Hoje, como as técnicas de aprendizado de máquina são amplamente aplicadas a uma variedade de aplicativos, o aprendizado de máquina se tornou importante para os serviços online.
O Morphware é um sistema de aprendizado de máquina descentralizado que recompensa os proprietários de aceleradores leiloando seu poder de computação ocioso e, em seguida, facilita as sub-rotinas associadas, que podem ser em nome dos cientistas de dados para treinar e testar os modelos de aprendizado de máquina em uma capacidade descentralizada.
Os tipos de modelos de aprendizado de máquina incluem algoritmos de aprendizado supervisionado semi ou não supervisionado.
O treinamento de um algoritmo de aprendizado supervisionado pode ser visto como uma busca pela combinação ótima de pesos para aplicar a um conjunto de entradas ou para prever uma saída desejável.
O impulso deste trabalho é a complexidade computacional. O hardware usado para renderizar videogames também pode acelerar o treinamento de algoritmos de aprendizado supervisionado.
O que é Morphware?
Um dos principais problemas nos modelos de aprendizado de máquina é que os recursos computacionais necessários para executar cargas de trabalho de aprendizado de máquina de última geração dobram aproximadamente a cada três meses e meio.
Para resolver esse problema, a Morphware desenvolve uma rede ponto a ponto que permite que cientistas de dados praticantes, engenheiros de aprendizado de máquina e estudantes de ciência da computação paguem jogadores de videogame ou outros para treinar modelos em seu nome.
Embora as máquinas de hardware estejam ajudando os cientistas de dados a acelerar o desenvolvimento de modelos de aprendizado de máquina, o alto custo desses aceleradores de hardware também é uma barreira para muitos cientistas de dados.
O que são modelos de aprendizado de máquina?
Os modelos de aprendizado de máquina podem variar de acordo com o grau de supervisão e parametrização. O objetivo de treinar um modelo parametrizado supervisionado é diminuir a taxa de erro que abrange a distância numérica entre uma previsão e uma observação.
O treinamento de um modelo de aprendizado de máquina é implementado por pré-processamento e seguido por testes. Os cientistas de dados separam os dados que são disponibilizados para os modelos de aprendizado de máquina enquanto eles estão treinando dos dados que são disponibilizados para eles durante o período de teste.
Portanto, pode-se observar que o modelo não superajusta o conjunto de dados disponíveis, bem como os desempenhos, o que pode ser pior em dados não vistos.
Normalmente, os dados de treinamento e teste são selecionados do mesmo arquivo ou diretório no pré-processamento.
O nascimento do aprendizado profundo é o big bang do moderno Como um modelo de software fundamentalmente novo, o aprendizado profundo permite que bilhões de neurônios de software e trilhões de conexões sejam treinados, em paralelo.
Executando algoritmos de redes neurais profundas e aprendendo com exemplos, a computação acelerada é uma abordagem ideal e a GPU é o processador ideal.
É uma nova combinação para criar uma nova geração de plataformas de computação com melhor desempenho, produtividade de programação e acessibilidade aberta.
Os modelos de aprendizado profundo são conhecidos como um subconjunto de modelos de aprendizado de máquina. Eles são especialmente computacionalmente intensivos para treinar por causa de suas camadas interconectadas de variáveis latentes.
Qual é a solução da Morphware?
A moeda Morphware Token da plataforma principal é usada para essas transações.
Tokenomics
O fornecimento total do Morphware Token é de 1,232,922,769 e eles são queimáveis, mas não podem ser cunhados.
Por meio de um site projetado, desenvolvido e implantado pela Morphware, os usuários podem comprar o token da plataforma.
Menos de dois por cento da oferta total de Tokens Morphware estará à venda no primeiro mês.
Como funciona o Morphware
O processo de um modelo de aprendizado de máquina é a análise de dados e, em seguida, é um ciclo iterativo que oscila entre a seleção do modelo e a engenharia de recursos.
O objetivo deste trabalho é ajudar os usuários finais, como cientistas de dados, a iterar mais rapidamente, criando acesso a uma rede descentralizada de computadores que pode acelerar suas cargas de trabalho.
Os usuários finais são emparelhados e pagam por nós de trabalho por meio de um leilão reverso de segundo preço com lance selado. Eles pagam nós do trabalhador para treinar seus modelos e nós do validador para testar os modelos treinados pelos nós do trabalhador por Morphware Tokens.
As funções e responsabilidades dos membros da rede incluem dois tipos de pares autônomos.
Para trabalhar com o Morphware, os usuários finais apenas carregam seu modelo, na forma de um notebook Jupyter ou um arquivo Python, os dados de treinamento e teste.
Em seguida, eles precisam especificar o nível de precisão do alvo e fornecer uma previsão de quanto tempo levará para atingir esse nível de precisão. Clicando em enviar para finalizar.
Os usuários finais enviam modelos para serem treinados pelos trabalhadores e testados pelos validadores. Enquanto isso, os trabalhadores são os nós que ganham tokens pelos modelos de treinamento enviados pelos usuários finais.
Os validadores são os nós que ganham tokens testando modelos treinados pelos trabalhadores.
Assim que o usuário final enviar o modelo, ele será treinado pelos trabalhadores e testado pelos validadores, por meio da plataforma, que se comunica com a rede por meio de seu daemon de back-end.
O daemon é responsável não apenas por criar algoritmos e seus respectivos conjuntos de dados para o que é enviado pelo usuário final por meio do cliente, mas também por enviar a solicitação inicial de trabalho para o contrato inteligente.
Além disso, o daemon é responsável pelo treinamento e teste dos modelos, pelos trabalhadores e validadores.
A entrega assistida por pares permite a propagação de um algoritmo e conjunto de dados correspondente de um usuário final para um trabalhador ou validador.
No entanto, os requisitos de trabalho iniciais do usuário final e as respostas relevantes para o usuário final de trabalhadores ou validadores são todos publicados no contrato inteligente.
Os requisitos de trabalho iniciais incluem o tempo de execução estimado do período de treinamento, o ímã relacionado ao algoritmo, o conjunto de treinamento e o conjunto de dados de teste.
Uma resposta de um trabalhador inclui um link magnético para o modelo que ele treinou, que é posteriormente testado por muitos validadores.
Se o modelo treinado atender ao limite de desempenho exigido, o trabalhador e os validadores receberão tokens como recompensa.
O que torna o Morphware excepcional
Morphware é um mercado de dois lados.
O marketplace atende cientistas de dados que podem usar a plataforma para acessar o poder de computação remoto por meio da rede de computadores, como CPUs, GPUs, RAM da mesma forma que usariam a AWS, mas a um custo menor e com uma interface mais amigável.
Por outro lado, a Morphware também atende aos proprietários de excesso de poder de computação que desejam ganhar dinheiro e recompensas vendendo seu poder de computação.
Portanto, seus segmentos de clientes se concentram em cientistas de dados, jogadores ou pessoas com excesso de poder de computação que desejam ganhar dinheiro.
Atualmente, a lista de clientes da Morphware vem crescendo continuamente, incluindo um cientista de dados trabalhando em um laboratório de mobilidade de carros autônomos, organizações estudantis que precisam de suporte em ciência de dados e empresas automotivas como Suzu, Mitsubishi ou Volvo.
A Morphware também fez parceria com a Tellor. Sob essa parceria, a Tellor vai pagar a Morphware por usar seu oráculo nos primeiros meses.
Em comparação com outros concorrentes do mercado, a Morphware tem uma vantagem competitiva. Sua estratégia de mercado exclusiva torna seu produto mais barato do que outros.
Considerações finais sobre Morphware
À medida que os modelos de aprendizado de máquina estão se tornando cada vez mais complexos, os projetos para um novo ecossistema de modelos de aprendizado de máquina negociados em uma rede baseada em Blockchain foram explorados.
Como tal, os usuários finais ou compradores podem adquirir o modelo de interesse do mercado de aprendizado de máquina enquanto trabalhadores ou vendedores interessados em gastar computações locais em dados para melhorar a qualidade desse modelo.
Assim, considera-se a relação proporcional entre os dados locais e a qualidade dos modelos treinados, e estimam-se as avaliações dos dados do vendedor no treinamento dos modelos.
O projeto apresenta um desempenho competitivo em tempo de execução, menor custo de execução e equidade em termos de incentivos para os participantes.
A Morphware é uma das plataformas pioneiras que introduz uma rede ponto a ponto onde os usuários finais podem pagar aos jogadores de videogame para treinar modelos de aprendizado de máquina, em seu nome, na moeda Morphware Token da plataforma.
Para saber mais sobre Morphware – por favor clique aqui!
Fonte: https://blockonomi.com/morphware-guide/