FLock.io, platforma decentralizēta AI modeļa izveidei ķēdē, sadarbojas ar DePIN tīklu IO.Net, lai uzlabotu tā iespējas ar decentralizētu skaitļošanas jaudu. Projekti apvieno spēkus, lai uzlabotu decentralizētas AI apmācības platformas, izmantojot progresīvu decentralizētu skaitļošanu. Šīs partnerības mērķis ir novērst centralizēto AI sistēmu kritiskās ievainojamības, veicinot dalītu pieeju pārvaldībā un aprēķinos.
Sadarbība atbilst plašākai nozares tendencei uz decentralizāciju, kas tiek uzskatīta par būtisku tādu risku mazināšanai kā datu monopolizācija un privātuma pārkāpumi. Integrējot IO.Net decentralizētos skaitļošanas resursus, FLock mērķis ir piedāvāt izturīgākus AI risinājumus, kas ir kopienas vadīti un mazāk pakļauti centrālās vadības kļūmēm.
Flock AI modeļu apmācībai izmanto apvienoto mācīšanos, kur modeļi mācās no decentralizētiem datu avotiem, nepārvietojot datus, saglabājot privātumu un samazinot ļaunprātīgas izmantošanas risku. IO.Net sniedz ieguldījumu, izmantojot dīkstāves skaitļošanas jaudu, piedāvājot ievērojamus izmaksu ietaupījumus salīdzinājumā ar tradicionālajiem mākoņpakalpojumu sniedzējiem.
IO.Net izpilddirektors Ahmads Šadids dalījās savās atziņās par abu uzņēmumu tehnoloģisko sinerģiju. "Šī partnerība ne tikai padara decentralizētu skaitļošanas jaudu pieejamāku, bet arī iezīmē soli uz priekšu, veidojot elastīgu sistēmu AI attīstībai," sacīja Šadids.
FLock.io ļauj AI modeļus apmācīt tieši lietotāja ierīcēs, nodrošinot, ka sensitīvie dati nepamet to avotu. Šī pieeja aizsargā privātumu un izmanto daudzveidīgu datu klāstu, kas, iespējams, rada precīzākus un reprezentatīvākus AI modeļus.
Dzjahao Suns, FLock.io izpilddirektors, sīkāk izklāstīja decentralizētā AI ekonomisko ietekmi. "Lai gan decentralizētie risinājumi bieži tiek uzskatīti par izmaksu ietaupīšanas pasākumiem salīdzinājumā ar tradicionālajiem mākoņpakalpojumiem, to patiesā vērtība ir to spēja apstrādāt sensitīvus datus ar uzlabotu privātumu," viņš paskaidroja. Suns apgalvoja, ka pašreizējo centralizēto platformu efektivitāti galu galā atsvērs decentralizēto modeļu priekšrocības privātuma un specializētās veiktspējas jomā.
Sun apgalvo, ka AI decentralizācija ir tikpat svarīga kā finanšu jomā novērotā decentralizācijas kustība. Viņš uzskata, ka AI nākotne ir saistīta ar decentralizētām pieejām, kas uzlabo privātumu un modeļu precizitāti, jo īpaši tādās jutīgās nozarēs kā finanses un veselības aprūpe.
Viņš teica CryptoSlate,
“Es uzskatu, ka decentralizētais AI sniedz priekšrocības gan izmaksu samazināšanā, gan aizsardzībai pret centralizēta AI riskiem, jo īpaši robežlīnijas AI[…]
Decentralizētā mākslīgā intelekta patiesais nepārspējamais ieguvums ir tā potenciāls piekļūt privātiem datiem, pilnībā saglabājot privātumu. Tas ļauj AI apkalpot nozares un nozares, kuras iepriekš bija grūti sasniegt centralizētiem trešo pušu AI apmācību nodrošinātājiem, piemēram, finanses un veselības aprūpe.
Saskaņā ar Sun teikto, decentralizētais mākslīgais intelekts var piekļūt privātiem datiem, neapdraudot privātumu, piedāvājot izcilas modeļa veiktspējas iespējas dažādos domēnos. "Integrējot blokķēdes tehnoloģiju, mēs varam veicināt maiņu AI modeļu apmācībā, kas uzsver kopienas iesaistīšanos un datu drošību," piebilda Sun.
Saruna par decentralizēto AI kļūst arvien aktuālāka, attīstoties tehnoloģijai. Sun vīzija par FLock.io ietver AI pielāgošanu darbam decentralizētā infrastruktūrā un pārdomāšanu, kā AI var būt iekļaujošāks un drošāks. "Mēs veidojam priekšnoteikumus nākotnes lietojumprogrammām, kurās decentralizēts AI varētu radīt sasniegumus nozarēs, kuras iepriekš kavēja bažas par datu privātumu," secināja Sun.
Partnerībai attīstoties, FLock un IO.Net turpinās pētīt, kā decentralizēta skaitļošana var mainīt AI, padarot to pielāgojamāku, privātāku un saskaņotāku ar uz lietotāju orientētu pārvaldību. Sun paredzēja virzību uz lokāli vadītiem decentralizētiem AI modeļiem
"ir spēja pārveidot AI ainavu un pavērt ceļu revolucionārām lietojumprogrammām, kuras kādreiz tika uzskatītas par nepraktiskām vai neizpildāmām."
Avots: https://cryptoslate.com/flock-io-net-partner-to-train-decentralized-ai-models-to-reduce-centralized-privacy-risk/