Hei maailma - korppiprotokolla

Ensimmäinen todella jaettu ja hajautettu syvän oppimisen koulutusprotokolla

Jopa AI: n ja ML: n valtavan demokratisointi- ja hajauttamispyynnön jälkeen näiden alueiden kehitys on niiden todellisessa merkityksessä ollut vähäistä. Kehittäjät ja yritykset rajoittivat syvällisen oppimisen laaja-alaista käyttöä kognitiivisen syklin aikaansaamiseksi, joka koskee jatkuvaa oppimista ja tuotteiden ja käyttökokemuksen parantamista. Pelkästään resurssien puute ja kyvyttömyys skaalata taloudellisesti, jättivät heille monia valintoja. Nämä tekijät eivät olleet este suurille teknologiayrityksille, joilla on pääsy tietomereen ja joilla on myös runsaasti resurssivoimaa suorittaa laskentaintensiivisiä tehtäviä mukauttaakseen AI-kehitystään helposti. Sillä välin he ehdottivat AI: n "demokratisointia", joka kompensoi heille syntyneen teknisen velan, ja tunnustivat, että se voisi auttaa yleistä AI-yhteisöä. AI-yhteisö sai siten pääsyn valtaviin GPU-klustereihin ja esitteli ne Machine Learning (ML) -tekniikoille avoimen lähdekoodin puitteilla ja MOOCs (Online Courses).

Mutta taustalla oleva kysymys jäi huomaamatta keskuudessa ja kehittyneiden AI-ratkaisujen - laskentatehon taloudellisen skaalauksen - äkillinen lisääntynyt kysyntä.

Jäljellä olevat kamppailut

AI / ML-mallien kouluttamiseen tarkoitettu kehitysprosessi saattaa kestää viikkoja tai jopa kuukausia, kun niitä käytetään rajoitetun kapasiteetin perustietokoneissa. Kustannustekijä parempien laskentapiirien (GPU) hankkimiseksi ei tehnyt prosessia helpommaksi. Nopeiden laskentaresurssien intensiivinen ja toistuva käyttö laskea ja päivittää syvän hermoverkon eri hermosoluissa kaltevuuksia, jotka on päätelty koulutustiedoista, yleensä maksavat enemmän kuin pienet ja keskisuuret kehittäjät ja yritykset voisivat kattaa. Pilvipalvelu tuki jossain määrin, mutta silti resurssien hankkimisen kustannukset niiden kautta eivät ole kohtuuhintaisia ​​AI-kehitystä pyörivissä tehtävissä. Tavallinen kulutus vaihtelee välillä 2,50 dollaria - 17 dollaria USD tunnissa missä tahansa pilvialustassa.

Yksinkertainen ratkaisu tähän esteettömyyteen on nyt joukkotutkimus niistä. Crowdsourcing on jo pitkään häirinnyt nykyisiä markkinoita, koska David (lue Ubers ja Airbnbs of the world) useiden goliattien joukossa, mikä on tehnyt näistä palveluista halvempia ja kannattavia. Myös AI: n maailma on nähnyt sen. AI-ekosysteemi on tyytyväinen uusiin lähestymistapoihin Kagglen kehityksen joukkotoiminnasta tiedonkeruuseen Ocean Protokollan avulla. Raven pyrkii viemään taskulampun eteenpäin rakentamalla yhden ensimmäisistä todella hajautetusta ja hajautetusta syvän oppimisen koulutusjärjestelmästä hyödyntämällä tyhjäkäynnin laskentaresursseja ja käyttämällä niitä syvän oppimisen mallien taloudelliseen kouluttamiseen.

AI-harrastajat ja yrittäjät, jotka haluavat innovoida AI: n kautta, voivat nyt täyttää aukon ja voisivat hyödyntää teknologian hyötyjä innovaatioille omilla ja joukkoläheisillä resursseilla. Monet AI-yhteisöstä, nimittäin Singularity.Net, Ocean Protocol, OpenMined, Deep Brain Chain ja muut, ovat siten rakentaneet alustoja, joissa laskennallisia resursseja ja tietoja voitaisiin jakaa turvallisen Blockchain-järjestelmän sisällä ML / DL-algoritmien polttoaineeksi, jotka muuttavat lukuisia liiketoimintamalleja.

Raven Protocol mahdollistaa hajautetut, kannustetut ja turvalliset transaktiot ML / DL-mallin kouluttamiseksi onnistuneesti.

[Hajautettu ja hajautettu] syvien hermoverkkojen koulutus

Neuraaliverkot ovat olleet olemassa jo useita vuosikymmeniä, ja niistä on kehittynyt syviä neuroverkkoja (DNN), jotka ovat tuottaneet valtavan menestyksen erilaisilla sovellusalueilla, etenkin kuvioiden tunnistamisessa.

Tämän koulutusmenetelmän teoreettiset rajoitukset ovat siinä, kuinka DNN-arkkitehtuuri koulutetaan keskitetysti yhdellä solmulla ja sitten eri palvelimet hankkivat sen sovelluksiaan varten tai jakautuessaan useiden palvelimien välillä koulutettavaksi. Sanomattakin on selvää, että laskentakapasiteetti tällaisen koulutuksen suorittamiseen on valtava, jolloin ne rajoitetaan vain tehokkaisiin GPU: eihin ja palvelimiin. Raven lähestyy tätä ongelmaa helpottamalla solmujen dynaamista allokointia verkossa mukana oleville laitteille. Siten eliminoidaan isäntäsolmuihin mahdollisesti lisätyt riippuvuudet ja vähennetään merkittävästi talossa tarvittavaa laskentatehoa.

Raven-protokolla eroaa vastaavista instituutioista sillä, miten se hoitaa latenssin asynkronisesta päivityksestä ja tietolajien rinnakkaistumisesta. Latentti, jolle näiden 'muiden' kautta ei ollut aikaisempaa ratkaisua kyseisissä koulutusmalleissa, voi kuluttaa huomattavasti aikaa, jopa useista viikoista kuukausiin. Tämä on riippumatta koulutuksen suorittamiseen tarvittavan massiivisen laskentatehon saatavuudesta. Oletetaan, että rinnakkaisuus on saavutettu, vaikka silloin nekin rajoittuisi käyttäjiin, joiden järjestelmät pystyvät käsittelemään valtavaa tehoa. Tämä tekijä estää pienimuotoisia käyttäjiä pääsemästä alustaan.

Raven pystyy onnistuneesti rakentamaan dynaamisen kuvaajan niin suurelle joukolle pieniä synkronisia laskelmia, joita tarvitaan mallin kouluttamiseen.

Kierrätyskäynnin laskentatehon jakaminen

Tiettyjen tehokkaiden CPU: n ja GPU: n hankkimisen kustannukset DNN: n kouluttamiseksi tulee minimaaliseksi Raven-protokollan kautta, joka mahdollistaa resurssien jakamisen yksittäisten avustajien laitteiden joutokäynnin laskentateholta. Käsite jaettoman laskentatehon jakamisesta koulutuksen helpottamiseksi säästää valtavat kustannukset. Vastineeksi rahoittajat korvataan / palkitaan Raven-tokenilla (RAV).

Kannustaminen tapahtuu kahdessa vaiheessa yksinkertaista todentamista älykkäillä sopimuksilla Ethereum Blockchainissa.

Mikä edessä meille

Taloudellinen AI-skaalaaminen ja aktiivinen kokeilu

Mikään CAPEX ei tarjoa Ravenille laskentapalveluita huomattavasti halvemmalla hinnalla kuin mikään markkinoiden tarjoaja. Koska osallistujan / isännän solmut eivät ole riippuvaisia ​​resurssien hankkimisesta, se tulee tehokkaampaa ja nopeampaa. Ravenia käyttävät yritykset voivat suorittaa eläviä kokeita, jotka hyödyntävät AI: tä ja skaalautuvat nopeammin markkinoiden kysynnän suhteen asettamatta reikää taskuihinsa.

Yhtenäinen ekosysteemi

Raven tajusi seurauksena olevan kyvyttömyyden vaihtaa mukavasti ekosysteemissä olevien olemassa olevien kumppanien merkkejä. Helppokäyttöisyys huomioon ottaen RAV-tunnus tehdään vaihdettaviksi Raven-ekosysteemin sisällä muiden kumppanipalvelujen kanssa. Kuka tahansa voi silti pystyä käyttämään kumppanipalvelun tunnuksia Ravenissa. Tämä mahdollistaa muiden AI-yhteisöjen aktiivisen osallistumisen lohkoketjuun rakennettuihin.

Suurin osa ihmisjoukosta on edelleen unohtaa laajan taistelun, jota pieni osa AI-yhteisöä kohtaa, jotta AI: sta tulisi helppo ja helposti saavutettavissa oleva asia. Tämä johtuu oivalluksesta, että AI on täällä ja siitä tulee osa elämäämme tavoilla, joita emme ehkä vielä tunne. Säännölliset AI-yritykset tai yritykset, jotka pyrkivät ottamaan AI: n käyttöön järjestelmissä, pyrkivät saamaan aikaan uusia tapoja parantaa elämää AI: n kanssa, ovat huonossa vaiheessa tutkimaankseen ideoitaan. Raven pyrkii auttamaan tällaisia ​​ihmisiä ja yrityksiä hyödyntämään täysimääräisesti AI: n potentiaalia taloudellisesti.