Fetch.ai este un proiect software open source care vizează construirea infrastructurii pentru dezvoltarea de aplicații moderne, descentralizate și peer-to-peer (P2P). Fetch.ai folosește inteligența artificială și tehnologia de automatizare pentru a oferi o varietate de instrumente și cadre pentru a crea și conecta agenți inteligenți pentru a îndeplini sarcini complexe în economia digitală. Un agent inteligent este un cod software autonom care poate acționa în numele unui om, al unei organizații sau al unei mașini. Rețeaua Fetch.ai este un protocol cross-chain bazat pe Cosmos-SDK, care poate implementa criptografia avansată și logica de învățare automată pe lanț. Fetch.ai are și propria sa criptomonedă, numită FET, cu o circulație curentă de 746 milioane și o aprovizionare maximă de 1,153 miliarde.
Fiind o companie de tehnologie care combină profund tehnologia blockchain și a inteligenței artificiale, Fetch.AI își propune să construiască o economie inteligentă descentralizată și să atingă obiective distribuite prin combinarea inteligenței artificiale, blockchain și a tehnologiilor Internet of Things. Scopul companiei este de a oferi afacerilor și consumatorilor o nouă modalitate de a interacționa economic, permițând tranzacții mai eficiente, mai sigure și mai inteligente.
Datorită arhitecturii foarte inteligente și deschise a AI+blockchain, Fetch.AI are o gamă largă de scenarii de aplicații, inclusiv logistică, lanț de aprovizionare, finanțe, energie, medical și alte domenii. Arhitectura tehnică Fetch.AI constă în principal din două părți: lanțul principal Fetch.AI și agent inteligent Fetch.AI. Lanțul principal Fetch.AI este un registru distribuit bazat pe tehnologia blockchain, folosit pentru a înregistra tranzacții și contracte inteligente și pentru a asigura securitatea și fiabilitatea tranzacțiilor. Agentul inteligent Fetch.AI este un contract inteligent cu capabilități de inteligență artificială care poate îndeplini în mod autonom sarcini, coordona resurse și poate interacționa cu alți agenți inteligenți pentru a realiza interacțiuni economice automatizate, inteligente și descentralizate.
Acest articol nu va detalia prea mult lanțul principal. Ne vom concentra pe dezmembrarea mecanismelor de arhitectură a agenților autonomi (AEA) și de învățare în grup (Colearn) pentru a arăta modul în care AI participă la procesul de operare și aplicare a datelor.
Lăsați nodurile de rețea să se gestioneze singure: Arhitectura agentului economic autonom (AEA)
În rețeaua Fetch.ai, persoanele fizice sau companiile care dețin date sunt reprezentate de agenții lor, care comunică cu agenții persoanelor fizice sau companiilor care caută datele. Agenția funcționează în cadrul Cadru Economic Deschis (OEF). Acesta acționează ca un mecanism de căutare și descoperire în care agenții care reprezintă sursele de date pot face publicitate datelor la care au acces. De asemenea, o persoană sau o companie care caută date poate folosi OEF pentru a căuta agenți care au acces la datele în cauză.
Arhitectura AEA a Fetch.AI este o arhitectură de agent inteligent distribuită folosită pentru a construi rețele de agenți inteligenți autonome și colaborative. AEA înseamnă Agent economic autonom. Ideea sa de bază este de a combina inteligența artificială și tehnologia blockchain pentru a construi o economie inteligentă descentralizată și a obține o interacțiune economică inteligentă, autonomă și descentralizată.
Componentele de bază ale arhitecturii AEA includ în principal următoarele patru module:
Agent AEA: agentul AEA este un agent inteligent autonom, programabil, cu capacitatea de a lua decizii autonome, de a colabora autonom și de a învăța autonom. Fiecare agent AEA are propria adresă de portofel, identitate și contract inteligent și poate interacționa și coopera cu alți agenți.
Comunicare AEA (Conexiune): Comunicarea AEA este un protocol de comunicare punct-la-punct bazat pe tehnologia blockchain, utilizat pentru a realiza transmisia de informații și interacțiunea dintre agenți. Comunicarea AEA asigură securitatea și fiabilitatea interacțiunilor. AEA Fetch.AI acceptă mai multe metode de conectare, inclusiv WebSocket și conexiuni HTTP.
Abilitate AEA (Abilitate): Abilitatea AEA este un modul conectabil utilizat pentru a extinde funcțiile și capacitățile agentului AEA. Fiecare abilitate include un contract inteligent și un pachet Python care implementează funcționalitatea specifică a agentului, cum ar fi procesarea limbajului natural, învățarea automată, luarea deciziilor etc. Abilitățile pot conține mai multe protocoale și modele, astfel încât agenții să poată înțelege și să răspundă la solicitările altor agenți.
Protocolul AEA: Protocolul AEA este un mecanism de colaborare utilizat pentru a realiza colaborarea și interacțiunea dintre agenți. Protocolul AEA definește formatul mesajului, procesul de protocol și regulile de interacțiune între agenți pentru a realiza o colaborare între agenți. Protocoalele sunt regulile și liniile directoare pentru comunicarea între agenți. Protocolul definește modul în care agenții ar trebui să facă schimb de informații, să răspundă la solicitări și să gestioneze erorile. AEA Fetch.AI acceptă mai multe protocoale, inclusiv propriul limbaj de comunicare cu agent (ACL) și protocoale HTTP al Fetch.AI.
Imaginați-vă că o companie caută date pentru a antrena un model predictiv. Când agentul companiei se conectează la agentul care reprezintă sursa de date, acesta îi va cere informații despre condițiile comerciale. Agentul care lucrează în numele furnizorului de date va furniza apoi condițiile în care este dispus să vândă datele. Agenții care vând acces la date pot căuta cel mai mare preț posibil, în timp ce agenții care cumpără acces la date vor să plătească cel mai mic preț posibil. Cu toate acestea, agenția care vinde datele știe că, dacă percepe un preț prea mare, va rata vânzarea. Acest lucru se datorează faptului că agentul care caută datele nu va accepta termenii și va încerca în schimb să achiziționeze datele dintr-o altă sursă de pe web. Dacă agentul de cumpărare consideră că termenii sunt acceptabili, atunci va plăti agentului de vânzări prețul convenit printr-o tranzacție în registrul Fetch.ai. După primirea plății, agentul care vinde datele va trimite datele criptate prin rețeaua Fetch.ai.
În afară de configurarea inițială, întregul proces este complet automatizat și efectuat de agentul Fetch.ai. Aceasta înseamnă că angajații companiei pot lucra fără întrerupere, în timp ce modelele predictive acumulează date anonime relevante. Prin achiziționarea datelor, companiile care achiziționează informații își pot antrena mai eficient modelele, care pot fi apoi folosite pentru a face predicții mai precise. Astfel de prognoze pot fi folosite în orice industrie.
Esența de a face nodurile inteligente: modulul de abilități AEA și mecanismul de învățare în grup (Colearn).
Dintre cele patru module de mai sus, cel mai important este modulul de abilități AEA, care este un modul cheie pentru a face nodurile inteligente. Abilitatea AEA este un modul conectabil utilizat pentru a realiza funcția de învățare autonomă de grup a agenților. Fiecare abilitate de învățare include un contract inteligent și un pachet Python pentru implementarea diferitelor tipuri de sarcini de învățare, cum ar fi învățarea prin consolidare, învățarea supravegheată, învățarea nesupravegheată etc. Când un agent trebuie să învețe, poate alege abilitățile de învățare care se potrivesc și să salveze rezultatele învățării în starea sa. Agenții își pot ajusta în mod autonom comportamentele și strategiile pe baza rezultatelor învățării, permițând interacțiuni economice mai inteligente, mai eficiente și mai durabile.
Principiul de învățare colectivă al Fetch.AI include următorii pași:
Partajarea datelor: diferiți agenți își colectează propriile date și le încarcă într-o bază de date partajată în rețeaua blockchain. Aceste date pot fi date de senzor, date text, date de imagine etc. Toți agenții care participă la învățarea colectivă pot accesa datele din baza de date partajată și pot folosi aceste date pentru instruire.
Antrenamentul modelului: agentul utilizează date dintr-o bază de date partajată pentru antrenamentul modelului. Modelele pot fi modele de învățare automată, modele de învățare profundă sau alte tipuri de algoritmi. Agenții pot fi instruiți folosind diferite modele pentru a învăța diferite sarcini sau probleme.
Selecția modelului: după finalizarea instruirii modelului, agentul își încarcă modelul în rețeaua blockchain. Toți agenții care participă la învățarea colectivă pot accesa aceste modele și pot alege pe cel care li se potrivește în funcție de nevoile lor. Procesul de selecție se poate baza pe factori precum performanța agentului, cerințele sarcinilor, constrângerile de resurse etc.
Integrarea modelului: odată ce un model este selectat, agenții îl pot integra cu propriile lor abilități pentru a-și îndeplini mai bine sarcinile. Abilitățile pot fi module care se ocupă de anumite tipuri de sarcini, cum ar fi tranzacționarea cu criptomonede, managementul logisticii etc. Agenții pot folosi mai multe abilități și modele pentru procesarea sarcinilor.
Mecanism de recompensă: în procesul de învățare colectivă, agenții pot primi recompense prin contribuția cu propriile date și modele. Recompensele pot fi distribuite pe baza unor factori precum performanța agentului, contribuția, eficiența utilizării resurselor etc. Mecanismul de recompensă poate încuraja agenții să participe activ la învățarea colectivă și să îmbunătățească performanța întregului sistem.
Să presupunem că există doi agenți A și B care trebuie să coopereze pentru a îndeplini o sarcină, cum ar fi transportul de mărfuri. Agentul A este responsabil pentru furnizarea bunurilor, iar agentul B este responsabil pentru furnizarea serviciilor de transport. În interacțiunea inițială, atât agentul A, cât și agentul B pot adopta strategii de comportament aleatoriu pentru a finaliza sarcina, cum ar fi selectarea aleatorie a rutelor de transport sau a metodelor de transport.
Pe măsură ce interacțiunea continuă, Agentul A și Agentul B pot învăța date din istoria interacțiunii prin abilități de învățare și pot ajusta în mod autonom strategiile comportamentale în funcție de rezultatele învățării. De exemplu, Agentul A poate învăța informații precum furnizarea de bunuri și costurile de transport prin învățarea abilităților și apoi poate selecta independent strategia de cooperare optimă pe baza cererii curente de bunuri și a prețurilor pieței. Agentul B poate afla, de asemenea, informații precum eficiența și costul rutelor de transport și metodelor de transport prin învățarea abilităților, astfel încât să selecteze în mod independent strategia optimă de transport pe baza condițiilor actuale de trafic și a prețurilor la energie.
Pe măsură ce interacțiunea continuă și rezultatele învățării sunt actualizate continuu, Agentul A și Agentul B își pot optimiza treptat strategiile comportamentale, realizând astfel interacțiuni economice mai eficiente, mai inteligente și mai durabile. Acest proces de auto-învățare poate fi repetat și optimizat continuu pentru a obține beneficii economice și valoare socială mai bune.
Trebuie remarcat faptul că funcția de învățare autonomă necesită ca agentul să aibă suficientă putere de calcul și resurse de date pentru a obține rezultate bune de învățare. Prin urmare, în aplicațiile practice, este necesar să se selecteze abilitățile de învățare adecvate și alocarea resurselor pe baza situației reale și a nevoilor agentului pentru a obține cel mai bun efect de învățare.
Agentul economic autonom (AEA) de bază al Fetch.ai atinge obiectivele de inteligență, autonomie și descentralizare în interacțiunea economică. Avantajul său constă în integrarea profundă a inteligenței artificiale și a tehnologiei blockchain, precum și în realizarea proiectării agenților economici autonomi Acești agenți AEA pot învăța în mod autonom, pot lua decizii și interacționa liber într-un mediu descentralizat, îmbunătățind eficiența și eficiența interacțiunii economice. . Grad de inteligență. În plus, mecanismul de învățare în grup (Colearn) al Fetch.AI încurajează agenții să participe activ și să îmbunătățească performanța întregului sistem prin partajarea datelor și modelelor.
Cu toate acestea, Fetch.AI are și unele provocări. În primul rând, funcția sa de învățare autonomă necesită putere mare de calcul și resurse de date, ceea ce poate limita aplicarea sa în medii cu resurse limitate. În al doilea rând, arhitectura și funcțiile tehnice ale Fetch.AI sunt relativ complexe, necesitând praguri tehnice mai mari și costuri de învățare, care pot avea un impact asupra aplicării sale largi.
Rezumat
Privind spre viitor, Fetch.AI are încă perspective strălucitoare. Pe măsură ce tehnologia continuă să se dezvolte, poate introduce mai multe tehnologii AI și blockchain pentru a îmbunătăți performanța și eficiența și pentru a satisface mai multe scenarii și nevoi de aplicații. În același timp, pe măsură ce protecția vieții private și securitatea datelor sunt din ce în ce mai apreciate, funcțiile de descentralizare și securitate ale Fetch.AI pot primi mai multă atenție și aplicații. În ciuda unor provocări, inovația și potențialul Fetch.AI în domeniile AI și blockchain sunt încă demne de atenția și explorarea noastră.
Referinte:
[1] Fetch.AI Documentația pentru dezvoltatori
[2] Melanie Mitchell: AI 3.0
[3] Alexey Potapov: sunt necesare funcții de bază Atomese
Disclaimer: Acest articol este doar pentru referință de cercetare și nu constituie nici un sfat sau recomandare de investiții. Mecanismul proiectului introdus în acest articol reprezintă doar opiniile personale ale autorului și nu are niciun interes față de autor sau această platformă. Investițiile în blockchain și monedele digitale sunt supuse unor riscuri de piață extrem de ridicate, riscuri de politică, riscuri tehnice și alți factori incerti. Prețul jetoanelor pe piața secundară fluctuează violent. Autorul acestui articol sau al acestei platforme nu este responsabil pentru pierderile cauzate de investitori care utilizează informațiile furnizate în acest articol.