پلتفرم های IoTeX و Scaleout با هم همکاری می کنند تا بتوانند از طریق پیشنهادات اولیه مدل (IMO) ، یادگیری ماشین پایان به پایان و اولین مدل های یادگیری ماشین متعلق به جامعه را فعال کنند.
یادگیری ماشینی همه چیز در مورد یادگیری و استخراج ارزش از داده ها است. با دیجیتالی شدن دنیای ما داده هایی که ما برای آموزش مدل های یادگیری استفاده می کنیم که روزی وسایل نقلیه ، شهرها و سلامتی ما را کنترل یا تحت تأثیر قرار می دهند باید به سطح بالاتری برسند. صنعت یادگیری ماشین 10 میلیارد دلاری هنوز به دلیل کنترل متمرکز فرآیند پایان به پایان توسط نهادهای منفرد ، توانایی بالقوه خود را پیدا نکرده است. اما بلاکچین به عنوان یک هماهنگ کننده معتمد و سخت افزار ایمن ، به عنوان یک داده ساز قابل تأیید ، امکان تغییر و دموکراتیک سازی صنعت یادگیری ماشین را دارندکه اکنون شروع می شود.
پلتفرم IoTeX از همکاری با Scaleout یک شرکت پیشگام یادگیری ماشینی فدرال برای تمرکززدایی از زنجیره ارزش یادگیری ماشین از جمع آوری داده ها به مدل استفاده دسترسی ، هیجان زده است.به عنوان اولین قدم Scaleout یک پروتکل برای مدل های یادگیری ماشین متعلق به مشارکت کنندگان ایجاد خواهد کرد که با داده های قابل تأیید از Pebble Tracker آموزش داده می شود ، به هر کسی اجازه می دهد با کمک دادن داده های خود به مدل های مختلف تدکن ها را استخراج کند. هدف نهایی توسعه یک راه حل نهایی برای یادگیری ماشین غیرمتمرکز است از جمله همکاری قابل اعتماد ، حکمرانی مدل مبتنی بر قرارداد هوشمند و ارائه زنجیره ای پیش بینی های یادگیری ماشین.
مصاحبه با دانیل ذاکریسون ، مدیرعامل Scaleout
پلتفرم Scaleout تیمی متشکل از 10 دانشمند داده ، مهندسین ML و اساتید است که با ایجاد حفظ حریم خصوصی و امنیت داده ها ، اطلاعات فدراسیون را در مقیاس مقدماتی ایجاد می کنند. در مجموع این تیم 100+ مقاله در زمینه AI / ML را مورد بررسی قرار داده است و با شرکت هایی مانند Swiss Airlines ، EUROCONTROL و SITA همکاری می کند.
پلتفرم IoTeX میزبان مصاحبه ای عمیق با Daniel Zakrisson ، بنیانگذار و مدیرعامل Scaleout برای بحث در مورد چشم انداز یادگیری ماشین ، اینکه چگونه بلاکچین می تواند AI / ML را به سطح بعدی برساند و مدل های یادگیری ماشین متعلق به جامعه در IoTeX
فراخوان مشارکت - به ما بپیوندید!
پلتفرم Scaleout اولین مدل های یادگیری ماشین متعلق به مشارکت کنندگان را به IoTeX آورده است و ما دوست داریم که با ما بخشی از تاریخ باشید. تلاش های اولیه ما حول Pebble Tracker خواهد بود که به شما امکان می دهد داده ها را استخراج کنید توکن کسب کنید و سهم خود را از اولین مدل های دارای کسری تقاضا کنید.
ردیاب Pebble Tracker
در Pebble Tracker یک سکوی ایمن ، باتری سلولی IoT وجود دارد.
www.crowdsupply.com
بررسی اجمالی مشارکت IoTeX و Scaleout
مشارکت ما تلاشی افزایشی و طولانی مدت با چندین مرحله کاری خواهد بود. مرحله اول توسعه راه حلی برای آموزش مشترک مدل های یادگیری ماشین با استفاده از داده های قابل تأیید از دستگاههای ردیاب Pebble و همچنین ارائه راه حلی است که پیش بینی های این مدل ها را به داخل و خارج از زنجیره برای کاربران نهایی ارائه می دهد. این نشان دهنده تولد اولین شبکه یادگیری ماشین مشترک در یک بلاکچین است ، جایی که مدل های یادگیری ماشین می توانند توسط کسانی که در ایجاد و آموزش مدل مشارکت دارند ، به طور مشترک مالک شوند. یادگیری ماشین مشارکتی این امکان را دارد که الگوی فعلی پیرامون کنترل / تولید داده را تغییر داده و مدل های یادگیری ماشینی پیشرو در بازار را که متعلق به یک نهاد واحد نیستند ، بلکه متعلق به همه کسانی است که در آموزش مدل مشارکت داشته اند ، امکان پذیر می سازد.
یادگیری ماشین غیرمتمرکز توسط Scaleout و IoTtx
هدف بلند مدت مشارکت IoTeX و Scaleout آوردن قابلیت های یادگیری ماشین (به عنوان مثال ، پروتکل ها ، ابزارها ، API ها) به شبکه IoTeX و فعال کردن خطوط لوله یادگیری ماشین به پایان کاملاً مطمئن است.تصور کنید که برای داشتن حریم شخصی در یک Google Maps ، یک شاخص جهانی دما، کیفیت هوا ، یا حتی یک موتور جستجوی شخصی شده در یک Google Maps که دارای منابع گسترده مردم است ، مشارکت کرده و به همین دلیل در اختیار شماست!ابتکارات آینده به شرح زیر است:
شبکه های یادگیری ماشین و حاکمیت
ما امکان همکاری بین همتایان و دستگاه هایی را فراهم می کنیم که داده های معتبری را برای آموزش مدل های یادگیری ماشین تولید می کنند. این امر به زیرساخت ها و ابزارهایی برای دسترسی به داده ها و آموزش مدل های یادگیری ماشین و قراردادهای هوشمند برای کنترل این مدل های مشترک نیاز دارد. منتظر مثال ها باشید تا آزمایشات خود را آغاز کنید!
زیرساخت خارج از زنجیره برای ساخت ، آموزش و سرویس مدل های ML
یادگیری ماشین به طور کلی از نظر محاسباتی یک کارگر قیمتی است و از منابع محاسباتی ، ذخیره سازی و شبکه زیادی استفاده می کند. انجام هر کاری به صورت زنجیره ای عملی نیست بنابراین پلی بین منابع یادگیری ماشین درون و خارج از زنجیره ایجاد می شود.
ادغام مدل ها در سیستم های تولید
مدل یادگیری ماشینی فقط درصورتی مفید است که بتوانید از آن استفاده کنید. روشهایی برای دستیابی به مدلهای یادگیری ماشین درون زنجیره ای و خارج از زنجیره وجود دارد.