Данас, пошто се технике машинског учења широко примењују на низ апликација, машинско учење је постало важно за онлајн услуге.
Морпхваре је децентрализовани систем машинског учења који награђује власнике акцелератора тако што даје на аукцији њихову неактивну рачунарску снагу, а затим олакшава повезане подрутине, које могу бити у име научника података да обуче и тестирају моделе машинског учења у децентрализованом капацитету.
Типови модела машинског учења укључују надзиране полу- или алгоритме учења без надзора.
Обука надзираног алгоритма учења може се посматрати као потрага за оптималном комбинацијом пондера за примену на скуп улаза или за предвиђање жељеног резултата.
Подстрек овог рада је рачунска сложеност. Хардвер који се користи за приказивање видео игара такође може убрзати обуку алгоритама учења под надзором.
Шта је Морпхваре?
Један од кључних проблема у моделима машинског учења је да се рачунарски ресурси потребни за покретање најсавременијих радних оптерећења машинског учења удвостручују отприлике свака три и по месеца.
Да би решио овај проблем, Морпхваре развија пеер-то-пеер мрежу која омогућава научницима који се баве подацима, инжењерима машинског учења и студентима информатике да плаћају играчима видео игрица или другима да обучавају моделе у њихово име.
Иако хардверске машине помажу научницима података да убрзају развој модела машинског учења, висока цена ових хардверских акцелератора такође представља баријеру за многе научнике података.
Шта су модели машинског учења?
Модели машинског учења могу да варирају у зависности од степена надзора и параметризације. Сврха обуке надгледаног параметаризованог модела је да смањи стопу грешке која обухвата нумеричку удаљеност између предвиђања и посматрања.
Обука модела машинског учења се имплементира претходном обрадом, а затим следи тестирање. Научници података одвајају податке који су доступни моделима машинског учења током обуке од података који су им стављени на располагање током периода тестирања.
Дакле, може се видети да модел не одговара скупу доступних података, као ни перформансама, које могу бити лошије на невидљивим подацима.
Обично се подаци о обуци и тестирању бирају из исте датотеке или директоријума у претходној обради.
Рођење дубоког учења је велики прасак модерног Као фундаментално нови софтверски модел, дубоко учење омогућава да се паралелно тренирају милијарде софтверских неурона и трилиони веза.
Покретање дубоких алгоритама неуронске мреже и учење из примера, убрзано рачунарство је идеалан приступ, а ГПУ је идеалан процесор.
То је нова комбинација за стварање нове генерације за рачунарске платформе са бољим перформансама, продуктивношћу програмирања и отвореном приступачношћу.
Модели дубоког учења су познати као подскуп модела машинског учења. Они су посебно рачунарски интензивни за обуку због међусобно повезаних слојева латентних варијабли.
Шта је Морпхваре решење?
За ове трансакције се користи валута Морпхваре Токен главне платформе.
Токеномицс
Укупна залиха Морпхваре токена је 1,232,922,769 и они су спаљиви, али не и ковати.
Преко веб странице коју је дизајнирао, развио и имплементирао Морпхваре, корисници могу купити токен платформе.
Мање од два процента укупне понуде Морпхваре токена биће на продају у првом месецу.
Како функционише Морпхваре
Процес модела машинског учења је анализа података, а затим је итеративни циклус који се креће између избора модела и инжењеринга карактеристика.
Сврха овог рада је да помогне крајњим корисницима као што су научници података да брже итерирају стварањем приступа децентрализованој мрежи рачунара која може убрзати њихово радно оптерећење.
Крајњи корисници су упарени са радничким чворовима и плаћају их путем реверзне аукције друге цене са запечаћеном лицитацијом. Они плаћају радним чворовима да обуче своје моделе и чворовима валидатора да тестирају моделе које обучавају раднички чворови помоћу Морпхваре токена.
Улоге и одговорности чланова мреже укључују два аутономна типа вршњака.
Да би радили са Морпхваре-ом, крајњи корисници само отпреме свој модел, у облику Јупитер бележнице или Питхон датотеке, податке о обуци и тестирању.
Затим, треба да наведу циљни ниво тачности и да предвиде колико ће времена бити потребно да се постигне тај ниво тачности. Кликом на Субмитс да бисте завршили.
Крајњи корисници шаљу моделе да их обуче радници и тестирају валидатори. У међувремену, радници су чворови који зарађују токене моделима обуке које су поднели крајњи корисници.
Валидатори су чворови који зарађују токене тестирањем модела које су обучавали радници.
Када крајњи корисник поднесе модел, радници ће га обучити и тестирати од стране валидатора, преко платформе која комуницира са мрежом преко свог позадинског демона.
Даемон је одговоран не само за креирање алгоритама и њихових одговарајућих скупова података за оно што крајњи корисник доставља преко клијента, већ и за слање почетног захтева за рад паметном уговору.
Поред тога, демон је одговоран за обуку и тестирање модела, од стране радника и валидатора.
Испорука уз помоћ колега омогућава ширење алгоритма и одговарајућег скупа података од крајњег корисника до радника или валидатора.
Међутим, почетни захтеви за рад крајњег корисника и релевантни одговори крајњег корисника од радника или валидатора се објављују у паметном уговору.
Почетни захтеви за рад укључују процењено време извођења периода обуке, магнет који се односи на алгоритам, скуп за обуку и скуп података за тестирање.
Одговор радника укључује магнетну везу са моделом који је обучавао, а који је касније тестиран од стране многих валидатора.
Ако модел који је обучен испуни захтевани праг перформанси, радник и валидатори ће добити токене као награду.
Шта Морпхваре чини изванредним
Морпхваре је двострано тржиште.
Тржиште служи научницима података који могу да користе платформу за приступ удаљеној рачунарској снази преко мреже рачунара као што су ЦПУ, ГПУ, РАМ као што би користили АВС, али по нижој цени и са интерфејсом који је прилагођенији кориснику.
С друге стране, Морпхваре такође служи власницима вишка рачунарске снаге који желе да зараде новац и награде продајом своје рачунарске снаге.
Стога се његови сегменти купаца фокусирају на научнике, играче или људе са вишком рачунарске снаге који желе да зараде новац.
Тренутно, листа клијената Морпхваре-а континуирано расте, укључујући научника података који ради на Лабораторији за мобилност аутомобила који се самостално вози, студентске организације којима је потребна подршка за науку о подацима и аутомобилске компаније као што су Сузу, Митсубисхи или Волво.
Морпхваре је такође постао партнер са Теллор-ом. У оквиру овог партнерства, Теллор ће платити Морпхваре-у за коришћење њиховог оракула у првих неколико месеци.
У поређењу са другим конкурентима на тржишту, Морпхваре има конкурентску предност. Његова јединствена тржишна стратегија чини његов производ јефтинијим од осталих.
Завршне мисли о Морпхваре-у
Како модели машинског учења постају све сложенији, истражени су пројекти за нови екосистем модела машинског учења који тргују преко мреже засноване на блокчејну.
Као такви, крајњи корисници или купци могу набавити модел од интереса са тржишта машинског учења, док радници или продавци који су заинтересовани да троше локалне прорачуне на податке како би побољшали квалитет тог модела.
При томе се разматра пропорционални однос између локалних података и квалитета обучених модела и процењује се вредновање података продавца у обуци модела.
Пројекат показује конкурентну перформансу током трајања, ниже трошкове извршења и правичност у смислу подстицаја за учеснике.
Морпхваре је једна од пионирских платформи која уводи пеер-то-пеер мрежу у којој крајњи корисници могу платити играчима видео игрица да обучавају моделе машинског учења, у њихово име, у валути платформе Морпхваре Токен.
Да бисте сазнали више о Морпхваре-у – кликните овде!
Извор: хттпс://блокономи.цом/морпхваре-гуиде/