OPML: Yeni Bir Blok Zinciri Makine Öğrenimi Çözümü
OPML(Optimistik Makine Öğrenimi), yeni önerilen bir blok zinciri sistemi AI model çıkarım ve eğitim yöntemidir. ZKML ile karşılaştırıldığında, OPML daha düşük maliyet ve daha yüksek verimlilikte makine öğrenimi hizmetleri sunabilir. OPML'nin donanım gereksinimleri oldukça düşüktür, sıradan bir PC, 7B-LLaMA( gibi büyük dil modellerini GPU olmadan çalıştırabilir, yaklaşık 26GB).
OPML, makine öğrenimi hizmetlerinin merkeziyetsizliğini ve doğrulanabilir konsensüsünü sağlamak için doğrulama oyun mekanizmasını kullanır. Temel süreç şudur:
Talep eden ML hizmet görevini başlatır.
Sunucu görevi tamamlar ve sonucu zincire gönderir.
Doğrulayıcıların doğrulama sonuçları, itiraz olması durumunda doğrulama oyunu başlatılır.
İkili protokol ile hata adımını kesin olarak belirleme
Akıllı sözleşme üzerinde ihtilaf adımlarının tahkimi
OPML'nin tek aşamalı doğrulama oyunu, hesaplama yetkisi (RDoC) yöntemine benzer bir yaklaşım benimseyerek, zincir dışı yürütme ve zincir içi tahkim için sanal makine (VM) oluşturmuştur. AI model çıkarım verimliliğini artırmak için ayrıca özel bir hafif DNN kütüphanesi geliştirilmiş ve ana akım ML çerçevelerinden model dönüştürme betiği sağlanmıştır. Sanal makine imajı, Merkle ağacı ile yönetilmekte olup, yalnızca Merkle kökünü zincir üstü sözleşmeye yüklemektedir.
Ancak, tek aşamalı doğrulama oyunu GPU/TPU hızlandırma ve paralel işleme kullanımını sınırladı. Bu sorunu çözmek için, OPML çok aşamalı protokolü genişletti. Çok aşamalı OPML, yalnızca son aşamada VM'de hesaplama yapar, diğer aşamalar yerel ortamda esnek bir şekilde gerçekleştirilebilir, çeşitli donanım kaynaklarından tam anlamıyla faydalanır ve yürütme performansını önemli ölçüde artırır.
LLaMA modelini örnek alarak, iki aşamalı OPML yöntemini kullanarak:
İkinci aşama, hesaplama grafiği üzerinde doğrulama oyunu gerçekleştirilir, çoklu iş parçacığı CPU veya GPU kullanılabilir.
İlk aşama, tek bir düğüm hesaplamasını VM talimatlarına dönüştürür.
Çok aşamalı OPML, tek aşamalıya kıyasla α katı hesaplama hızlandırması sağlarken, Merkle ağacının boyutu O(mn)'den O(m+n)'e küçülmüştür.
ML sonuçlarının tutarlılığını sağlamak için, OPML sabit nokta algoritması ve yazılıma dayalı kayan nokta kütüphanesi kullanarak farklı platformlardaki kayan nokta hesaplama farklılıklarını çözmüştür.
Genel olarak, OPML, blok zincirindeki makine öğrenimi için verimli, düşük maliyetli ve doğrulanabilir bir yeni çözüm sunmaktadır ve birçok alanda önemli bir rol oynaması beklenmektedir.
View Original
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
6
Share
Comment
0/400
BearMarketSunriser
· 13h ago
Tasarruf etmek yeter.
View OriginalReply0
OnchainUndercover
· 08-03 18:49
Her zaman enayiler insanları enayi yerine koymak için bekliyor.
View OriginalReply0
BuyHighSellLow
· 08-03 18:48
enayiler de onurlu olmalı
View OriginalReply0
StakeHouseDirector
· 08-03 18:47
Yani hala ekran kartı yakmamız mı gerekiyor?
View OriginalReply0
GasFeeNightmare
· 08-03 18:30
Boğa ah, yoksullar artık yiyebiliyor
View OriginalReply0
StablecoinArbitrageur
· 08-03 18:25
*gözlüklerini ayarlıyor* hmm arbitraj potansiyeli: en iyi ihtimalle %0.0043
OPML: Blok Zinciri AI Yeni Çözümü Düşük Maliyet Yüksek Verimlilikle Makine Öğrenimini Gerçekleştirir
OPML: Yeni Bir Blok Zinciri Makine Öğrenimi Çözümü
OPML(Optimistik Makine Öğrenimi), yeni önerilen bir blok zinciri sistemi AI model çıkarım ve eğitim yöntemidir. ZKML ile karşılaştırıldığında, OPML daha düşük maliyet ve daha yüksek verimlilikte makine öğrenimi hizmetleri sunabilir. OPML'nin donanım gereksinimleri oldukça düşüktür, sıradan bir PC, 7B-LLaMA( gibi büyük dil modellerini GPU olmadan çalıştırabilir, yaklaşık 26GB).
OPML, makine öğrenimi hizmetlerinin merkeziyetsizliğini ve doğrulanabilir konsensüsünü sağlamak için doğrulama oyun mekanizmasını kullanır. Temel süreç şudur:
OPML'nin tek aşamalı doğrulama oyunu, hesaplama yetkisi (RDoC) yöntemine benzer bir yaklaşım benimseyerek, zincir dışı yürütme ve zincir içi tahkim için sanal makine (VM) oluşturmuştur. AI model çıkarım verimliliğini artırmak için ayrıca özel bir hafif DNN kütüphanesi geliştirilmiş ve ana akım ML çerçevelerinden model dönüştürme betiği sağlanmıştır. Sanal makine imajı, Merkle ağacı ile yönetilmekte olup, yalnızca Merkle kökünü zincir üstü sözleşmeye yüklemektedir.
Ancak, tek aşamalı doğrulama oyunu GPU/TPU hızlandırma ve paralel işleme kullanımını sınırladı. Bu sorunu çözmek için, OPML çok aşamalı protokolü genişletti. Çok aşamalı OPML, yalnızca son aşamada VM'de hesaplama yapar, diğer aşamalar yerel ortamda esnek bir şekilde gerçekleştirilebilir, çeşitli donanım kaynaklarından tam anlamıyla faydalanır ve yürütme performansını önemli ölçüde artırır.
LLaMA modelini örnek alarak, iki aşamalı OPML yöntemini kullanarak:
Çok aşamalı OPML, tek aşamalıya kıyasla α katı hesaplama hızlandırması sağlarken, Merkle ağacının boyutu O(mn)'den O(m+n)'e küçülmüştür.
ML sonuçlarının tutarlılığını sağlamak için, OPML sabit nokta algoritması ve yazılıma dayalı kayan nokta kütüphanesi kullanarak farklı platformlardaki kayan nokta hesaplama farklılıklarını çözmüştür.
Genel olarak, OPML, blok zincirindeki makine öğrenimi için verimli, düşük maliyetli ve doğrulanabilir bir yeni çözüm sunmaktadır ve birçok alanda önemli bir rol oynaması beklenmektedir.