Исследователи представляют блокчейн-фреймворк для демократизации глубокого обучения с подкреплением
Спешите? Вот краткие факты!
- Фреймворк DRL с учетом мнений большого количества людей повышает доступность и обучение.
- Блокчейн обеспечивает прозрачность, безопасность и возможность отслеживания.
- Децентрализация снижает затраты и демократизирует DRL.
Команда исследователей под руководством Университета Конкордия объявила вчера о создании новаторской блокчейн-платформы, которая делает глубокое обучение с подкреплением (DRL) более доступным.
DRL, отрасль ИИ, сочетающая глубокое обучение и обучение с подкреплением, доказала свою ценность в таких отраслях, как игровая индустрия, робототехника, здравоохранение и финансы. Однако из-за его сложности, оно остается недоступным для многих малых предприятий и частных лиц.
Чтобы преодолеть это препятствие, исследователи разработали фреймворк для обслуживания DRL на основе краудсорсинга (DRLaaS), который позволяет пользователям получать доступ к DRL-связанным услугам, включая обучение модели и обмен.
Этот новый фреймворк позволяет пользователям использовать экспертизу и вычислительные возможности работников, которые могут обучать DRL модели от их имени. Более того, пользователи могут извлечь пользу из заранее обученных моделей, предложенных работниками, которые затем могут быть настроены с помощью методов передачи знаний.
Построенная на основе Консорциумного Блокчейна, эта система обеспечивает прозрачность и отслеживаемость выполнения задач. Для управления распределением задач система использует умные контракты, а модели сохраняются с использованием Межпланетной Файловой Системы (IPFS) для поддержания целостности данных.
Используя технологию блокчейна, система решает проблемы, связанные с отказами серверов и подделкой данных.
Согласно главному автору Ахмеду Алаге, аспект краудсорсинга повышает доступность, позволяя большему числу людей участвовать в разработке решений DRL.
«С помощью этой системы любой может зарегистрироваться и создать историю и профиль. На основе их опыта, обучения и рейтинга, им могут быть поручены задачи, которые запрашивают пользователи», — сказал Алага.
Авторы утверждают, что децентрализация системы также снижает риск катастрофических сбоев и уменьшает затраты, связанные с обучением моделей DRL.
Авторы заявляют, что распределение вычислительных усилий между несколькими машинами делает систему устойчивой к сбоям сервера или кибератакам, что является значительным преимуществом по сравнению с традиционными централизованными системами.
Соавтор Джамал Бентахар, научный руководитель Алаги, подчеркнул, что эта услуга демократизирует доступ к решениям DRL.
«Чтобы обучить DRL модель, вам нужны вычислительные ресурсы, которые не доступны каждому. Также вам потребуется экспертное знание. Эта система предлагает и то, и другое,» отметил Бентахар.
Полное описание этого фреймворка можно найти в их научной статье, опубликованной в журнале «Information Sciences», в которой подчеркивается дизайн фреймворка и его потенциальные применения.
Оставьте комментарий
Отменить