DeepBrain Chain provozuje první tréninkové modely AI na Testnetu

Umělá inteligence (AI) se rychle stává ústřední součástí našeho každodenního života.

Osobní asistenti jako Google Assistant a Siri spoléhají na umělou inteligenci při zpracování řečového vstupu. AI podporuje také motory doporučení, které navrhují písně, restaurace nebo novinové články. Pak existují projekty, které přitahují tituly, jako je AlphaGo, který pomocí umělé neurální sítě porazil lidské hráče v jedné z nejsložitějších strategických her, jaké kdy byly vytvořeny.

Není pochyb o tom, že vstupujeme do budoucnosti založené na AI. Některé organizace to dokonce používají vyhledejte nemoci a hledat exoplanety. Náklady na provoz těchto aplikací je ale těžké ignorovat. Mnoho startupů utrácí až 20–30% svých finančních prostředků pouze na provozní náklady na hardware.

DeepBrain Chain doufá, že vyřeší problém rostoucích nákladů na zpracování do roku kombinování technologie blockchain s umělou inteligencí. První odhady naznačují, že podniky mohou ušetřit až 70% nákupem dat a výkonem zpracování prostřednictvím DeepBrain místo budování vlastní infrastruktury.

Nedávno tým DeepBrain Chain oznámil své první úspěšné spuštění modelů AI na testnet, což signalizuje počáteční kroky projektu k veřejné dostupnosti.

Problémy s náklady

Za posledních 5 let bylo spuštěno více než 5 000 startupů s umělou inteligencí. Venture Scanner zprávy financování těchto projektů má celkovou roční míru růstu 83% a v roce 2017 dosáhlo více než 14 miliard USD. 1. čtvrtletí 2018 zaznamenalo rekordní financování v celém odvětví o 2,5 miliardy USD, což je nárůst o 11% oproti 1. čtvrtletí 2017.

AlphaGo je jednou z nejznámějších aplikací hlubokého učení a umělé inteligence. Jeho vývojář, DeepMind, byl zakoupen společností Google v roce 2014. Navzdory dobře propagovaným úspěchům společnosti DeepMind nadále zveřejňuje finanční ztráty každý rok narostl dluh ve výši více než 162 milionů USD jen v roce 2016.

Ve finančním stavu DeepMindu hrají velkou roli provozní náklady a náklady na právní zastoupení, ale ani provoz AlphaGo není zrovna levný. Verze AlphaGo, která hrála jihokorejského profesionálního hráče Go Lee Sedola, běžela na 1 920 standardních procesorech a 280 upravených GPU, což přispělo k provozním nákladům 3 000 $ za jednu hru.

Dosažení toho, aby jakýkoli model AI fungoval se znatelnou přesností, vyžaduje tisíce hodin tréninku. Je snadné vidět, jak mohou podniky v oblasti umělé inteligence vydělat vysoké účty za hardware při pokusu o uvedení jediného produktu umělé inteligence.

Jiné společnosti pracující se strojovým učením a umělou inteligencí čelí podobným problémům jako DeepMind. Většina z nich se nemůže spoléhat na bezedné kapsy mateřské společnosti o velikosti Googlu, aby je mohla financovat. Snížení nákladů je zásadní pro další provoz a 30%, které jde na hardware, je skvělým místem pro začátek.

Financování umělé inteligence od roku 2011 do roku 2018 – obrázek prostřednictvím stránky venturescanner.com

Zadejte řetězec DeepBrain

Technologie Blockchain je dokonalým řešením k omezení rostoucích nákladů na provozování aplikací AI. Jedná se o rychle rostoucí, škálovatelné a ziskové odvětví, které začalo pronikat do hlavního proudu díky popularitě kryptoměn.

DeepBrain Chain bude fungovat jako decentralizované tržiště pro data a výpočetní výkon. Aktuálně běží na NEO blockchain ale po vydání mainnetu se rozdělí na svůj vlastní postranní řetězec. Podniky pak mohou nakupovat množství procesního výkonu potřebného pro provoz svých aplikací, aniž by musely investovat do vlastní vyhrazené infrastruktury.

DeepBrain uspokojí potřeby těchto organizací poskytnutím flexibilní, vysoce výkonné sítě s nízkou latencí, která chrání soukromí prostřednictvím decentralizace a šifrování. První odhady předpokládají u většiny klientů úsporu nákladů nejméně 70%.

Testnet úspěchy

3. června 2018 vývojový tým DeepBrain Chain úspěšně spustil tři typy tréninkových modelů AI v reálném světě na soukromém testnetu. Výsledky těchto testů nebyly oznámeny, ale účelem nebylo otestovat AI, pouze schopnost testnetu spouštět programy v pracovním prostředí.

Prvním úspěšným testem byla databáze Modified National Institute of Standards and Technology (MNIST), jakýsi „Hello World“ pro strojové učení. Tým DeepBrain úspěšně spustil MNIST na testnet s omezenou podmnožinou 250 obrázků.

Celý test MNIST obsahuje 60 000 obrázků ručně psaných číslic odebraných od studentů středních škol a zaměstnanců úřadu amerického sčítání lidu. AI musí použít rozpoznávání obrazu na každém skenování interpretovat označení a správně identifikovat co nejvíce čísel.

Druhým testem AI byl model zpracování přirozeného jazyka spuštěný pomocí Convolutional Neural Networks (CNN). CNN analyzovat obrázky jako skupiny pixelů najednou, což mu umožňuje detekovat tvary a hrany porovnáním rozdílů v datech matice. Když mají CNN za úkol zpracování jazyka, jsou schopny „vidět“ slova v dokumentu a dešifrovat jednoduché významy z kontextu.

Nakonec tým DeepBrain úspěšně spustil čínský model kategorizace textů pomocí předem vyškolené verze doc2vector. Tento program je rozšířením word2vec který vytváří vkládání slov ze skenovaných dokumentů textu. Tento model se běžně používá k rekonstrukci lingvistického kontextu ze vstupů dokumentu, což v zásadě umožňuje neurálním sítím porozumět psanému jazyku.

Plán a milníky

V lednu 2018 společnost DeepBrain oznámila partnerství s držitelem licence Disney na sérii  Mickey Mouse hračky které poslouchají a reagují na vstup řeči. Vzdělávací robot dodal v roce 2017 více než 3 miliony jednotek. DeepBrain bude pomáhat s upgradováním jeho učebních schopností pro další běh produktu.

Nejpozoruhodnější nadcházející událostí je spuštění testnetu DeepBrain Chain naplánované na konec června. Díky úspěchu počátečních testů má tým pocit, že je produkt připraven přijímat veřejné aplikace. Vydání mainnetu bude následovat měsíce později s plánovaným spuštěním v říjnu 2018.

The Skynet Project byl otevřen v polovině června 2018, aby pomohl posílit síť v rámci přípravy na zveřejnění. Uživatelé, kteří splňují hardwarové požadavky, mohou požádat o připojení ke Skynetu a získat práva na prioritu těžby na síti, extra body konsenzuálního uzlu a bezplatné využívání zdrojů DeepBrain, když je Skynet Project funkční.

DeepBrain Chain vytvořil a partnerství s SingularityNET, otevřeným decentralizovaným řešením zásobníku AI, jehož cílem je demokratizovat přístup k umělé inteligenci. Aliance umožní sdílení dat a služeb zpracování mezi oběma platformami prostřednictvím rámce, který týmy aktuálně vytvářejí.

Plán DeepBrain Chain přenáší platformu spuštěním mainnetu v říjnu 2018 a zahrnuje testování a zdokonalování v průběhu roku 2019.

Budoucnost řetězce DeepBrain

DeepBrain Chain je první výpočetní platforma AI založená na blockchainu na světě a přišla právě včas, aby vydělala na vzkvétajícím odvětví.

Technologičtí giganti Google a Baidu utratili mezi vývojem umělé inteligence mezi 20–30 miliardami dolarů. Samotný průmysl by mohl mít hodnotu přes bilion dolarů do roku 2035. Abych to uvedl na pravou míru, čistý výnos z vývozu ropy OPEC dosáhl svého současného vrcholu na 917 miliard dolarů v roce 2012 a od té doby klesl téměř o polovinu.

DeepBrain Chain v současné době zaměřuje většinu svého úsilí na podniky v Číně, zemi připravený stát se světovým lídrem v oblasti umělé inteligence. Generální ředitel DeepBrain He Yong to připisuje tomu, jak snadné je sbírat a využívat data v Číně ve srovnání s jinými zeměmi.

Existují určité obavy ohledně schopnosti a ochoty DeepBrain expandovat do dalších teritorií, zejména do Evropy a Spojených států. Jak naznačuje partnerství se společností SingularityNET, DeepBrain Chain nemá v úmyslu navždy zůstat projektem zaměřeným na Čínu.

Budoucnost pro DeepBrain Chain zatím vypadá jasně. Přistálo to místo v našich funkcích vzrušující NEO projekty a slibné AI blockchainové projekty dříve v tomto roce. Pokud spuštění testnetu a mainnetu proběhne bez problémů, mohl by být DeepBrain Chain prvním projektem, na který se společnosti obrátí při získávání partnerství AI.

Příbuzný: Blockchain a umělá inteligence: Výhody decentralizované AI