Fetch.ai ir atvērtā pirmkoda programmatūras projekts, kura mērķis ir izveidot infrastruktūru modernu, decentralizētu un vienādranga (P2P) lietojumprogrammu izstrādei. Fetch.ai izmanto mākslīgā intelekta un automatizācijas tehnoloģiju, lai nodrošinātu dažādus rīkus un ietvarus, lai izveidotu un savienotu viedos aģentus, lai veiktu sarežģītus uzdevumus digitālajā ekonomikā. Viedais aģents ir autonoms programmatūras kods, kas var darboties cilvēka, organizācijas vai mašīnas vārdā. Fetch.ai tīkls ir starpķēžu protokols, kura pamatā ir Cosmos-SDK, kas ķēdē var ieviest progresīvu kriptogrāfiju un mašīnmācīšanās loģiku. Fetch.ai ir arī sava kriptovalūta, ko sauc par FET, kuras pašreizējā tirāža ir 746 miljoni un maksimālais piedāvājums ir 1,153 miljardi.
Kā tehnoloģiju uzņēmums, kas dziļi apvieno blokķēdi un mākslīgās inteliģences tehnoloģijas, Fetch.AI mērķis ir izveidot decentralizētu inteliģentu ekonomiku, apvienojot mākslīgo inteliģenci, blokķēdi un lietu internetu, lai sasniegtu sadalītos mērķus. Uzņēmuma mērķis ir nodrošināt uzņēmumiem un patērētājiem jaunu veidu ekonomiskai mijiedarbībai, nodrošinot efektīvākus, drošākus un inteliģentākus darījumus.
Pateicoties AI+blokķēdes augstajai inteliģencei un atvērtai arhitektūrai, Fetch.AI lietojuma gadījumi ir ļoti plaši, tostarp loģistika, piegādes ķēde, finanses, enerģija, medicīna un daudzi citi jomas. Fetch.AI tehnoloģiju arhitektūra galvenokārt ietver divas daļas: Fetch.AI galveno ķēdi un Fetch.AI inteliģentos aģentus. Fetch.AI galvenā ķēde ir decentralizēta grāmata, kas balstīta uz blokķēdes tehnoloģiju, lai reģistrētu darījumus un viedos līgumus, nodrošinot darījumu drošību un uzticamību. Fetch.AI inteliģentais aģents ir viedais līgums ar mākslīgās inteliģences spējām, kas spēj patstāvīgi izpildīt uzdevumus, koordinēt resursus un mijiedarboties ar citiem inteliģentajiem aģentiem, tādējādi nodrošinot automatizētu, inteliģentu un decentralizētu ekonomisko mijiedarbību.
Par galvenās ķēdes daļu šajā rakstā netiks runāts, mēs koncentrēsimies uz autonomo aģentu arhitektūru (AEA) un kolektīvās mācīšanās (Colearn) mehānismu, lai parādītu, kā AI piedalās blokķēdes sistēmas darbībā un datu pielietošanas procesos.
Ļaujiet tīkla mezgliem pašiem pārvaldīt: autonomās ekonomikas aģentu arhitektūra (AEA)
Fetch.ai tīklā personas vai uzņēmumi, kuriem ir dati, tiek pārstāvēti ar saviem aģentiem, kas sazinās ar to aģentiem, kuri meklē datus. Aģenti darbojas atvērtās ekonomikas ietvaros (OEF). Tas kalpo kā meklēšanas un atklāšanas mehānisms, kas apzīmē datu avotu aģentus, kuri var paziņot, ka viņiem ir pieejami dati. Līdzīgi, personas vai uzņēmumi, kas meklē datus, var izmantot OEF, lai meklētu aģentus, kuriem ir piekļuve attiecīgajiem datiem.
Fetch.AI AEA arhitektūra ir decentralizēta inteliģento aģentu arhitektūra, ko izmanto, lai izveidotu patstāvīgi sadarbojošos inteliģento aģentu tīklu. AEA apzīmē Autonomus Ekonomiskos Aģentus, un tās pamatideja ir apvienot mākslīgo inteliģenci un blokķēdes tehnoloģiju, lai izveidotu decentralizētu inteliģentu ekonomiku, nodrošinot inteliģentu, autonomu un decentralizētu ekonomisko mijiedarbību.
AEA arhitektūras galvenie komponenti galvenokārt ietver šādus četrus moduļus:
AEA aģents (Aģents): AEA aģents ir autonoms, programmējams inteliģents aģents ar autonomas lēmumu pieņemšanas, autonomas sadarbības un autonomas mācīšanās spējām. Tas ir AEA galvenais komponents, kas pārstāv neatkarīgu entītiju ar autonomas lēmumu pieņemšanas un rīcības spējām. Katram AEA aģentam ir sava maka adrese, identitātes marķieris un viedais līgums, kas ļauj mijiedarboties un sadarboties ar citiem aģentiem.
AEA saziņa (Savienojums): AEA saziņa ir punktu uz punktu saziņas protokols, kas balstīts uz blokķēdes tehnoloģiju, lai nodrošinātu informācijas pārsūtīšanu un mijiedarbību starp aģentiem. AEA saziņa var nodrošināt mijiedarbības drošību un uzticamību. Fetch.AI AEA atbalsta vairākus savienojumu veidus, tostarp WebSocket un HTTP savienojumus.
AEA prasmes (Prasme): AEA prasmes ir uzspiežams modulis, ko izmanto, lai paplašinātu AEA aģenta funkcionalitāti un spējas. Katrs prasmju modulis ietver viedo līgumu un Python pakotni, lai īstenotu aģenta specifiskās funkcijas, piemēram, dabiskās valodas apstrādi, mašīnmācīšanos, lēmumu pieņemšanu utt. Prasmes var ietvert vairākus protokolus un modeļus, lai aģents varētu saprast un reaģēt uz pieprasījumiem no citiem aģentiem.
AEA protokols (Protokols): AEA protokols ir sadarbības mehānisms, ko izmanto, lai īstenotu sadarbību un mijiedarbību starp aģentiem. AEA protokols nosaka ziņu formātu, protokola plūsmu un mijiedarbības noteikumus, lai nodrošinātu aģentu sadarbību. Protokols ir noteikumi un vadlīnijas aģentu saziņai. Protokols nosaka, kā aģentiem jāapmainās ar informāciju, jāreaģē uz pieprasījumiem un jāapstrādā kļūdas. Fetch.AI AEA atbalsta vairākus protokolus, tostarp Fetch.AI paša Aģentu saziņas valodu (ACL) un HTTP protokolu.
Iedomājieties, ka uzņēmums meklē datus, lai apmācītu prognožu modeli. Kad uzņēmuma aģents savienojas ar aģentu, kas pārstāv datu avotus, tas pieprasīs, lai tas sniedz informāciju par tirdzniecības noteikumiem. Pēc tam aģents, kas strādā datu sniedzēja vārdā, sniegs nosacījumus, par kuriem tas ir gatavs pārdot datus. Datu pieejamības pārdošanas aģents, iespējams, vēlēsies iegūt pēc iespējas augstāku cenu, savukārt datu pieejamības iegādes aģents cerēs maksāt pēc iespējas zemāku cenu. Tomēr datu pārdošanas aģents zina, ka, ja tas pieprasīs pārāk augstu cenu, tas palaidīs garām darījumu. Tas ir tādēļ, ka aģents, kurš meklē datus, nepieņems šos nosacījumus, bet mēģinās iegādāties datus no cita avota tīklā. Ja iegādes aģents uzskata, ka nosacījumi ir pieņemami, tas veiks maksājumu pārdošanas aģentam saskaņā ar darījumu, kas reģistrēts Fetch.ai grāmatā. Pēc maksājuma saņemšanas datu pārdošanas aģents nosūtīs šifrētus datus caur Fetch.ai tīklu.
Papildus sākotnējai iestatīšanai viss process ir pilnībā automatizēts un tiek veikts ar Fetch.ai aģentu palīdzību. Tas nozīmē, ka uzņēmuma darbinieki var strādāt nepārtraukti, kamēr prognožu modeļi var uzkrāt attiecīgus anonīmus datus. Iegūstot datus, uzņēmumi, kas iegādājas informāciju, var efektīvāk apmācīt savus modeļus, un pēc tam var izmantot šo modeli precīzāku prognožu veikšanai. Šādas prognozes var tikt izmantotas jebkurā nozarē.
Lai padarītu mezglus inteliģentus: AEA prasmju modulis un kolektīvās mācīšanās (Colearn) mehānisms
No četriem moduļiem vissvarīgākais ir AEA prasmju modulis, kas ir galvenais modulis, kas ļauj mezgliem iegūt inteliģenci. AEA prasmes ir uzspiežams modulis, ko izmanto, lai īstenotu aģentu kolektīvās autonomās mācīšanās funkciju. Katra mācību prasme ietver viedo līgumu un Python pakotni, lai īstenotu dažādu veidu mācību uzdevumus, piemēram, pastiprināto mācīšanos, uzraudzīto mācīšanos, bezuzraudzīto mācīšanos utt. Kad aģentam ir nepieciešama mācīšanās, tas var izvēlēties sev piemērotu mācību prasmi un saglabāt mācību rezultātus savā stāvoklī. Aģenti var patstāvīgi pielāgot uzvedību un stratēģijas, pamatojoties uz mācību rezultātiem, tādējādi sasniedzot inteliģentāku, efektīvāku un ilgtspējīgāku ekonomisku mijiedarbību.
Fetch.AI kolektīvās mācīšanās principi ietver šādas darbības:
Datu koplietošana: dažādi aģenti vāc savus datus un augšupielādē tos kopīgajā datu bāzē blokķēdes tīklā. Šie dati var būt sensora dati, teksta dati, attēlu dati utt. Visi aģenti, kas piedalās kolektīvā mācīšanās procesā, var piekļūt datiem kopīgajā datu bāzē un izmantot šos datus apmācībai.
Modeļu apmācība: aģenti izmanto datus no kopīgās datu bāzes modeļu apmācībai. Modeļi var būt mašīnmācīšanās modeļi, dziļās mācīšanās modeļi vai citu veidu algoritmi. Aģenti var izmantot dažādus modeļus apmācībai, lai mācītos dažādus uzdevumus vai jautājumus.
Modeļu izvēle: pēc modeļu apmācības pabeigšanas aģenti augšupielādē savus modeļus blokķēdes tīklā. Visi aģenti, kas piedalās kolektīvā mācīšanā, var piekļūt šiem modeļiem un izvēlēties sev atbilstošos modeļus atbilstoši savām vajadzībām. Izvēles process var balstīties uz aģenta veiktspēju, uzdevumu prasībām, resursu ierobežojumiem un citiem faktoriem.
Modeļu integrācija: izvēloties modeli, aģenti var to integrēt ar savām prasmēm, lai labāk izpildītu savus uzdevumus. Prasmes var būt moduli, kas apstrādā noteiktus uzdevumu veidus, piemēram, kriptovalūtu tirdzniecību, loģistikas pārvaldību utt. Aģenti var izmantot vairākas prasmes un modeļus uzdevumu izpildei.
Atlīdzības mehānisms: kolektīvās mācīšanās procesā aģenti var saņemt atlīdzību, sniedzot savus datus un modeļus. Atlīdzības var tikt piešķirtas, pamatojoties uz aģenta veiktspēju, ieguldījumu, resursu izmantošanas efektivitāti un citiem faktoriem. Atlīdzības mehānisms var mudināt aģentus aktīvi piedalīties kolektīvā mācīšanā un uzlabot visu sistēmas veiktspēju.
Pieņemot, ka ir divi aģenti A un B, kuriem nepieciešams sadarboties, lai pabeigtu uzdevumu, piemēram, preču transportēšanu. Aģents A ir atbildīgs par preču nodrošināšanu, bet aģents B ir atbildīgs par transporta pakalpojumu sniegšanu. Sākotnējā mijiedarbībā aģenti A un B var pieņemt nejaušas uzvedības stratēģijas, lai pabeigtu uzdevumu, piemēram, nejauši izvēloties transporta maršrutu vai transporta veidu.
Sadarbības laikā aģenti A un B var mācīties no mijiedarbības vēstures, izmantojot mācību prasmes, un, pamatojoties uz mācību rezultātiem, patstāvīgi pielāgot uzvedības stratēģijas. Piemēram, aģents A var, izmantojot mācību prasmes, mācīties par preču piegādes apjomiem un transporta izmaksām, tādējādi patstāvīgi izvēloties optimālo sadarbības stratēģiju atbilstoši pašreizējai preču pieprasījumam un tirgus cenām. Aģents B var arī mācīties par transporta maršrutiem un transportēšanas veidu efektivitāti un izmaksām, tādējādi patstāvīgi izvēloties optimālo transporta stratēģiju atbilstoši pašreizējiem satiksmes apstākļiem un enerģijas cenām.
Turpinot mijiedarbību un atjauninot mācību rezultātus, aģenti A un B var pakāpeniski optimizēt savas uzvedības stratēģijas, tādējādi sasniedzot efektīvāku, inteliģentāku un ilgtspējīgāku ekonomisko mijiedarbību. Šis autonomās mācīšanās process var pastāvīgi atkārtoties un optimizēties, lai sasniegtu labākus ekonomiskos ieguvumus un sociālo vērtību.
Jāņem vērā, ka autonomās mācīšanās funkcija prasa, lai aģenti būtu ar pietiekamu aprēķinu jaudu un datu resursiem, lai nodrošinātu labus mācību rezultātus. Tādēļ praktiskajā pielietojumā ir nepieciešams izvēlēties atbilstošas mācību prasmes un resursu sadalījumu, pamatojoties uz aģenta faktiskajām situācijām un vajadzībām, lai nodrošinātu labākos mācību rezultātus.
Fetch.ai centrālais autonomais ekonomikas aģents (AEA) ir sasniedzis inteliģences, autonomijas un decentralizācijas mērķus ekonomiskajā mijiedarbībā. Tās priekšrocība ir dziļa integrācija mākslīgās inteliģences un blokķēdes tehnoloģijās, kā arī autonomā ekonomiskā aģenta dizains, kas ļauj AEA aģentiem patstāvīgi mācīties, pieņemt lēmumus un brīvi mijiedarboties decentralizētā vidē, uzlabojot ekonomiskās mijiedarbības efektivitāti un inteliģences līmeni. Turklāt Fetch.AI kolektīvās mācīšanās (Colearn) mehānisms mudina aģentus aktīvi piedalīties, kopīgojot datus un modeļus, lai uzlabotu visas sistēmas veiktspēju.
Tomēr Fetch.AI saskaras arī ar dažām izaicinājumiem. Pirmkārt, tās autonomās mācīšanās funkcijai ir nepieciešama augsta aprēķinu jauda un datu resursi, kas var ierobežot tās pielietojumu resursu ierobežotās vidēs. Otrkārt, Fetch.AI tehnoloģiju arhitektūra un funkcionalitāte ir salīdzinoši sarežģīta, kas prasa augstāku tehnisko slieksni un mācību izmaksas, kas var ietekmēt tās plašu pielietojumu.
Kopsavilkums
Skatoties nākotnē, Fetch.AI perspektīvas joprojām ir plašas. Tehnoloģiju nepārtrauktās attīstības dēļ tā var ieviest vairāk AI un blokķēdes tehnoloģiju, lai uzlabotu veiktspēju un efektivitāti, apmierinot vairāk lietojuma gadījumu un vajadzību. Tajā pašā laikā, ņemot vērā privātuma aizsardzību un datu drošību, Fetch.AI decentralizētās un drošās īpašības var iegūt lielāku uzmanību un pielietojumu. Neskatoties uz dažādiem izaicinājumiem, Fetch.AI inovācijas un potenciāls AI un blokķēdes jomā joprojām ir vērts mūsu uzmanību un izpēti.
Atsauce:
[1] Fetch.AI Izstrādātāju dokumentācija
[2] Melanie Mitchell: AI 3.0
[3] Alexey Potapov: Pamata Atomese iezīmes nepieciešamas
Atbildības atruna: šis raksts ir paredzēts tikai pētniecības atsaucēm un nesniedz nevienu ieguldījumu padomu vai ieteikumu. Šajā rakstā aprakstītā projekta mehānika atspoguļo tikai autora personisko viedokli un nav saistīta ar autora vai šīs platformas interešu konfliktiem. Blokķēdes un digitālo valūtu investīcijas ir saistītas ar ļoti augstiem tirgus riskiem, politikas riskiem, tehnoloģiju riskiem un citiem nenoteiktības faktoriem, otrā tirgus žetonu cenu svārstības ir straujas, investoriem jābūt piesardzīgiem, pieņemot lēmumus un patstāvīgi uzņemoties ieguldījumu riskus. Šis raksts vai šī platforma nav atbildīga par jebkādiem zaudējumiem, ko investori var ciest, izmantojot šajā rakstā piedāvāto informāciju.