Tegenwoordig, aangezien machine learning-technieken op grote schaal worden toegepast op een reeks toepassingen, is machine learning belangrijk geworden voor online services.
Morphware is een gedecentraliseerd machine learning-systeem dat eigenaren van accelerators beloont door hun inactieve rekenkracht te veilen en vervolgens de bijbehorende subroutines faciliteert, die namens de datawetenschappers de machine learning-modellen in een gedecentraliseerde capaciteit kunnen trainen en testen.
Typen machine learning-modellen zijn onder meer begeleide semi- of niet-gesuperviseerde leeralgoritmen.
Het trainen van een gesuperviseerd leeralgoritme kan worden gezien als een zoektocht naar de optimale combinatie van gewichten om toe te passen op een reeks inputs of om een gewenste output te voorspellen.
De drijfveer van dit werk is de computationele complexiteit. Hardware die wordt gebruikt om videogames weer te geven, kan ook de training van begeleide leeralgoritmen versnellen.
Wat is morphware?
Een van de belangrijkste problemen bij modellen voor machine learning is dat de rekenkracht die nodig is om de modernste machine learning-workloads uit te voeren, ongeveer elke drie-en-een-halve maand verdubbelt.
Om dit probleem aan te pakken, ontwikkelt Morphware een peer-to-peer netwerk waarmee praktiserende datawetenschappers, machine learning-ingenieurs en informaticastudenten videogamespelers of anderen kunnen betalen om namens hen modellen te trainen.
Hoewel hardwaremachines datawetenschappers helpen de ontwikkeling van machine learning-modellen te versnellen, vormen de hoge kosten van deze hardwareversnellers ook een barrière voor veel datawetenschappers.
Wat zijn machine learning-modellen?
Machine learning-modellen kunnen verschillen per mate van toezicht en parametrering. Het doel van het trainen van een gesuperviseerd-geparametriseerd model is om het foutenpercentage te verlagen dat de numerieke afstand tussen een voorspelling en een waarneming overspant.
Het trainen van een machine learning-model wordt geïmplementeerd door voorbewerking en gevolgd door testen. Datawetenschappers scheiden de gegevens die beschikbaar worden gesteld aan machine learning-modellen terwijl ze aan het trainen zijn van de gegevens die tijdens hun testperiode aan hen beschikbaar worden gesteld.
Daarom kan worden gezien dat het model de verzameling beschikbare gegevens niet overtreft, evenals de prestaties, die mogelijk slechter zijn bij ongeziene gegevens.
Normaal gesproken worden trainings- en testgegevens tijdens de voorbewerking uit hetzelfde bestand of dezelfde map geselecteerd.
De geboorte van deep learning is de oerknal van het moderne Als een fundamenteel nieuw softwaremodel kunnen dankzij deep learning miljarden softwareneuronen en biljoenen verbindingen parallel worden getraind.
Door diepe neurale netwerkalgoritmen uit te voeren en te leren van voorbeelden, is versneld computergebruik een ideale benadering en is de GPU de ideale processor.
Het is een nieuwe combinatie om een nieuwe generatie computerplatforms te creëren met betere prestaties, programmeerproductiviteit en open toegankelijkheid.
Deep learning-modellen staan bekend als een subset van machine learning-modellen. Ze zijn bijzonder rekenintensief om te trainen vanwege hun onderling verbonden lagen van latente variabelen.
Wat is de oplossing van Morphware?
Voor deze transacties wordt de valuta Morphware Token van het hoofdplatform gebruikt.
Tokenomics
De totale voorraad van de Morphware-token is 1,232,922,769 en ze kunnen worden verbrand, maar niet worden geslagen.
Via een website die is ontworpen, ontwikkeld en geïmplementeerd door Morphware, kunnen gebruikers het platformtoken kopen.
Minder dan twee procent van de totale voorraad Morphware Tokens zal in de eerste maand te koop zijn.
Hoe morphware werkt
Het proces van een machine learning-model is data-analyse en is dan een iteratieve cyclus die heen en weer schommelt tussen modelselectie en feature-engineering.
Het doel van dit werk is om eindgebruikers, zoals datawetenschappers, te helpen sneller te itereren door toegang te creëren tot een gedecentraliseerd netwerk van computers die hun werklast kunnen versnellen.
Eindgebruikers worden gekoppeld aan en betalen, worker-knooppunten via een omgekeerde veiling met verzegeld bod en tweede prijs. Ze betalen worker nodes om hun modellen te trainen en validator nodes om de modellen te testen die zijn getraind door worker nodes door Morphware Tokens.
De rollen en verantwoordelijkheden van leden van het netwerk omvatten twee autonome peer-types.
Om met Morphware te werken, uploaden eindgebruikers gewoon hun model, in de vorm van een Jupyter-notebook of een Python-bestand, de trainings- en testgegevens.
Vervolgens moeten ze het beoogde nauwkeurigheidsniveau specificeren en een voorspelling geven over hoe lang het duurt om dat nauwkeurigheidsniveau te bereiken. Klik op verzenden om te voltooien.
Eindgebruikers dienen modellen in om te worden getraind door de werknemers en getest door de validators. Ondertussen zijn werknemers de knooppunten die tokens verdienen door modellen te trainen die door de eindgebruikers zijn ingediend.
Validators zijn de knooppunten die tokens verdienen door modellen te testen die door de werknemers zijn getraind.
Zodra de eindgebruiker het model heeft ingediend, wordt het door de werknemers getraind en getest door de validators, via het platform, dat via de back-enddaemon met het netwerk communiceert.
De daemon is niet alleen verantwoordelijk voor het maken van algoritmen en hun respectievelijke datasets voor wat door de eindgebruiker via de client wordt ingediend, maar ook voor het verzenden van de eerste verzoek om werk naar het slimme contract.
Daarnaast is de daemon verantwoordelijk voor het trainen en testen van de modellen, door de werkers en validators.
Peer-assisted delivery maakt de verspreiding van een algoritme en de bijbehorende dataset van een eindgebruiker naar een werknemer of een validator mogelijk.
De initiële werkvereisten van de eindgebruiker en relevante reacties aan de eindgebruiker van werknemers of validators worden echter allemaal in het slimme contract geplaatst.
De initiële werkvereisten omvatten de geschatte looptijd van de trainingsperiode, de aan het algoritme gerelateerde magneet, de trainingsset en de testset met gegevens.
Een reactie van een werknemer bevat een magneetkoppeling naar het model dat ze hebben getraind, dat vervolgens door veel validators wordt getest.
Als het getrainde model voldoet aan de vereiste prestatiedrempel, ontvangen de worker en validators tokens als beloning.
Wat Morphware zo bijzonder maakt?
Morphware is een tweezijdige marktplaats.
De markt bedient datawetenschappers die het platform kunnen gebruiken om toegang te krijgen tot externe rekenkracht via het netwerk van computers zoals CPU's, GPU's, RAM zoals ze AWS zouden gebruiken, maar tegen lagere kosten en met een gebruiksvriendelijkere interface.
Aan de andere kant bedient Morphware ook eigenaren van overtollige rekenkracht die geld en beloningen willen verdienen door hun rekenkracht te verkopen.
Daarom richten de klantsegmenten zich op datawetenschappers, gamers of mensen met extra rekenkracht die geld willen verdienen.
Momenteel groeit de klantenlijst van Morphware voortdurend, waaronder een datawetenschapper die werkt aan een zelfrijdende auto Mobility Lab, studentenorganisaties die ondersteuning op het gebied van datawetenschap nodig hebben, en autobedrijven zoals Suzu, Mitsubishi of Volvo.
Morphware werkt ook samen met Tellor. In het kader van deze samenwerking gaat Tellor Morphware betalen voor het gebruik van hun orakel gedurende de eerste paar maanden.
Vergeleken met andere concurrenten op de markt heeft Morphware een concurrentievoordeel. Zijn unieke marktstrategie maakt zijn product goedkoper dan andere.
Slotgedachten over morphware
Omdat machine learning-modellen steeds complexer worden, zijn de projecten voor een nieuw ecosysteem van machine learning-modellen die via een Blockchain-gebaseerd netwerk worden verhandeld, onderzocht.
Als zodanig kunnen de eindgebruikers of de kopers het model van belang van de machine learning-markt verwerven, terwijl werknemers of verkopers die geïnteresseerd zijn in het besteden van lokale berekeningen aan gegevens om de kwaliteit van dat model te verbeteren.
Zo wordt rekening gehouden met de proportionele relatie tussen de lokale data en de kwaliteit van getrainde modellen, en worden de waarderingen van de verkopersgegevens bij het trainen van de modellen geschat.
Het project laat een competitieve runtime prestatie zien, lagere uitvoeringskosten en eerlijkheid in termen van incentives voor de deelnemers.
Morphware is een van de baanbrekende platforms die een peer-to-peer-netwerk introduceert waar eindgebruikers videogamespelers kunnen betalen om namens hen machine learning-modellen te trainen in de valuta Morphware Token van het platform.
Voor meer informatie over Morphware – klik hier!
Bron: https://blockonomi.com/morphware-guide/