OPML(Optimistic machine learning) adalah teknologi baru yang menggunakan pendekatan optimis untuk melakukan inferensi dan pelatihan/penyesuaian model AI pada sistem blockchain. Dibandingkan dengan ZKML, OPML dapat menyediakan layanan machine learning dengan biaya yang lebih rendah dan efisiensi yang lebih tinggi. Ambang batas OPML cukup rendah, bahkan PC biasa tanpa GPU dapat menjalankan model bahasa besar termasuk 7B-LLaMA( sekitar 26GB).
OPML menggunakan mekanisme permainan verifikasi untuk memastikan desentralisasi dan konsensus yang dapat diverifikasi dari layanan pembelajaran mesin. Prosesnya meliputi:
Pemohon memulai tugas layanan ML
Server menyelesaikan tugas dan mengirimkan hasilnya ke rantai
Validator memeriksa hasil, jika ada keberatan maka memulai permainan verifikasi
Terakhir lakukan arbitrase langkah demi langkah pada kontrak pintar
Permainan Verifikasi Satu Tahap
Prinsip kerja OPML satu tahap mirip dengan perhitungan delegasi (RDoC). Ini mencakup elemen kunci berikut:
Mesin virtual untuk eksekusi off-chain dan arbitrase on-chain (VM)
Perpustakaan DNN ringan yang dirancang khusus untuk inferensi model AI
Teknologi cross-compilation untuk mengkompilasi kode inferensi model AI menjadi instruksi VM
Mengelola citra VM dengan pohon Merkle, hanya meng-upload akar Merkle ke blockchain
Protokol dua bagian digunakan untuk menentukan langkah-langkah yang diperdebatkan dan mengirimkannya ke kontrak arbitrase di blockchain. Saat menguji model AI dasar ( klasifikasi DNN MNIST ) di PC, waktu inferensi di VM adalah 2 detik, dan seluruh proses tantangan dapat diselesaikan dalam 2 menit di lingkungan pengujian Ethereum lokal.
Permainan Verifikasi Multi-Tahap
Untuk mengatasi keterbatasan protokol satu tahap dan meningkatkan kinerja, OPML mengusulkan perluasan protokol multi-tahap. Metode ini hanya menghitung di VM pada tahap terakhir, sedangkan tahap lainnya dapat dieksekusi secara fleksibel, sehingga memanfaatkan kemampuan CPU, GPU, TPU, bahkan pemrosesan paralel.
Prinsip kerja OPML multi-tahap:
Mewakili proses perhitungan ML/DNN sebagai grafik perhitungan
Melakukan permainan verifikasi tahap kedua di grafik komputasi, dapat menggunakan CPU atau GPU multithreading.
Tahap pertama mengubah perhitungan node tunggal menjadi instruksi VM
Desain multi-stage secara signifikan meningkatkan kinerja, dengan percepatan komputasi mencapai α kali lipat. Pada saat yang sama, ukuran pohon Merkle juga berkurang dari O(mn) menjadi O(m+n), meningkatkan efisiensi dan skalabilitas sistem.
Konsistensi dan Kepastian
Untuk memastikan konsistensi hasil ML, OPML menggunakan dua metode:
Algoritma Tetap ( Teknologi Kuantisasi ): Menggunakan presisi tetap sebagai pengganti angka titik mengambang
Perpustakaan floating point berbasis perangkat lunak: menjaga konsistensi fungsi lintas platform
Teknologi ini membantu mengatasi tantangan yang dihadapi akibat variabel floating-point dan perbedaan platform, meningkatkan integritas dan keandalan perhitungan OPML.
Kerangka OPML saat ini terutama berfokus pada inferensi model ML, tetapi juga mendukung proses pelatihan, merupakan solusi pembelajaran mesin yang umum. Proyek OPML masih dalam tahap pengembangan, dan kami mengundang pihak-pihak yang tertarik untuk berkontribusi.
Halaman ini mungkin berisi konten pihak ketiga, yang disediakan untuk tujuan informasi saja (bukan pernyataan/jaminan) dan tidak boleh dianggap sebagai dukungan terhadap pandangannya oleh Gate, atau sebagai nasihat keuangan atau profesional. Lihat Penafian untuk detailnya.
12 Suka
Hadiah
12
7
Bagikan
Komentar
0/400
CryptoNomics
· 07-25 15:52
*mengatur kacamata* menarik bagaimana mereka sepenuhnya mengabaikan implikasi keseimbangan nash... korelasi antara node validasi akan menunjukkan p(failure) > 0.372
Lihat AsliBalas0
LiquidityWitch
· 07-25 15:08
PC biasa dengan kondisi keuangan yang biasa akhirnya memiliki musim semi.
Lihat AsliBalas0
DegenWhisperer
· 07-25 14:41
Keren! Bisa menjalankan model besar tanpa GPU?
Lihat AsliBalas0
NotFinancialAdvice
· 07-22 17:20
Sial, biaya ini terlalu konyol.
Lihat AsliBalas0
SleepTrader
· 07-22 17:17
Harus saya katakan, sangat keren!
Lihat AsliBalas0
BearMarketBarber
· 07-22 17:07
Apakah bisa berjalan atau tidak, masih belum diketahui.
Lihat AsliBalas0
GateUser-00be86fc
· 07-22 17:06
Tidak salah lagi, inovasi. Teknologi ini terlalu canggih.
OPML: Teknologi pembelajaran mesin optimis baru di Blockchain
OPML: Pembelajaran mesin berbasis metode optimis
OPML(Optimistic machine learning) adalah teknologi baru yang menggunakan pendekatan optimis untuk melakukan inferensi dan pelatihan/penyesuaian model AI pada sistem blockchain. Dibandingkan dengan ZKML, OPML dapat menyediakan layanan machine learning dengan biaya yang lebih rendah dan efisiensi yang lebih tinggi. Ambang batas OPML cukup rendah, bahkan PC biasa tanpa GPU dapat menjalankan model bahasa besar termasuk 7B-LLaMA( sekitar 26GB).
OPML menggunakan mekanisme permainan verifikasi untuk memastikan desentralisasi dan konsensus yang dapat diverifikasi dari layanan pembelajaran mesin. Prosesnya meliputi:
Permainan Verifikasi Satu Tahap
Prinsip kerja OPML satu tahap mirip dengan perhitungan delegasi (RDoC). Ini mencakup elemen kunci berikut:
Protokol dua bagian digunakan untuk menentukan langkah-langkah yang diperdebatkan dan mengirimkannya ke kontrak arbitrase di blockchain. Saat menguji model AI dasar ( klasifikasi DNN MNIST ) di PC, waktu inferensi di VM adalah 2 detik, dan seluruh proses tantangan dapat diselesaikan dalam 2 menit di lingkungan pengujian Ethereum lokal.
Permainan Verifikasi Multi-Tahap
Untuk mengatasi keterbatasan protokol satu tahap dan meningkatkan kinerja, OPML mengusulkan perluasan protokol multi-tahap. Metode ini hanya menghitung di VM pada tahap terakhir, sedangkan tahap lainnya dapat dieksekusi secara fleksibel, sehingga memanfaatkan kemampuan CPU, GPU, TPU, bahkan pemrosesan paralel.
Prinsip kerja OPML multi-tahap:
Desain multi-stage secara signifikan meningkatkan kinerja, dengan percepatan komputasi mencapai α kali lipat. Pada saat yang sama, ukuran pohon Merkle juga berkurang dari O(mn) menjadi O(m+n), meningkatkan efisiensi dan skalabilitas sistem.
Konsistensi dan Kepastian
Untuk memastikan konsistensi hasil ML, OPML menggunakan dua metode:
Teknologi ini membantu mengatasi tantangan yang dihadapi akibat variabel floating-point dan perbedaan platform, meningkatkan integritas dan keandalan perhitungan OPML.
Kerangka OPML saat ini terutama berfokus pada inferensi model ML, tetapi juga mendukung proses pelatihan, merupakan solusi pembelajaran mesin yang umum. Proyek OPML masih dalam tahap pengembangan, dan kami mengundang pihak-pihak yang tertarik untuk berkontribusi.