OPML: Verimli bir merkeziyetsizlik makine öğrenimi yöntemi

OPML(Optimistik Makine Öğrenimi), blok zinciri sistemlerinde AI model çıkarımı ve eğitimi/ince ayar yapmak için yeni bir yöntemdir. ZKML ile karşılaştırıldığında, OPML düşük maliyet ve yüksek verimlilik avantajına sahiptir. OPML'nin katılım eşiği çok düşüktür, sıradan bir PC, 26GB'lık 7B-LLaMA gibi büyük dil modellerini GPU olmadan çalıştırabilir.

OPML, ML hizmetlerinin merkeziyetsizliğini ve doğrulanabilirliğini sağlamak için doğrulama oyun mekanizmasını kullanır. Süreç aşağıdaki gibidir:

1. Talep eden ML hizmet görevini başlatır.
2. Sunucu görevi tamamlar ve sonucu zincire gönderir
3. Doğrulayıcıların doğrulama sonuçları, itiraz olması durumunda doğrulama oyunu başlatılır.
4. İkili protokol aracılığıyla belirli hata adımlarını tespit etme
5. Akıllı sözleşme üzerinde adım adım tahkim yapmak

Tek Aşamalı Doğrulama Oyunu

Tek aşamalı doğrulama oyununun temeli, zincir dışı yürütme ve zincir içi tahkim için bir sanal makine (VM) inşa etmektir. AI modelinin çıkarım verimliliğini artırmak için, OPML hafif bir DNN kütüphanesi uygulamıştır ve Tensorflow ile PyTorch modellerini bu kütüphane formatına dönüştüren bir betik sağlamaktadır. Çapraz derleme ile, AI model çıkarım kodu VM talimatlarına derlenmektedir.

VM görüntüleri Merkle ağacı ile yönetilmektedir, sadece kök hash zincire yüklenir. İkili protokol, anlaşmazlık adımlarını belirlemeye yardımcı olur ve bunları zincir üzerindeki tahkim sözleşmesine gönderir. Testler, temel AI modelinin VM içinde çıkarım yapmak için yalnızca 2 saniyeye ihtiyacı olduğunu ve tüm meydan okuma sürecinin 2 dakika içinde tamamlanabileceğini göstermektedir.

Çok Aşamalı Doğrulama Oyunu

Tek aşamalı çözümün sınırlamalarını aşmak için, OPML çok aşamalı doğrulama oyunu önerdi:

• Sadece son aşamada VM'de hesaplama yapın
• Diğer aşamalar yerel ortamda çalıştırılabilir, CPU/GPU/TPU hızlandırması kullanarak
• VM bağımlılığını azaltarak performansı önemli ölçüde artırma

Çok aşamalı plan, aşamalar arası dönüşümlerin bütünlüğünü ve güvenliğini sağlamak için Merkle ağacı kullanır.

LLaMA modelini örnek alarak, OPML iki aşamalı bir yöntem kullanır:

1. İkinci aşama, hesaplama grafiği üzerinde doğrulama oyunu gerçekleştirir, GPU hızlandırmasından yararlanabilir.
2. Birinci aşama, tekil düğüm hesaplamasını VM komutlarıyla yürütmeye dönüştürecektir.

Çok aşamalı OPML, tek aşamalıya göre α katı ( onlardan onlarla yüzlerce kat ) hız artışı sağlayabilirken, aynı zamanda Merkle ağacının boyutunu önemli ölçüde küçültmektedir.

Tutarlılık Garantisi

ML sonuçlarının tutarlılığını sağlamak için, OPML iki ana yöntem kullanır:

1. Kesirli algoritmayı ( nicemleme tekniği ) kullanarak, kayan nokta yuvarlama hatalarını azaltın.
2. Yazılım tabanlı bir kayan nokta kütüphanesi kullanarak, çapraz platform tutarlılığını sağlamak

Bu teknolojiler, ondalık değişkenler ve platform farklılıklarının getirdiği zorlukları etkili bir şekilde aşarak OPML'nin güvenilirliğini artırmıştır.

OPML hala geliştirilmesine devam etmesine rağmen, büyük bir potansiyel gösterdi. Bu, blok zincirindeki makine öğrenimi için verimli, düşük maliyetli ve Merkeziyetsizlik sağlayan bir çözüm sunuyor, bu da endüstrinin sürekli dikkatini ve keşfini hak ediyor.