OPML: طريقة فعالة للتعلم الآلي اللامركزية

OPML(التعلم الآلي المتفائل) هو نهج مبتكر يمكنه إجراء استدلال وتدريب / ضبط نماذج الذكاء الاصطناعي على أنظمة البلوك تشين. بالمقارنة مع ZKML، يتمتع OPML بمزايا التكلفة المنخفضة والكفاءة العالية. عتبة المشاركة في OPML منخفضة جداً، حيث يمكن أن تعمل أجهزة الكمبيوتر العادية بدون GPU على نماذج اللغة الكبيرة، مثل 26GB من 7B-LLaMA.

تستخدم OPML آلية لعبة التحقق لضمان اللامركزية وقابلية التحقق لخدمات ML. العملية المحددة كما يلي:

1. المرسل يقوم بإطلاق مهمة خدمة ML
2. الخادم يكمل المهمة ويقدم النتائج إلى السلسلة
3. نتائج التحقق من قبل المدققين، إذا كان هناك اعتراض يتم بدء لعبة التحقق
4. تحديد خطوات الخطأ المحددة من خلال بروتوكول الثنائي
5. إجراء التحكيم خطوة بخطوة على العقود الذكية

! OPML: التعلم الآلي مع مجموعة متفائلة

لعبة التحقق من المرحلة الواحدة

تتمثل الفكرة الأساسية للعبة التحقق من مرحلة واحدة في بناء آلة افتراضية (VM)، تستخدم للتنفيذ خارج السلسلة والتحكيم داخل السلسلة. من أجل تحسين كفاءة استدلال نموذج الذكاء الاصطناعي، قامت OPML بتنفيذ مكتبة DNN خفيفة الوزن، وتوفير نصوص لتحويل نماذج Tensorflow وPyTorch إلى تنسيق هذه المكتبة. من خلال الترجمة المتقاطعة، يتم تجميع كود استدلال نموذج الذكاء الاصطناعي إلى تعليمات VM.

تُدار صور VM من خلال شجرة ميركل، حيث يتم رفع جذر التجزئة فقط إلى السلسلة. تساعد بروتوكولات الانقسام في تحديد خطوات النزاع، وإرسالها إلى عقد التحكيم على السلسلة. أظهرت الاختبارات أن نموذج AI الأساسي يحتاج فقط إلى ثانيتين للاستدلال في VM، ويمكن إكمال عملية التحدي بأكملها في غضون دقيقتين.

! OPML: التعلم الآلي مع نظام التجميع المتفائل

لعبة التحقق متعددة المراحل

لتجاوز قيود الحل ذو المرحلة الواحدة، قدمت OPML لعبة التحقق متعددة المراحل:

• الحساب في VM فقط في المرحلة الأخيرة
• يمكن تنفيذ المراحل الأخرى في البيئة المحلية، باستخدام تسريع CPU/GPU/TPU
• من خلال تقليل اعتماد VM، تم تحسين الأداء بشكل ملحوظ

تضمن خطة متعددة المراحل سلامة وأمان التحويلات بين المراحل من خلال شجرة ميركل.

كمثال على نموذج LLaMA، تعتمد OPML طريقة من مرحلتين:

1. المرحلة الثانية تتم فيها التحقق من لعبة التحقق على الرسم البياني، ويمكن استخدام تسريع GPU
2. المرحلة الأولى ستقوم بتحويل حسابات العقد الفردية إلى تنفيذ تعليمات VM

يمكن أن تحقق OPML متعددة المراحل تسريعًا بمعدل α يصل إلى عشرات إلى مئات الأضعاف من ( مقارنةً بالمرحلة الواحدة، مع تقليل كبير في حجم شجرة ميركل.

! [OPML: التعلم الآلي مع مجموعة متفائلة])https://img-cdn.gateio.im/webp-social/moments-3f290bc2a1acee40d4e71fbf35ee5079.webp(

! [OPML: التعلم الآلي مع مجموعة متفائلة])https://img-cdn.gateio.im/webp-social/moments-4d41ed09832980b943519f4c0baa6109.webp(

ضمان التوافق

لضمان اتساق نتائج ML، تعتمد OPML على طريقتين رئيسيتين:

1. استخدام خوارزمية النقاط ) لتقنية التكميم (، لتقليل أخطاء تقريب الفاصلة العائمة.
2. استخدام مكتبة النقطة العائمة المستندة إلى البرمجيات لضمان التوافق عبر الأنظمة الأساسية

تتغلب هذه التقنيات بشكل فعال على التحديات التي تفرضها متغيرات الفاصلة العائمة واختلافات المنصات، مما يعزز موثوقية OPML.

على الرغم من أن OPML لا يزال قيد التطوير، إلا أنه أظهر إمكانات هائلة. فهو يوفر حلاً فعالًا ومنخفض التكلفة واللامركزية لتعلم الآلة على blockchain، مما يجعله جديرًا بالاهتمام والاستكشاف المستمر في الصناعة.

! [OPML: التعلم الآلي مع نظام التجميع المتفائل])https://img-cdn.gateio.im/webp-social/moments-a33f120074b07b2ec4ae4ececbea79f1.webp(