Рабочее место завтрашнего дня будет работать на ошеломляющих объемах данных. Чтобы разобраться во всем этом, предприятиям, разработчикам и отдельным лицам понадобятся более совершенные системы искусственного интеллекта (ИИ), более подготовленные работники ИИ и более эффективные серверы для обработки чисел.

Хотя крупные технологические компании обладают ресурсами и опытом для удовлетворения этих потребностей, они остаются вне досягаемости большинства малых и средних предприятий и частных лиц. Чтобы удовлетворить эту потребность, международная группа исследователей под руководством Concordia разработала новую структуру, которая сделает сложные задачи ИИ более доступными и прозрачными для пользователей.

Фреймворк, описанный в статье, опубликованной в журнале Information Sciences , специализируется на предоставлении решений для запросов глубокого обучения с подкреплением (DRL). DRL — это подмножество машинного обучения, которое объединяет глубокое обучение, которое использует многоуровневые нейронные сети для поиска закономерностей в огромных наборах данных, и обучение с подкреплением , в котором агент учится принимать решения, взаимодействуя со своей средой на основе системы вознаграждений/штрафов.

DRL используется в таких разных отраслях, как игры, робототехника, здравоохранение и финансы.

Фреймворк объединяет разработчиков, компании и отдельных лиц, имеющих особые, но недоступные потребности в ИИ, с поставщиками услуг, которые обладают ресурсами, опытом и моделями, которые им требуются. Сервис краудсорсинговый, построен на блокчейне и использует смарт-контракт — контракт с предопределенным набором условий, встроенных в код, — чтобы сопоставить пользователей с соответствующим поставщиком услуг.

«Краудсорсинг процесса обучения и проектирования DRL делает этот процесс более прозрачным и доступным», — говорит Ахмед Алага, аспирант Школы инженерии и компьютерных наук Джины Коди и ведущий автор статьи.

«С помощью этой структуры любой желающий может зарегистрироваться и создать историю и профиль. На основе их опыта, обучения и рейтингов им могут быть назначены задания, которые запрашивают пользователи».

Демократизация DRL

По словам его соавтора и научного руководителя Джамала Бентахара, профессора Института инженерии информационных систем Конкордия, эта услуга открывает потенциал DRL гораздо более широкому кругу населения, чем это было доступно ранее.

«Чтобы обучить модель DRL, вам нужны вычислительные ресурсы, которые доступны не всем. Вам также нужны экспертные знания. Эта структура предлагает и то, и другое», — говорит он.

Исследователи полагают, что конструкция их системы снизит затраты и риски за счет распределения вычислительных усилий через блокчейн. Потенциально катастрофические последствия сбоя сервера или вредоносной атаки смягчаются за счет того, что десятки или сотни других машин работают над той же проблемой.

«Если централизованный сервер выходит из строя, вся платформа выходит из строя», — объясняет Алага. «Блокчейн обеспечивает распределение и прозрачность. Все регистрируется на нем, поэтому его очень сложно подделать».

Сложный и дорогостоящий процесс обучения модели для правильной работы можно сократить, имея в наличии существующую модель, требующую лишь относительно небольших корректировок для соответствия конкретным потребностям пользователя.

«Например, предположим, что крупный город разрабатывает модель, которая может автоматизировать последовательности светофоров для оптимизации транспортного потока и минимизации аварий. У небольших городов или поселков может не быть ресурсов для разработки такой модели самостоятельно, но они могут использовать модель, разработанную крупным городом, и адаптировать ее к своим собственным обстоятельствам».