Maschinelles Lernen für Blockchain nutzbar machen

Da maschinelle Lerntechniken heute in einer Reihe von Anwendungen weit verbreitet sind, ist maschinelles Lernen für Online-Dienste wichtig geworden.

Morphware ist ein dezentrales maschinelles Lernsystem, das Besitzer von Beschleunigern belohnt, indem es ihre ungenutzte Rechenleistung versteigert und dann die zugehörigen Unterroutinen erleichtert, die im Auftrag der Datenwissenschaftler die maschinellen Lernmodelle dezentral trainieren und testen können.

Zu den Arten von Modellen für maschinelles Lernen gehören überwachte semi- oder unüberwachte Lernalgorithmen.

Das Training eines überwachten Lernalgorithmus kann als Suche nach der optimalen Kombination von Gewichtungen angesehen werden, die auf eine Reihe von Eingaben angewendet oder eine wünschenswerte Ausgabe vorhergesagt werden sollen.

Der Antrieb dieser Arbeit ist die Rechenkomplexität. Hardware, die zum Rendern von Videospielen verwendet wird, kann auch das Training von überwachten Lernalgorithmen beschleunigen.

Was ist Morphware?

Eines der Hauptprobleme bei Modellen für maschinelles Lernen ist, dass sich die Rechenressourcen, die für die Ausführung hochmoderner Workloads für maschinelles Lernen erforderlich sind, etwa alle dreieinhalb Monate verdoppeln.

Um dieses Problem anzugehen, entwickelt Morphware ein Peer-to-Peer-Netzwerk, das es praktizierenden Datenwissenschaftlern, Ingenieuren für maschinelles Lernen und Informatikstudenten ermöglicht, Videospieler oder andere dafür zu bezahlen, Modelle in ihrem Namen zu trainieren.

Obwohl Hardware-Maschinen Datenwissenschaftlern helfen, die Entwicklung von Modellen für maschinelles Lernen zu beschleunigen, sind die hohen Kosten dieser Hardwarebeschleuniger auch ein Hindernis für viele Datenwissenschaftler.

Was sind Modelle für maschinelles Lernen?

Modelle für maschinelles Lernen können je nach Grad der Überwachung und Parametrisierung variieren. Der Zweck des Trainings eines überwacht-parametrisierten Modells besteht darin, die Fehlerrate zu senken, die die numerische Distanz zwischen einer Vorhersage und einer Beobachtung überspannt.

Das Training eines maschinellen Lernmodells wird durch Vorverarbeitung implementiert, gefolgt von Tests. Data Scientists trennen die Daten, die Machine-Learning-Modellen während des Trainings zur Verfügung gestellt werden, von den Daten, die ihnen während ihrer Testphase zur Verfügung gestellt werden.

Daher ist ersichtlich, dass das Modell den Satz verfügbarer Daten nicht übermäßig anpasst, ebenso wie die Leistungen, die bei unsichtbaren Daten schlechter sein können.

Normalerweise werden Trainings- und Testdaten bei der Vorverarbeitung aus derselben Datei oder demselben Verzeichnis ausgewählt.

Die Geburt von Deep Learning ist der Urknall der Moderne. Als grundlegend neues Softwaremodell ermöglicht Deep Learning das parallele Trainieren von Milliarden von Software-Neuronen und Billionen von Verbindungen.

Beschleunigtes Computing ist ein idealer Ansatz, um Deep-Neural-Network-Algorithmen auszuführen und aus Beispielen zu lernen, und die GPU ist der ideale Prozessor.

Es ist eine neue Kombination, um eine neue Generation von Computerplattformen mit besserer Leistung, Programmierproduktivität und offener Zugänglichkeit zu schaffen.

Deep-Learning-Modelle sind als Teilmenge von Machine-Learning-Modellen bekannt. Sie sind aufgrund ihrer miteinander verbundenen Schichten latenter Variablen besonders rechenintensiv zu trainieren.

Was ist die Lösung von Morphware?

Für diese Transaktionen wird die Währung der Hauptplattform Morphware Token verwendet.

Tokenomics

Das Gesamtangebot der Morphware-Token beträgt 1,232,922,769 und sie sind brennbar, aber nicht minbar.

Über eine Website, die von Morphware entworfen, entwickelt und bereitgestellt wird, können Benutzer das Plattform-Token kaufen.

Weniger als zwei Prozent des Gesamtangebots an Morphware-Tokens werden im ersten Monat zum Verkauf angeboten.

So funktioniert Morphware

Der Prozess eines maschinellen Lernmodells ist die Datenanalyse und dann ein iterativer Zyklus, der zwischen Modellauswahl und Feature-Engineering schwankt.

Der Zweck dieser Arbeit besteht darin, Endbenutzern wie Datenwissenschaftlern zu helfen, schneller zu iterieren, indem sie Zugang zu einem dezentralisierten Netzwerk von Computern schaffen, das ihre Arbeitsbelastung beschleunigen kann.

Endnutzer werden mit Worker-Knoten gekoppelt und bezahlen diese über eine versiegelte Reverse-Auktion zum zweiten Preis. Sie bezahlen Worker-Knoten, um ihre Modelle zu trainieren, und Validator-Knoten, um die Modelle zu testen, die von Worker-Knoten durch Morphware-Tokens trainiert wurden.

Die Rollen und Verantwortlichkeiten der Mitglieder des Netzwerks umfassen zwei autonome Peer-Typen.

Um mit Morphware zu arbeiten, laden Endbenutzer einfach ihr Modell in Form eines Jupyter-Notebooks oder einer Python-Datei, der Trainings- und Testdaten hoch.

Als Nächstes müssen sie die angestrebte Genauigkeitsstufe angeben und vorhersagen, wie lange es dauern wird, bis diese Genauigkeitsstufe erreicht ist. Klicken Sie zum Abschluss auf Senden.

Endbenutzer reichen Modelle ein, die von den Arbeitern geschult und von den Validierern getestet werden. In der Zwischenzeit sind Arbeiter die Knoten, die Token verdienen, indem sie von den Endbenutzern eingereichte Trainingsmodelle trainieren.

Validatoren sind die Knoten, die Token verdienen, indem sie von den Arbeitern trainierte Modelle testen.

Sobald der Endbenutzer das Modell übermittelt, wird es von den Arbeitern trainiert und von den Validierern über die Plattform getestet, die über ihren Back-End-Daemon mit dem Netzwerk kommuniziert.

Der Daemon ist nicht nur dafür verantwortlich, Algorithmen und ihre jeweiligen Datensätze für das zu erstellen, was vom Endbenutzer über den Client übermittelt wird, sondern auch die anfängliche Aufforderung zur Arbeit an den Smart Contract zu senden.

Darüber hinaus ist der Daemon für das Training und Testen der Modelle durch die Worker und Validatoren verantwortlich.

Peer-Assisted Delivery ermöglicht die Weitergabe eines Algorithmus und eines entsprechenden Datensatzes von einem Endbenutzer an einen Arbeiter oder einen Validierer.

Die anfänglichen Arbeitsanforderungen des Endbenutzers und relevante Antworten an den Endbenutzer von Arbeitern oder Prüfern werden jedoch alle im Smart Contract veröffentlicht.

Die anfänglichen Arbeitsanforderungen umfassen die geschätzte Laufzeit des Trainingszeitraums, den algorithmusbezogenen Magneten, den Trainingssatz und den Testdatensatz.

Eine Antwort eines Mitarbeiters enthält einen magnetischen Link zu dem von ihm trainierten Modell, das anschließend von vielen Validierern getestet wird.

Wenn das trainierte Modell die erforderliche Leistungsschwelle erreicht, erhalten der Worker und die Validatoren Token als Belohnung.

Was Morphware herausragend macht

Morphware ist ein zweiseitiger Marktplatz.

Der Marktplatz dient Datenwissenschaftlern, die die Plattform nutzen können, um über das Netzwerk von Computern wie CPUs, GPUs und RAM auf Remote-Rechenleistung zuzugreifen, so wie sie AWS verwenden würden, jedoch zu geringeren Kosten und mit einer benutzerfreundlicheren Oberfläche.

Andererseits bedient Morphware auch Besitzer überschüssiger Rechenleistung, die mit dem Verkauf ihrer Rechenleistung Geld und Belohnungen verdienen wollen.

Daher konzentrieren sich seine Kundensegmente auf Data Scientists, Gamer oder Menschen mit überschüssiger Rechenleistung, die Geld verdienen möchten.

Derzeit ist die Kundenliste von Morphware kontinuierlich gewachsen, darunter ein Datenwissenschaftler, der an einem selbstfahrenden Auto Mobility Lab arbeitet, Studentenorganisationen, die Unterstützung bei der Datenwissenschaft benötigen, und Automobilunternehmen wie Suzu, Mitsubishi oder Volvo.

Morphware ist auch eine Partnerschaft mit Tellor eingegangen. Im Rahmen dieser Partnerschaft wird Tellor Morphware für die Nutzung seines Orakels in den ersten paar Monaten bezahlen.

Verglichen mit anderen Wettbewerbern auf dem Markt hat Morphware einen Wettbewerbsvorteil. Seine einzigartige Marktplatzstrategie macht sein Produkt billiger als andere.

Abschließende Gedanken zu Morphware

Da maschinelle Lernmodelle immer komplexer werden, wurden die Projekte für ein neues Ökosystem von maschinellen Lernmodellen untersucht, die über ein Blockchain-basiertes Netzwerk handeln.

Als solche können die Endbenutzer oder die Käufer das interessierende Modell vom Markt für maschinelles Lernen erwerben, während Arbeiter oder Verkäufer, die daran interessiert sind, lokale Berechnungen für Daten auszugeben, um die Qualität dieses Modells zu verbessern.

Daher wird die proportionale Beziehung zwischen den lokalen Daten und der Qualität der trainierten Modelle berücksichtigt, und die Bewertungen der Verkäuferdaten beim Trainieren der Modelle werden geschätzt.

Das Projekt zeigt eine wettbewerbsfähige Laufzeitleistung, niedrigere Ausführungskosten und Fairness in Bezug auf Anreize für die Teilnehmer.

Morphware ist eine der bahnbrechenden Plattformen, die ein Peer-to-Peer-Netzwerk einführt, in dem Endbenutzer Videospielspieler dafür bezahlen können, in ihrem Namen maschinelle Lernmodelle in der Plattformwährung Morphware Token zu trainieren.

Um mehr über Morphware zu erfahren – klicken Sie bitte hier!