OPML(Optimistik Makine Öğrenimi), blok zinciri sistemlerinde AI model çıkarımı ve eğitimi/ince ayar yapmak için iyimser yöntemler kullanan yeni bir teknolojidir. ZKML ile karşılaştırıldığında, OPML, makine öğrenimi hizmetlerini daha düşük maliyetle ve daha yüksek verimlilikle sunma yeteneğine sahiptir. OPML'nin erişim eşiği düşüktür, sıradan bir PC'nin GPU olmadan bile 7B-LLaMA( dahil olmak üzere yaklaşık 26GB) gibi büyük dil modellerini çalıştırabilmesi mümkündür.
OPML, makine öğrenimi hizmetlerinin merkeziyetsizliğini ve doğrulanabilir konsensüsünü sağlamak için doğrulama oyun mekanizmasını kullanır. Süreci şunları içerir:
İstek sahibi ML hizmet görevi başlatır
Sunucu görevi tamamlar ve sonucu zincire gönderir.
Doğrulayıcı sonuçları kontrol eder, itiraz varsa doğrulama oyununu başlatır.
Son olarak akıllı sözleşme üzerinde adım adım tahkim yapılır.
Tek Aşamalı Doğrulama Oyunu
Tek aşamalı OPML'in çalışma prensibi, (RDoC) delegasyonunu hesaplamaya benzer. Aşağıdaki anahtar unsurları içerir:
Zincir dışı yürütme ve zincir üzeri tahkim için sanal makine (VM)
AI modelleri için özel olarak tasarlanmış hafif DNN kütüphanesi
AI modelinin çıkarım kodunu VM talimatlarına derlemek için çapraz derleme teknolojisi
Merkel ağacı ile yönetilen VM imajı, yalnızca Merkel kökünü zincire yükleyin.
İki taraflı protokol, anlaşmazlık adımlarını belirlemek ve bunları zincir üstü hakemlik sözleşmesine göndermek için kullanılır. PC'de temel bir AI modeli ( MNIST sınıflandırma DNN )'i test ederken, VM'deki çıkarım süresi 2 saniye, tüm meydan okuma süreci yerel Ethereum test ortamında 2 dakika içinde tamamlanabilir.
Çok Aşamalı Doğrulama Oyunu
Tek aşamalı protokolün sınırlamalarını aşmak ve performansı artırmak için, OPML çok aşamalı protokol genişlemesini önerdi. Bu yaklaşım, yalnızca son aşamada VM'de hesaplama yapar, diğer aşamalar ise CPU, GPU, TPU hatta paralel işleme yeteneklerinden yararlanarak esnek bir şekilde yürütülebilir.
Çok aşamalı OPML'in çalışma prensibi:
ML/DNN hesaplama sürecini hesaplama grafiği olarak ifade et
Hesaplama grafi üzerinde ikinci aşama doğrulama oyunu oynamak için çoklu iş parçacığı CPU veya GPU kullanılabilir.
İlk aşama, tek bir düğüm hesaplamasını VM talimatlarına dönüştür.
Çok aşamalı tasarım, performansı önemli ölçüde artırdı, hesaplama hızlanması α katına kadar çıkabiliyor. Aynı zamanda Merkle ağacının boyutu O(mn)'den O(m+n)'e düşürüldü, sistem verimliliğini ve ölçeklenebilirliğini artırdı.
Tutarlılık ve Belirleyicilik
ML sonuçlarının tutarlılığını sağlamak için, OPML iki yöntem kullanmıştır:
Sabit Nokta Algoritması ( Kuantizasyon Teknolojisi ): Kesin hassasiyet kullanarak kayan nokta yerine geçmek.
Yazılıma dayalı kayan nokta kütüphanesi: Çoklu platformda işlevselliği tutarlı tutma.
Bu teknolojiler, kayan nokta değişkenleri ve platform farklılıklarının getirdiği zorlukların üstesinden gelmeye yardımcı olur, OPML hesaplamalarının bütünlüğünü ve güvenilirliğini artırır.
Mevcut OPML çerçevesi esas olarak ML model çıkarımına odaklanmaktadır, ancak eğitim sürecini de desteklemektedir ve genel bir makine öğrenimi çözümüdür. OPML projesi hâlâ geliştirilmektedir, ilgi duyan herkesin katkıda bulunması beklenmektedir.
This page may contain third-party content, which is provided for information purposes only (not representations/warranties) and should not be considered as an endorsement of its views by Gate, nor as financial or professional advice. See Disclaimer for details.
12 Likes
Reward
12
7
Share
Comment
0/400
CryptoNomics
· 07-25 15:52
*gözlüğünü ayarlıyor* Nash dengesi etkilerini tamamen nasıl göz ardı ettiklerine dair büyüleyici... doğrulama düğümleri arasındaki korelasyon p(başarısızlık) > 0.372'yi önerecektir.
View OriginalReply0
LiquidityWitch
· 07-25 15:08
Orta halli bir ailenin sıradan PC'si nihayet baharını yaşadı.
OPML: Blok Zinciri üzerindeki iyimser makine öğrenimi yeni teknolojisi
OPML: İyimser Yöntemlere Dayalı Makine Öğrenimi
OPML(Optimistik Makine Öğrenimi), blok zinciri sistemlerinde AI model çıkarımı ve eğitimi/ince ayar yapmak için iyimser yöntemler kullanan yeni bir teknolojidir. ZKML ile karşılaştırıldığında, OPML, makine öğrenimi hizmetlerini daha düşük maliyetle ve daha yüksek verimlilikle sunma yeteneğine sahiptir. OPML'nin erişim eşiği düşüktür, sıradan bir PC'nin GPU olmadan bile 7B-LLaMA( dahil olmak üzere yaklaşık 26GB) gibi büyük dil modellerini çalıştırabilmesi mümkündür.
OPML, makine öğrenimi hizmetlerinin merkeziyetsizliğini ve doğrulanabilir konsensüsünü sağlamak için doğrulama oyun mekanizmasını kullanır. Süreci şunları içerir:
Tek Aşamalı Doğrulama Oyunu
Tek aşamalı OPML'in çalışma prensibi, (RDoC) delegasyonunu hesaplamaya benzer. Aşağıdaki anahtar unsurları içerir:
İki taraflı protokol, anlaşmazlık adımlarını belirlemek ve bunları zincir üstü hakemlik sözleşmesine göndermek için kullanılır. PC'de temel bir AI modeli ( MNIST sınıflandırma DNN )'i test ederken, VM'deki çıkarım süresi 2 saniye, tüm meydan okuma süreci yerel Ethereum test ortamında 2 dakika içinde tamamlanabilir.
Çok Aşamalı Doğrulama Oyunu
Tek aşamalı protokolün sınırlamalarını aşmak ve performansı artırmak için, OPML çok aşamalı protokol genişlemesini önerdi. Bu yaklaşım, yalnızca son aşamada VM'de hesaplama yapar, diğer aşamalar ise CPU, GPU, TPU hatta paralel işleme yeteneklerinden yararlanarak esnek bir şekilde yürütülebilir.
Çok aşamalı OPML'in çalışma prensibi:
Çok aşamalı tasarım, performansı önemli ölçüde artırdı, hesaplama hızlanması α katına kadar çıkabiliyor. Aynı zamanda Merkle ağacının boyutu O(mn)'den O(m+n)'e düşürüldü, sistem verimliliğini ve ölçeklenebilirliğini artırdı.
Tutarlılık ve Belirleyicilik
ML sonuçlarının tutarlılığını sağlamak için, OPML iki yöntem kullanmıştır:
Bu teknolojiler, kayan nokta değişkenleri ve platform farklılıklarının getirdiği zorlukların üstesinden gelmeye yardımcı olur, OPML hesaplamalarının bütünlüğünü ve güvenilirliğini artırır.
Mevcut OPML çerçevesi esas olarak ML model çıkarımına odaklanmaktadır, ancak eğitim sürecini de desteklemektedir ve genel bir makine öğrenimi çözümüdür. OPML projesi hâlâ geliştirilmektedir, ilgi duyan herkesin katkıda bulunması beklenmektedir.