تقدم أحدث ورقة بحثية لشركة Flare Research نهجا جديدا للذكاء الاصطناعي (الذكاء الاصطناعي) ، حيث يؤدي الجمع بين الذكاء الاصطناعي و blockchain إلى الذكاء الاصطناعي أكثر أمانا ودقة.
يتيح التعلم بالإجماع (CL) الذكاء الاصطناعي التعاوني عبر مجموعة من التطبيقات ، مما يتيح تطوير نماذج الذكاء الاصطناعي أكثر دقة وقوة. يعد CL مناسبا بشكل خاص للتكامل الذكاء الاصطناعي في القطاعات الحساسة للبيانات ، مثل الرعاية الصحية أو التمويل ، وبالتالي تحسين عمليات صنع القرار وتعزيز الأداء التشغيلي العام والكفاءة ، مما قد يؤدي بدوره إلى انخفاض تكلفة الخدمات للمستهلك النهائي. يمكن أن يؤدي ذلك إلى نتائج أفضل بكثير لرعاية المرضى ، أو تحليل مالي أكثر دقة أو اكتشاف محسن للاحتيال ، من بين فوائد أخرى. على عكس معظم التطبيقات الحالية ل الذكاء الاصطناعي و blockchain ، والتي تتيح الوصول إلى التعلم الآلي المركزي (ML) من خلال blockchain ، تستفيد CL من blockchain لإنشاء نماذج الذكاء الاصطناعي لامركزية.
الدوافع
في السنوات الأخيرة ، كان هناك تركيز متزايد على البيئات الموزعة ، حيث تنتشر البيانات والموارد الحسابية عبر أجهزة متعددة. هذا التحول مدفوع بمتطلبات نماذج الأساس الحديثة ، مثل نماذج اللغة الكبيرة ونماذج رؤية الكمبيوتر ، والتي تتطلب كميات كبيرة من البيانات للمعالجة. في هذا الإطار الموزع ولكن لا يزال مركزيا، تبرز اللامركزية كحاجة أساسية، مدفوعة بعدة دوافع رئيسية.
وتنطوي الأساليب المركزية على مخاطر كامنة بالاعتماد على طرف واحد موثوق به، مما يقصر استخدامها أساسا على إعدادات مؤسسة واحدة ويقيد اعتمادها على نطاق أوسع. علاوة على ذلك ، لا تزيد هذه البنى من التعرض للهجمات المحتملة أو فشل النظام فحسب ، بل تثير أيضا مخاوف بشأن خصوصية البيانات وأمانها. وعلى العكس من ذلك، فإن الأساليب اللامركزية تمثل ميزة واضحة: فهي تمكن المستخدمين من تطوير نماذج محلية مخصصة، مصممة خصيصا لمتطلباتهم وتفضيلاتهم الخاصة، في حين أن النهج المركزية غالبا ما تفتقر إلى المرونة المطلوبة لمثل هذا التكييف. وسط هذه القيود ، يظهر التعلم بالإجماع كحل ML لامركزي يوفر قدرا أكبر من المرونة والخصوصية والقدرة على التكيف ، مع التخفيف من المخاطر الكامنة المرتبطة بالمركزية.
فوائد التعلم بالإجماع
بروتوكولات الإجماع ضرورية لأمن دفاتر الأستاذ اللامركزية وحماية شبكات blockchain من الهجمات الضارة. إن تسخير آليات توافق الآراء من أجل الذكاء الاصطناعي له فوائد عديدة، نسلط الضوء على ما يلي:
- زيادة الأداء. تستفيد طرق CL من بيانات كل من المساهمين في المجموعة ، مما يقلل من التحيز ويعزز قدرة النماذج على التعميم على البيانات غير المرئية. يمكن أن يؤدي CL أيضا إلى الذكاء الاصطناعي أكثر دقة مقارنة بالطرق المركزية ، ويرجع ذلك أساسا إلى قدرة blockchain على تحفيز التعاون ، مما يؤدي إلى كفاءة أكبر في الجمع بين رؤى متنوعة من نماذج متنوعة. يتم تحقيق ذلك من خلال تجمعات محلية متعددة ، حيث يقوم كل مشارك بتقييم تنبؤات النماذج المجاورة ودمجها للحصول على دقة أفضل. هذه واحدة من الحالات الأولى التي يمكن الذكاء الاصطناعي فيها الحصول على مزايا كبيرة من تكامل blockchain.
- الأمن. في ظل وجود جهات فاعلة خبيثة تحاول تقديم أهداف خفية ، تظل سلامة نماذج CL غير منقوصة بسبب ميزات الأمان المضمنة في آليات الإجماع. وهذا يضمن امتناع الأنظمة الذكاء الاصطناعي عن توليد تنبؤات ضارة متعمدة أو عدم دقة غير مقصودة ، وكلاهما من السمات المميزة الذكاء الاصطناعي الخبيثة. ونتيجة لذلك، تعالج الرابطة شاغلا رئيسيا داخل المجتمع الذكاء الاصطناعي، وهو حماية الذكاء الاصطناعي من الاستغلال لأغراض ضارة. من خلال الحفاظ على سلامة عملية التعلم التعاوني ، تغرس CL ثقة أكبر في أنظمة الذكاء الاصطناعي ، مما يمهد الطريق لنشرها المسؤول والأخلاقي.
- خصوصية البيانات. في CL ، لا تتم مشاركة البيانات الأساسية للمشاركين في الشبكة ولا نماذجهم الفردية في أي وقت. في الواقع ، لا توجد هجمات ضارة على الشبكة قادرة على المساس بسرية البيانات ، حيث تظل البيانات مخزنة محليا. الحفاظ على الخصوصية لا يشجع التعاون فحسب ، بل يحافظ أيضا على القدرة التنافسية. في هذا الصدد ، يتيح CL تسييل البيانات من خلال الذكاء الاصطناعي ، خاصة بالنسبة للبيانات الحساسة أو التجارية مثل الرعاية الصحية ، والتغلب على التحديات السابقة التي تمت مواجهتها في البيئات المركزية.
- اللامركزية الكاملة. تنتشر موارد البيانات والحوسبة عبر شبكة من المشاركين ، والتي تتواصل دون الاعتماد على خادم مركزي واحد. تظهر ضرورة اللامركزية بشكل بارز في تطبيقات ML الحديثة بسبب الطلب على كميات هائلة من الموارد والتعقيد المتزايد لنماذج ML. يظهر التعلم الآلي اللامركزي كحل أكثر ملاءمة للحفاظ على خصوصية البيانات وضمان الأمان.
- الكفاءة. تتميز عملية التعلم بزمن انتقال منخفض وتتطلب وقتا وطاقة وموارد أقل بكثير مقارنة بأساليب ML اللامركزية الحديثة الأخرى. وهذا يجعل CL مناسبا بشكل خاص للتطبيقات في الوقت الفعلي ، حيث يكون اتخاذ القرار السريع والاستخدام الفعال للموارد أمرا بالغ الأهمية.
كيف تعمل
يعزز التعلم بالإجماع أساليب المجموعة من خلال مرحلة الاتصال ، حيث يشارك المشاركون مخرجاتهم (النموذجية) حتى يتم التوصل إلى اتفاق. CL هي عملية من مرحلتين يمكن تنفيذها على النحو التالي:
- مرحلة التعلم الفردي. يقوم كل مشارك في الشبكة بتطوير نموذجه الخاص ، بناء على بياناته الخاصة والبيانات الأخرى المتاحة للجمهور. يمكن أن يتراوح ذلك من بناء نموذج من البداية ، إلى استخدام نماذج كبيرة مدربة مسبقا وضبطها وفقا لاحتياجاتهم. بشكل حاسم ، لن يطلب من المشارك أبدا مشاركة معلومات حساسة حول بياناته أو نموذجه. بمجرد اكتمال التدريب ، سيقوم المشاركون بإعداد توقعاتهم الأولية لمجموعة بيانات الاختبار - يمكن أن تكون هذه مجموعة بيانات تم الكشف عنها من خلال عقد ذكي ، أو بدلا من ذلك ، قد يقترح المشاركون نقاط بيانات اختبار جديدة من خلال آلية إثبات الحصة ، على سبيل المثال.
- مرحلة الاتصال. ينقل المشاركون توقعاتهم الأولية داخل الشبكة وفقا لبروتوكول الإجماع / القيل والقال. خلال هذه التبادلات ، يقوم المشاركون باستمرار بتحديث توقعاتهم لتعكس تقييمات المشاركين الآخرين في الشبكة ، فضلا عن الثقة في توقعاتهم الخاصة. بالإضافة إلى ذلك ، يمكن للمشارك مراقبة جودة التنبؤات الواردة من بقية الشبكة ، واستخدام ذلك لتحسين عملية صنع القرار. في نهاية هذه المرحلة ، يتوصل المشاركون إلى اتفاق ("توافق في الآراء") على القرار الذي يعتبر مثاليا بالنظر إلى المعلومات المتاحة داخل الشبكة. ثم تتكرر هذه المرحلة لأي مدخلات بيانات جديدة.
شرح الشكل: مثال على كيفية عمل CL لمهمة تصنيف ثنائي. (أ) في المرحلة الأولى، يضع المشاركون نماذجهم الخاصة، استنادا إلى بياناتهم الخاصة، وربما إلى بيانات أخرى يتقاسمها مشاركون آخرون عن طيب خاطر. في نهاية هذه المرحلة ، يحدد كل نموذج تنبؤا أوليا (يمثله الدوائر المجوفة) لأي مدخلات لمجموعة بيانات الاختبار. (ب) في مرحلة الاتصال، يتبادل المشاركون توقعاتهم الأولية ويحدثونها، ويتوصلون في نهاية المطاف إلى توافق في الآراء بشأن ناتج واحد (يمثله الدوائر المملوءة). تتكرر هذه المرحلة لأي مدخلات بيانات جديدة.
بالمعنى الدقيق للكلمة ، تشير الخوارزمية الموضحة أعلاه إلى سيناريو ML خاضع للإشراف - على وجه التحديد ، هذا هو الإعداد الذي يتم فيه تصنيف مجموعات بيانات التدريب بالفعل ، وحيث تقوم الخوارزمية بعمل تنبؤات لتسميات بيانات الاختبار الجديدة غير المرئية. ومع ذلك ، يمكن أيضا تكييف CL مع مشاكل ML الخاضعة للإشراف الذاتي أو غير الخاضعة للإشراف ، حيث يمكن للمشاركين فقط الوصول إلى البيانات غير المصنفة جزئيا أو كليا. تختلف أهداف هذه الأساليب اختلافا طفيفا ، مما يتطلب من المشاركين استخدام تقنيات مختلفة خلال مرحلة التعلم الفردية. ومع ذلك، فإن مرحلة تقديم البلاغ ستمضي قدما بطريقة مماثلة للوصف الوارد أعلاه.
كيف يميز التعلم بالإجماع نفسه
الفكرة وراء CL هي الجمع بين المعرفة بكفاءة (في شكل نماذج الذكاء الاصطناعي) من مصادر متعددة دون مشاركة أي معلومات حساسة أو قيمة أو ملكية فكرية. تم تصميم هذا النهج لحماية المعلومات السرية ، مع ضمان المرونة ضد المخاطر المحتملة التي تشكلها الكيانات الخبيثة. يعتمد CL على نموذج التعلم الجماعي الناجح للغاية ، والذي يوفر تقنيات قوية لدمج نماذج متعددة في نموذج واحد. تعتمد أساليب الفرقة على مبدأ "حكمة الحشود" ، والاستفادة من المعرفة الجماعية للحشد لتجاوز معرفة أي عضو واحد.
ظهرت العديد من تطبيقات blockchain لخدمات الذكاء الاصطناعي في السنوات الأخيرة ، حيث تعرض مناهج مبتكرة لدمج الذكاء الاصطناعي مع الشبكات اللامركزية. على سبيل المثال ، تسهل Bittensor الاستدلالات الذكاء الاصطناعي (إخراج النموذج) داخل شبكاتها الفرعية الخاصة بالمجال ، من خلال ترجيح تنبؤات "عمال المناجم" من خلال آلية نظرية اللعبة. يوفر FLock.io منصة للتعلم الموحد (نوع مختلف من التعلم الموزع) ، وإن كان ذلك مع مجمع مركزي ، باستخدام blockchain للتحقق من صحة تحديثات النموذج ومكافأة المشاركين. مثال آخر هو Ritual ، الذي يدير بشكل فعال سوقا لنماذج ML من خلال بروتوكول Infernet الخاص به ، حيث يتم إرسال طلبات تشغيل نموذج معين إلى مالك النموذج.
تميز CL نفسها من خلال طريقة التجميع المتميزة الخاصة بها ، حيث تمر تنبؤات النماذج الفردية عبر بروتوكول ثرثرة آمن لغرض التوصل إلى اتفاق. على هذا النحو ، تستفيد CL من blockchain لإنشاء نماذج الذكاء الاصطناعي لامركزية ، في حين أن التطبيقات الحالية تتيح الوصول إلى ML المركزي من خلال blockchain. وينصب التركيز على تمكين الذكاء الاصطناعي أكثر دقة وأمانا من خلال التعاون، وفي الوقت نفسه السماح للكيانات التي تحتفظ ببيانات خاصة وحساسة في كثير من الأحيان بالانضمام إلى النظام، مع ضمان سرية بياناتها.
باختصار
يقدم التعلم بالإجماع فرصة رائدة لتنفيذ التعلم الآلي مباشرة على دفاتر الأستاذ اللامركزية مثل blockchains. من خلال هذه المبادرة ، نشهد ظهور نهج جديد حيث يمكن لتقنية blockchain تحسين أدوات الذكاء الاصطناعي الحالية بشكل أساسي. وهذا يفتح إمكانيات مثيرة للابتكار والتعاون الآمن في القطاعات الحساسة للبيانات تقليديا ، مثل الرعاية الصحية ، مما يمهد الطريق لاعتماد تقنيات ML التعاونية. علاوة على ذلك ، فإن مرونة أساليب CL في مواجهة العوامل الخبيثة تعزز ثقة أكبر في أنظمة الذكاء الاصطناعي ، مما يعزز موثوقيتها وسلامتها.