Децентрализованное машинное обучение раскрывает неиспользованные личные данные, простаивающую вычислительную мощность и краудсорсинговую разработку алгоритмов с помощью машинного обучения на устройстве, блокчейна и технологий федеративного обучения.
Начиная с AlphaGo, мы уже видим, насколько мощным и большим может быть потенциал машинного обучения. Что, если есть способ потенциально привлечь миллиарды устройств и десятки тысяч разработчиков, чтобы сделать машинное обучение будущего еще более мощным, но при этом децентрализованным? Протокол DML - ключ к этой революции.
Рынок машинного обучения огромен, но есть три больших ограничения
Международная корпорация данных прогнозирует, что в 2020 году доход отрасли превысит 210 миллиардов долларов США. Технологические гиганты вложили значительные средства и добились замечательных достижений в области машинного обучения. Однако текущему развитию машинного обучения препятствуют:
Недоступность личных данных
Традиционное машинное обучение требует загрузки наборов данных на выделенный сервер. Из-за проблем с конфиденциальностью огромное количество личных данных, хранящихся на отдельных устройствах, не используется.
Централизация вычислительной мощности
В настоящее время машинное обучение в основном осуществляется с помощью централизованного компьютера, вычислительная мощность которого обычно ограничена или ограничена процессорами одной машины.
Ограничение разработки моделей и алгоритмов
Только крупные корпорации могут позволить себе инвестировать огромный начальный капитал и ресурсы для создания собственных моделей и алгоритмов машинного обучения или приобретать индивидуальные модели у консалтинговых фирм для применения машинного обучения в собственном бизнесе.
DML способствует развитию машинного обучения, возвращая власть всем участникам экосистемы
Мы создали инфраструктуру и сеть с открытым исходным кодом, в которых данные, вычислительная мощность и разработка моделей / алгоритмов будут децентрализованы.
Данные
Благодаря развертыванию зашифрованных алгоритмов на всех отдельных устройствах и локальному машинному обучению отпадает необходимость извлекать или загружать какие-либо личные данные на сторонний сервер.
Все личные данные будут храниться на устройствах, и будут передаваться только результаты локального прогноза. В результате разрешается использование незадействованных личных данных.
Вычислительная мощность
DML Procotol будет использовать простую вычислительную мощность устройств для выполнения машинного обучения на устройстве.
Алгоритмы
Поставка алгоритмов будет осуществляться нашим сообществом разработчиков. Такие клиенты, как корпорации, исследовательские институты, правительства или НПО, могут просто искать или запрашивать подходящие алгоритмы машинного обучения на рынке алгоритмов DML.
Чтобы способствовать развитию машинного обучения, мы также будем проводить различные конкурсы / блокатоны по машинному обучению, чтобы привлечь и вознаградить таланты нашего сообщества.
Что дальше?
В следующих статьях мы подробнее рассмотрим различные компоненты протокола децентрализованного машинного обучения, включая участников, функции децентрализованных узлов и смарт-контракты блокчейна. Вы также познакомитесь с нашей командой и поймете, почему мы создаем протокол DML.
Между тем, мы приглашаем вас погрузиться глубже, посетив наш веб-сайт, прочитав наш технический документ и просмотрев наше вступительное видео.
Присоединяйтесь к сообществу
Мы будем сообщать обо всех последних и эксклюзивных новостях в нашем сообществе. Так что общайтесь с командой и нашим растущим сообществом, присоединившись к нашему каналу Telegram.
