I dag, da maskinlæringsteknikker anvendes bredt til en række applikationer, er maskinlæring blevet vigtig for onlinetjenester.
Morphware er et decentraliseret maskinlæringssystem, der belønner ejere af acceleratorer ved at bortauktionere deres ledige computerkraft og derefter faciliterer de tilhørende underrutiner, som kan være på vegne af dataforskerne til at træne og teste maskinlæringsmodellerne i en decentral kapacitet.
Typer af maskinlæringsmodeller inkluderer overvågede semi- eller uovervågede læringsalgoritmer.
Træningen af en overvåget læringsalgoritme kan ses som en søgen efter den optimale kombination af vægte til at anvende på et sæt input eller til at forudsige et ønskeligt output.
Drivkraften i dette arbejde er den beregningsmæssige kompleksitet. Hardware, der bruges til at gengive videospil, kan også accelerere træningen af overvågede læringsalgoritmer.
Hvad er Morphware?
Et af hovedproblemerne i maskinlæringsmodeller er, at de beregningsressourcer, der kræves for at køre avancerede maskinlæringsarbejdsbelastninger, fordobles cirka hver tredje og en halv måned.
For at løse dette problem udvikler Morphware et peer-to-peer-netværk, der gør det muligt for praktiserende datavidenskabsmænd, maskinlæringsingeniører og datalogistuderende at betale videospilspillere eller andre for at træne modeller på deres vegne.
Selvom hardwaremaskiner hjælper dataforskere med at accelerere udviklingen af maskinlæringsmodeller, er de høje omkostninger ved disse hardwareacceleratorer også en barriere for mange dataforskere.
Hvad er maskinlæringsmodeller?
Maskinlæringsmodeller kan variere efter grad af supervision og parametrisering. Formålet med at træne en overvåget-parameteriseret model er at sænke fejlraten, der spænder over den numeriske afstand mellem en forudsigelse og en observation.
Træning af en maskinlæringsmodel implementeres ved forbehandling og efterfølges af test. Dataforskere adskiller de data, der stilles til rådighed for maskinlæringsmodeller, mens de træner, fra de data, der stilles til rådighed for dem i løbet af deres testperiode.
Derfor kan det ses, at modellen ikke overpasser mængden af tilgængelige data, samt præstationer, som kan være dårligere på usete data.
Normalt vælges trænings- og testdata fra den samme fil eller mappe i forbehandlingen.
Fødslen af deep learning er det modernes big bang Som en fundamentalt ny softwaremodel gør deep learning det muligt at træne milliarder af softwareneuroner og billioner af forbindelser parallelt.
Ved at køre dybe neurale netværksalgoritmer og lære af eksempler er accelereret databehandling en ideel tilgang, og GPU'en er den ideelle processor.
Det er en ny kombination til at skabe en ny generation til computerplatforme med bedre ydeevne, programmeringsproduktivitet og åben tilgængelighed.
Deep learning-modeller er kendt som en delmængde af maskinlæringsmodeller. De er særligt beregningsintensive at træne på grund af deres indbyrdes forbundne lag af latente variable.
Hvad er Morphwares løsning?
Hovedplatformens valuta Morphware Token bruges til disse transaktioner.
Tokenomics
Det samlede udbud af Morphware Token er 1,232,922,769, og de er brændbare, men ikke prægelige.
Gennem et websted, der er designet, udviklet og implementeret af Morphware, kan brugere købe platformstokenet.
Mindre end to procent af det samlede udbud af Morphware-tokens vil være til salg i den første måned.
Hvordan Morphware virker
Processen med en maskinlæringsmodel er dataanalyse og er derefter en iterativ cyklus, der vakler mellem modelvalg og funktionsudvikling.
Formålet med dette arbejde er at hjælpe slutbrugere såsom datavidenskabsfolk med at iterere hurtigere ved at skabe adgang til et decentraliseret netværk af computere, der kan accelerere deres arbejdsbelastning.
Slutbrugere parres med og betaler arbejderknudepunkter via en forseglet bud, andenpris omvendt auktion. De betaler arbejderknudepunkter for at træne deres modeller og valideringsnoder for at teste modellerne trænet af arbejderknudepunkter af Morphware Tokens.
Medlemmer af netværkets roller og ansvar omfatter to autonome peer-typer.
For at arbejde med Morphware skal slutbrugere blot uploade deres model, i form af en Jupyter-notesbog eller en Python-fil, trænings- og testdataene.
Dernæst skal de specificere målnøjagtighedsniveauet og give en forudsigelse for, hvor lang tid det vil tage at nå dette nøjagtighedsniveau. Klik på indsender for at afslutte.
Slutbrugere indsender modeller, der skal trænes af arbejderne og testes af validatorerne. I mellemtiden er arbejdere de noder, der tjener tokens ved træningsmodeller indsendt af slutbrugerne.
Validatorer er de noder, der tjener tokens ved at teste modeller trænet af arbejderne.
Når slutbrugeren indsender modellen, vil den blive trænet af arbejderne og testet af validatorerne via platformen, som kommunikerer med netværket gennem sin backend-dæmon.
Dæmonen er ansvarlig for ikke kun at skabe algoritmer og deres respektive datasæt for det, der indsendes af slutbrugeren gennem klienten, men også at sende den indledende anmodning om arbejde til den smarte kontrakt.
Derudover er dæmonen ansvarlig for træning og afprøvning af modellerne af arbejdere og validatorer.
Peer-assisteret levering tillader udbredelse af en algoritme og tilsvarende datasæt fra en slutbruger til en arbejder eller en validator.
Men de indledende arbejdskrav fra slutbrugeren og relevante svar til slutbrugeren fra arbejdere eller validatorer er alle opslået i den smarte kontrakt.
De indledende arbejdskrav omfatter træningsperiodens estimerede køretid, den algoritme-relaterede magnet, træningssættet og testsættet af data.
Et svar fra en arbejder inkluderer et magnetlink til den model, de trænede, som efterfølgende testes af mange validatorer.
Hvis modellen, der blev trænet, når den påkrævede ydeevnetærskel, vil arbejderen og validatorerne modtage tokens som en belønning.
Hvad gør Morphware enestående
Morphware er en tosidet markedsplads.
Markedspladsen betjener dataforskere, der kan bruge platformen til at få adgang til fjerncomputerkraft gennem netværket af computere såsom CPU'er, GPU'er, RAM, som de ville bruge AWS, men til en lavere pris og med en mere brugervenlig grænseflade.
På den anden side betjener Morphware også ejere af overskydende computerkraft, som søger at tjene penge og belønninger ved at sælge deres computerkraft.
Derfor fokuserer dets kundesegmenter på dataforskere, gamere eller folk med overskydende computerkraft, som ønsker at tjene penge.
I øjeblikket har Morphwares kundeliste været konstant voksende, herunder en dataforsker, der arbejder på et selvkørende bil Mobility Lab, studenterorganisationer, der har brug for datavidenskabsstøtte, og bilvirksomheder som Suzu, Mitsubishi eller Volvo.
Morphware har også indgået et samarbejde med Tellor. Under dette partnerskab kommer Tellor til at betale Morphware for at bruge deres orakel i de første par måneder.
Sammenlignet med andre konkurrenter på markedet har Morphware en konkurrencefordel. Dens unikke markedsstrategi gør dets produkt billigere end andre.
Afsluttende tanker om Morphware
Efterhånden som maskinlæringsmodeller bliver mere og mere komplekse, er projekterne for et nyt økosystem af maskinlæringsmodeller, der handler over et Blockchain-baseret netværk, blevet undersøgt.
Som sådan kan slutbrugerne eller køberne erhverve interessemodellen fra maskinlæringsmarkedet, mens arbejdere eller sælgere, der er interesserede i at bruge lokale beregninger på data for at forbedre modellens kvalitet.
Derfor tages der hensyn til den forholdsmæssige sammenhæng mellem de lokale data og kvaliteten af trænede modeller, og værdiansættelserne af sælgers data under træning af modellerne estimeres.
Projektet viser en konkurrencedygtig gennemløbsydelse, en lavere udførelsesomkostning og retfærdighed med hensyn til incitamenter for deltagerne.
Morphware er en af de banebrydende platforme, der introducerer et peer-to-peer-netværk, hvor slutbrugere kan betale videospilspillere for at træne maskinlæringsmodeller på deres vegne i platformens valuta Morphware Token.
For at lære mere om Morphware - klik venligst her!
Kilde: https://blockonomi.com/morphware-guide/