Fetch.ai to projekt oprogramowania typu open source, którego celem jest budowanie infrastruktury do tworzenia nowoczesnych, zdecentralizowanych aplikacji typu peer-to-peer (P2P). Fetch.ai wykorzystuje sztuczną inteligencję i technologię automatyzacji, aby zapewnić różnorodne narzędzia i struktury do tworzenia i łączenia inteligentnych agentów w celu wykonywania złożonych zadań w gospodarce cyfrowej. Inteligentny agent to autonomiczny kod oprogramowania, który może działać w imieniu człowieka, organizacji lub maszyny. Sieć Fetch.ai to protokół międzyłańcuchowy oparty na Cosmos-SDK, który może implementować zaawansowaną kryptografię i logikę uczenia maszynowego w łańcuchu. Fetch.ai ma również własną kryptowalutę zwaną FET, z obecnym nakładem 746 milionów i maksymalną podażą 1,153 miliarda.
Jako firma technologiczna, która głęboko łączy technologię blockchain i sztuczną inteligencję, Fetch.AI dąży do zbudowania zdecentralizowanej inteligentnej gospodarki i osiągnięcia rozproszonych celów poprzez połączenie technologii sztucznej inteligencji, blockchain i Internetu rzeczy. Celem firmy jest zapewnienie przedsiębiorstwom i konsumentom nowego sposobu interakcji ekonomicznej, umożliwiającego bardziej wydajne, bezpieczniejsze i inteligentniejsze transakcje.
Dzięki wysoce inteligentnej i otwartej architekturze AI+blockchain Fetch.AI ma szeroki zakres scenariuszy zastosowań, w tym logistykę, łańcuch dostaw, finanse, energetykę, medycynę i inne dziedziny. Architektura techniczna Fetch.AI składa się głównie z dwóch części: głównego łańcucha Fetch.AI i inteligentnego agenta Fetch.AI. Łańcuch główny Fetch.AI to rozproszona księga oparta na technologii blockchain, służąca do rejestrowania transakcji i inteligentnych kontraktów oraz zapewnienia bezpieczeństwa i niezawodności transakcji. Inteligentny agent Fetch.AI to inteligentny kontrakt wyposażony w możliwości sztucznej inteligencji, który może autonomicznie wykonywać zadania, koordynować zasoby i wchodzić w interakcję z innymi inteligentnymi agentami w celu osiągnięcia zautomatyzowanych, inteligentnych i zdecentralizowanych interakcji gospodarczych.
W tym artykule nie będziemy zbytnio rozwodzić się nad głównym łańcuchem, skupimy się na demontażu mechanizmów architektury agentów autonomicznych (AEA) i uczenia się grupowego (Colearn), aby pokazać, w jaki sposób sztuczna inteligencja uczestniczy w procesie działania i stosowania danych systemu blockchain.
Pozwól węzłom sieciowym zarządzać samodzielnie: architektura autonomicznej agentury ekonomicznej (AEA)
W sieci Fetch.ai osoby lub firmy posiadające dane są reprezentowane przez swoich agentów, którzy komunikują się z agentami osób lub firm poszukujących danych. Agent działa w oparciu o Open Economic Framework (OEF). Działa to jak mechanizm wyszukiwania i odkrywania, w którym agenci reprezentujący źródła danych mogą ogłaszać dane, do których mają dostęp. Podobnie osoba lub firma poszukująca danych może skorzystać z OEF w celu wyszukania agentów mających dostęp do danych.
Architektura AEA Fetch.AI to rozproszona architektura inteligentnych agentów używana do tworzenia autonomicznych i współpracujących inteligentnych sieci agentów. AEA oznacza Autonomous Economic Agent. Jego podstawową ideą jest połączenie sztucznej inteligencji i technologii blockchain w celu zbudowania zdecentralizowanej inteligentnej gospodarki i osiągnięcia inteligentnej, autonomicznej i zdecentralizowanej interakcji gospodarczej.
Podstawowe elementy architektury AEA obejmują głównie następujące cztery moduły:
Agent AEA: Agent AEA to autonomiczny, programowalny inteligentny agent posiadający zdolność do autonomicznego podejmowania decyzji, autonomicznej współpracy i autonomicznego uczenia się. Jest podstawowym elementem AEA i reprezentuje niezależną jednostkę posiadającą zdolność do samodzielnego podejmowania decyzji i działania. Każdy agent AEA ma swój własny adres portfela, tożsamość i inteligentną umowę, a także może wchodzić w interakcje i współpracować z innymi agentami.
Komunikacja AEA (Połączenie): Komunikacja AEA to protokół komunikacyjny typu punkt-punkt oparty na technologii blockchain, używany do realizacji transmisji informacji i interakcji pomiędzy agentami. Komunikacja AEA zapewnia bezpieczeństwo i niezawodność interakcji. AEA Fetch.AI obsługuje wiele metod połączeń, w tym połączenia WebSocket i HTTP.
Umiejętność AEA (Skill): Umiejętność AEA to podłączany moduł służący do rozszerzania funkcji i możliwości agenta AEA. Każda umiejętność obejmuje inteligentny kontrakt i pakiet Pythona, który implementuje specyficzną funkcjonalność agenta, taką jak przetwarzanie języka naturalnego, uczenie maszynowe, podejmowanie decyzji itp. Umiejętności mogą zawierać wiele protokołów i modeli, dzięki czemu agenci mogą rozumieć żądania innych agentów i odpowiadać na nie.
Protokół AEA: Protokół AEA to mechanizm współpracy stosowany w celu osiągnięcia współpracy i interakcji między agentami. Protokół AEA definiuje format wiadomości, proces protokołu i zasady interakcji między agentami w celu osiągnięcia współpracy między agentami. Protokoły to zasady i wytyczne dotyczące komunikacji pomiędzy agentami. Protokół definiuje, w jaki sposób agenci powinni wymieniać informacje, odpowiadać na żądania i obsługiwać błędy. AEA Fetch.AI obsługuje wiele protokołów, w tym własny język komunikacji agenta (ACL) Fetch.AI i protokoły HTTP.
Wyobraź sobie, że firma szuka danych do wytrenowania modelu predykcyjnego. Kiedy agent firmy połączy się z agentem reprezentującym źródło danych, poprosi go o informacje na temat warunków handlowych. Agent działający w imieniu dostawcy danych przedstawi następnie warunki, na jakich jest skłonny sprzedać dane. Agenci sprzedający dostęp do danych mogą zabiegać o jak najwyższą cenę, natomiast agenci kupujący dostęp do danych chcą zapłacić jak najniższą cenę. Agencja sprzedająca dane wie jednak, że jeśli zażąda zbyt wysokiej ceny, straci szansę na sprzedaż. Dzieje się tak dlatego, że agent poszukujący danych nie zaakceptuje warunków i zamiast tego spróbuje kupić dane z innego źródła w Internecie. Jeśli agent ds. zakupów uzna warunki za akceptowalne, zapłaci agentowi sprzedaży uzgodnioną cenę w drodze transakcji w księdze Fetch.ai. Po otrzymaniu płatności agent sprzedający dane prześle zaszyfrowane dane przez sieć Fetch.ai.
Poza wstępną konfiguracją cały proces jest w pełni zautomatyzowany i wykonywany przez agenta Fetch.ai. Oznacza to, że pracownicy firmy mogą pracować bez przerwy, a modele predykcyjne gromadzą odpowiednie, zanonimizowane dane. Pozyskując dane, firmy kupujące informacje są w stanie efektywniej szkolić swoje modele, które można następnie wykorzystać do tworzenia dokładniejszych przewidywań. Takie prognozy można zastosować w każdej branży.
Istota tworzenia inteligentnych węzłów: moduł umiejętności AEA i mechanizm uczenia się grupowego (Colearn).
Spośród powyższych czterech modułów najważniejszy jest moduł umiejętności AEA, który jest kluczowym modułem umożliwiającym uczynienie węzłów inteligentnymi. Umiejętność AEA to podłączany moduł służący do realizacji grupowej funkcji autonomicznego uczenia się agentów. Każda umiejętność uczenia się obejmuje inteligentny kontrakt i pakiet Pythona do realizacji różnych typów zadań edukacyjnych, takich jak uczenie się przez wzmacnianie, uczenie się pod nadzorem, uczenie się bez nadzoru itp. Kiedy agent musi się uczyć, może wybrać odpowiednie dla siebie umiejętności uczenia się i zapisać wyniki uczenia się we własnym stanie. Agenci mogą autonomicznie dostosowywać swoje zachowania i strategie w oparciu o wyniki uczenia się, umożliwiając mądrzejsze, wydajniejsze i bardziej zrównoważone interakcje gospodarcze.
Zasada zbiorowego uczenia się Fetch.AI obejmuje następujące kroki:
Udostępnianie danych: różni agenci zbierają własne dane i przesyłają je do wspólnej bazy danych w sieci blockchain. Dane te mogą obejmować dane z czujnika, dane tekstowe, dane obrazu itp. Wszyscy agenci biorący udział w zbiorowym uczeniu się mogą uzyskać dostęp do danych we wspólnej bazie danych i wykorzystywać je do celów szkoleniowych.
Uczenie modelu: Agent używa danych ze udostępnionej bazy danych do uczenia modelu. Modelami mogą być modele uczenia maszynowego, modele głębokiego uczenia się lub inne typy algorytmów. Agentów można szkolić przy użyciu różnych modeli, aby uczyć się różnych zadań lub problemów.
Wybór modelu: Po zakończeniu szkolenia modelu agent przesyła swój model do sieci blockchain. Wszyscy agenci uczestniczący w uczeniu się zbiorowym mogą uzyskać dostęp do tych modeli i wybrać ten, który im odpowiada, w oparciu o ich potrzeby. Proces selekcji może opierać się na takich czynnikach, jak wydajność agenta, wymagania dotyczące zadań, ograniczenia zasobów itp.
Integracja modelu: Po wybraniu modelu agenci mogą zintegrować go z własnymi umiejętnościami, aby lepiej wykonywać swoje zadania. Umiejętnościami mogą być moduły obsługujące określone typy zadań, takie jak handel kryptowalutami, zarządzanie logistyką itp. Agenci mogą wykorzystywać wiele umiejętności i modeli do przetwarzania zadań.
Mechanizm nagród: w procesie zbiorowego uczenia się agenci mogą otrzymywać nagrody, wnosząc własne dane i modele. Nagrody mogą być rozdzielane w oparciu o takie czynniki, jak wydajność agenta, wkład, efektywność wykorzystania zasobów itp. Mechanizm nagrody może zachęcić agentów do aktywnego udziału w zbiorowym uczeniu się i poprawić wydajność całego systemu.
Załóżmy, że jest dwóch agentów A i B, którzy muszą współpracować, aby wykonać zadanie, takie jak transport towarów. Agent A jest odpowiedzialny za dostarczenie towarów, a agent B jest odpowiedzialny za świadczenie usług transportowych. W początkowej interakcji zarówno agent A, jak i agent B mogą przyjąć strategie losowego zachowania, aby wykonać zadanie, takie jak losowy wybór tras lub metod transportu.
W miarę postępu interakcji Agent A i Agent B mogą poznawać dane dotyczące historii interakcji poprzez umiejętności uczenia się i samodzielnie dostosowywać strategie behawioralne w oparciu o wyniki uczenia się. Przykładowo Agent A może poprzez naukę umiejętności poznać takie informacje jak podaż towarów i koszty transportu, a następnie samodzielnie wybrać optymalną strategię współpracy w oparciu o aktualne zapotrzebowanie na towary i ceny rynkowe. Agent B może również poznać informacje, takie jak efektywność i koszt tras transportu oraz metod transportu, poprzez uczenie się, aby samodzielnie wybrać optymalną strategię transportu w oparciu o aktualne warunki ruchu i ceny energii.
W miarę kontynuacji interakcji i ciągłej aktualizacji wyników uczenia się Agent A i Agent B mogą stopniowo optymalizować swoje strategie behawioralne, osiągając w ten sposób bardziej wydajne, mądrzejsze i bardziej zrównoważone interakcje gospodarcze. Ten proces samouczenia się można stale powtarzać i optymalizować w celu osiągnięcia lepszych korzyści ekonomicznych i wartości społecznej.
Należy zaznaczyć, że funkcja autonomicznego uczenia się wymaga od agenta posiadania wystarczającej mocy obliczeniowej i zasobów danych, aby osiągnąć dobre wyniki uczenia się. Dlatego w zastosowaniach praktycznych konieczne jest dobranie odpowiednich umiejętności uczenia się i alokacji zasobów w oparciu o rzeczywistą sytuację i potrzeby agenta, aby osiągnąć najlepszy efekt uczenia się.
Podstawowy autonomiczny agent gospodarczy (AEA) Fetch.ai osiąga cele w zakresie wywiadu, autonomii i decentralizacji w interakcjach gospodarczych. Jego zaletą jest głęboka integracja sztucznej inteligencji i technologii blockchain oraz realizacja projektu autonomicznych agentów gospodarczych. Ci agenci AEA mogą autonomicznie uczyć się, podejmować decyzje i swobodnie wchodzić w interakcje w zdecentralizowanym środowisku, poprawiając efektywność i efektywność interakcji gospodarczych. Stopień inteligencji. Ponadto mechanizm uczenia grupowego Fetch.AI (Colearn) zachęca agentów do aktywnego udziału i poprawy wydajności całego systemu poprzez udostępnianie danych i modeli.
Jednak Fetch.AI ma również pewne wyzwania. Po pierwsze, jego funkcja autonomicznego uczenia się wymaga dużej mocy obliczeniowej i zasobów danych, co może ograniczać jego zastosowanie w środowiskach o ograniczonych zasobach. Po drugie, architektura techniczna i funkcje Fetch.AI są stosunkowo złożone i wymagają wyższych progów technicznych oraz kosztów nauki, co może mieć wpływ na jego szerokie zastosowanie.
Streszczenie
Patrząc w przyszłość, Fetch.AI nadal ma przed sobą jasne perspektywy. W miarę ciągłego rozwoju technologii może zostać wprowadzonych więcej technologii AI i blockchain, aby poprawić wydajność i efektywność oraz spełnić więcej scenariuszy i potrzeb zastosowań. Jednocześnie, w miarę jak coraz większą uwagę poświęca się ochronie prywatności i bezpieczeństwu danych, funkcje decentralizacji i bezpieczeństwa Fetch.AI mogą zyskać więcej uwagi i zastosowań. Pomimo pewnych wyzwań innowacyjność i potencjał Fetch.AI w obszarach sztucznej inteligencji i blockchain są nadal warte naszej uwagi i eksploracji.
Referencje:
[1] Dokumentacja dla programistów Fetch.AI
[2] Melanie Mitchell: AI 3.0
[3] Alexey Potapov: Podstawowe wymagane funkcje Atomese
Zastrzeżenie: ten artykuł ma wyłącznie charakter informacyjny i nie stanowi żadnej porady ani rekomendacji inwestycyjnej. Mechanizm projektu wprowadzony w tym artykule reprezentuje wyłącznie osobiste poglądy autora i nie interesuje autora ani tej platformy. Inwestycje w blockchain i waluty cyfrowe podlegają niezwykle wysokiemu ryzyku rynkowemu, ryzyku politycznemu, ryzyku technicznemu i innym niepewnym czynnikom. Cena tokenów na rynku wtórnym podlega gwałtownym wahaniom. Inwestorzy powinni podejmować rozważne decyzje i niezależnie ponosić ryzyko inwestycyjne. Autor tego artykułu lub tej platformy nie ponosi odpowiedzialności za jakiekolwiek straty spowodowane przez inwestorów korzystających z informacji zawartych w tym artykule.