни перформанси, пониски трошоци за извршување и правичност во однос на стимулации за учесниците.
Morphware е една од пионерските платформи која воведува peer-to-peer мрежа каде што крајните корисници можат да плаќаат играчи на видео игри за да ги обучуваат моделите за машинско учење, во нивно име, во валутата на платформата Morphware Token.
За да дознаете повеќе за Morphware - ве молиме кликнете овде!
Извор: https://blockonomi.com/morphware-guide/