ToF: децентрализация ИИ для Web3
Одной из основных концепций web3 является децентрализация. В этом контексте децентрализация имеет не только техническое значение в том смысле, что основная часть (возможно, все) необходимых вычислений, выполняемых в серверной части веб-приложений, выполняется с использованием децентрализованной сети узлов (как в вычислениях p2p), но, возможно, что еще более важно, имеет меньше технических, но и больше человеческих коннотаций. В частности, децентрализация в этом контексте web3 также относится к идее более широкого распределения собственности (например, чьих-либо данных), решений, влияния, богатства и выгод. В этом ToF мы делимся своими мыслями о том, как ИИ может соответствовать (или быть приспособленным) к децентрализованной форме в обоих этих контекстах.
1 Децентрализация не должна влиять на способность создавать алгоритмы AI/ML. Алгоритмы машинного обучения можно рассматривать как контракты (подобно функциям) в том смысле, что пока данные собираются и структурируются допустимыми способами, они могут выполнять свой контракт по построению моделей (т. е. находить параметры, которые лучше всего соответствуют данным по некоторой метрике). С этой точки зрения применимость алгоритмов машинного обучения (а не их производительность) не зависит от механизмов сбора данных. Это означает, что даже если в результате возникают различия в механизмах сбора данных в децентрализованной среде (по сравнению с централизованной), которые, как я считаю, не должны влиять на структуру данных, тогда алгоритмы ML все еще могут применяться (т. е. по-прежнему выполнять свои контракты). Однако производительность этих алгоритмов машинного обучения при разных настройках, вероятно, будет варьироваться. Можно разумно предположить, что вероятностные априорные вероятности могут измениться в условиях web3, в которых люди могут действительно дать согласие на использование своих данных и, кроме того, будут заинтересованы в предоставлении высококачественных наблюдений для целей построения моделей машинного обучения.
2 Распределенное (или многостороннее) ОД играет большую роль в децентрализованной среде. Существуют фреймворки для построения алгоритмов машинного обучения в условиях распределенных вычислений, и в последние годы они привлекли большое внимание как ученых, так и практиков. Наиболее примечательной является инфраструктура федеративного обучения, которая позволяет обучать модели машинного обучения, когда обычно структурированные данные существуют в виде фрагментов, которые хранятся на отдельных вычислительных узлах. В этих случаях данные невозможно (или это сложно и/или дорого сделать) доставить в центральный узел, чтобы упростить построение традиционной модели машинного обучения. Многие приложения IoT структурированы таким образом и часто представляют собой хороший вариант использования для федеративного обучения. Теперь, при преобразовании существующих приложений web2 в их варианты web3, возникают ситуации, требующие, чтобы данные были рассредоточены таким образом, а не просто реплицировались в вычислительных узлах сети, как в технологии блокчейна (обратите внимание на распространенное заблуждение, что web3 является синоним блокчейна). Ceramic — это регистр данных web3, который работает в этих ситуациях и обеспечивает среду для алгоритмов федеративного обучения для выполнения своих контрактов (см. 1).
3 Децентрализация и web3, скорее всего, будут встречены с появлением новых алгоритмов AI/ML. Предыдущие два пункта больше касались того, как существующие алгоритмы ML могут применяться (вполне естественно) в децентрализованной среде web3. Конечно, с любой новой технологией и ее приложениями может быть большой потенциал для новых взаимодействий, которые, если они будут зарегистрированы в соответствующих наборах данных (и моделях данных), могут представлять новые возможности для ML/AI. В конце концов, ML — это область, которая существует благодаря проблемам с данными, где мы стремимся создавать алгоритмы захвата шаблонов, которые будут точными и эффективными в условиях инфраструктурных ограничений своей среды — новые среды и ограничения в web3 породят новые алгоритмы AI/ML. , так как в этих случаях существующим ML блокируется выполнение их контрактов.
Предыдущие пункты касались алгоритмов машинного обучения и того, как они могут соответствовать или в конечном итоге модифицироваться для обслуживания децентрализованной среды с технической точки зрения. Однако следующие пункты касаются того, как мы можем думать об использовании ИИ для децентрализации собственности, богатства и выгод. Или, другими словами, способствовать их более широкому распространению в сообществе.
4 Владение данными может означать возможность решать, для каких моделей машинного обучения отдельный/законный владелец данных хотел бы, чтобы их данные потенциально использовались. Один из наиболее важных идеалов web3 и децентрализации связан с владением цифровыми данными, которые могут представлять такие вещи, как их личный профиль, а также их взаимодействие в сети. Аргумент состоит в том, что в нынешнем Интернете (т. Е. Web2) Big Tech собирает и продает ваши данные для получения огромных прибылей рекламным фирмам, которые затем используют ваши данные для создания интеллекта, такого как обучение алгоритмов машинного обучения. Кроме того, цифровые данные человека, представляющие взаимодействие со службой, также могут использоваться для улучшения этой службы с помощью таких вещей, как более качественные рекомендации (например, пользовательские данные, которые Netflix, Spotify, Amazon используют для предоставления более качественных рекомендаций). В настройках web3 более широкое владение своими данными должно означать, что человек может решать, где он хочет предоставлять свои данные. Возможно, в web3 эта идея проявляется в возможности «размещать» свои цифровые данные в определенных пулах данных или в возможности выбирать из списка вариантов, для каких моделей/приложений ML они хотели бы использовать свои данные (конечно, сделано способом сохранения конфиденциальности).
5 Чтобы дать людям возможность принимать решения, потребуются более творческие и продуктивные формы прозрачности моделей ML. В предыдущем пункте мы предложили закрепить принципы web3, чтобы продемонстрировать более истинную форму согласия для отдельных лиц и способы использования их цифровых данных, особенно в том, что касается их использования в приложениях машинного обучения. Следует отметить, что стремление к такому согласию предшествовало движению web3. Тем не менее, предоставление более истинной формы согласия в значительной степени зависит от предоставления достаточной информации человеку, чтобы он мог принять решение, которое лучше для него, на основе его собственных расчетов. Что касается моделей машинного обучения, то, казалось бы, потребуются более творческие и доступные формы прозрачности. Мы говорим не столько об объяснимых различиях между линейными моделями и нейронными сетями, сколько о таких вещах, как то, для чего модель конкретно используется и для кого.
6 Предоставление данных для моделей машинного обучения должно вознаграждаться (например, в виде крипто-токенов). Важным механизмом, используемым для поддержки и обслуживания многих децентрализованных технологий web3, является стимулирование (для его участников). Например, в блокчейне узлы-валидаторы или майнеры заинтересованы в поддержке и поддержании достоверности сети в обмен на собственный крипто-токен. Аналогичным образом следует поощрять пользователей, которые предоставляют свои цифровые данные для улучшения службы или технологии ML. Конечно, поощрение за свои данные не ново (например, заполните опрос для получения подарочной карты Amazon на 20 долларов), но в web3 это можно делать автоматически и в большем масштабе. Реальным примером этого является то, как можно использовать Brave browser и получать вознаграждение в Basic Attention Token (BAT) за предоставление данных/поведения при просмотре.
Конечно, внесение данных таким образом не должно происходить за счет риска утечки конфиденциальной информации; и поэтому в этом мире на методы сохранения конфиденциальности в AI/ML по-прежнему будут сильно полагаться.
7Децентрализация ИИ и поиск его места в Web3 представляет собой возможность обновить существующие интерфейсы, чтобы обогатить отношения между широкой общественностью и системами ИИ, которые существуют сегодня. Во всяком случае, этот пункт, прежде всего, заключает в себе основной вывод. То есть, поскольку мы пытаемся создать новую сеть в соответствии с концепцией децентрализации, а также другими идеалами веб3, нам предоставляется возможность переосмыслить (или подвергнуть сомнению) способы, которыми в настоящее время создаются существующие технологии, такие как ИИ. развертывается и используется обществом. Можно ли сделать ИИ более приветливым и менее пугающим, предоставив людям достаточную информацию, а также выбор для участия (например, посредством предоставления ими данных) в создании определенных систем ИИ, и приведет ли вознаграждение за такие усилия к более здоровому и продуктивному отношения между людьми и ИИ? При этом может ли это привести к большему количеству возможностей для создания еще более точных, безопасных и надежных приложений ИИ? Это лишь некоторые из вопросов, которые мы должны принимать во внимание, чтобы не упустить эту возможность для развития ИИ и улучшения его отношений с обществом.
