OPML: نموذج جديد لتعلم الآلة يعتمد على أسلوب التفاؤل

OPML(تعلم الآلة المتفائل) هي تقنية ناشئة تهدف إلى تطبيق الأساليب المتفائلة على استنتاج وتدريب/تعديل نماذج الذكاء الاصطناعي في أنظمة البلوكشين. مقارنةً بـ ZKML، تتمتع OPML بميزة انخفاض التكلفة وارتفاع الكفاءة، مما يمكنها من تشغيل نماذج اللغة الكبيرة مثل نموذج 7B-LLaMA( بحجم حوالي 26GB) على أجهزة الكمبيوتر العادية.

يستخدم OPML آلية التحقق من الألعاب لضمان اللامركزية وقابلية التحقق من خدمات ML. تتمثل العملية الأساسية كما يلي:

1. يقوم الطالب ببدء مهمة خدمة ML
2. الخادم يكمل المهمة ويقدم النتائج على السلسلة
3. يتحقق المدققون من النتائج، وإذا كانت هناك اعتراضات، يتم بدء لعبة التحكيم.
4. التحكيم خطوة بخطوة من خلال العقود الذكية

! OPML: التعلم الآلي مع مجموعة متفائلة

لعبة التحقق من مرحلة واحدة

العناصر الأساسية لمخطط OPML أحادي المرحلة تشمل:

• بناء آلة افتراضية للتنفيذ خارج السلسلة والتحكيم داخل السلسلة (VM)
• تنفيذ مكتبة DNN خفيفة الوزن مخصصة، لتحسين كفاءة استنتاج نموذج الذكاء الاصطناعي
• استخدام تقنية التجميع المتقاطع لترجمة كود استدلال نموذج الذكاء الاصطناعي إلى تعليمات VM
• استخدام شجرة ميركل لإدارة صور VM، فقط تحميل تجزئة الجذر إلى السلسلة

تحديد خطوات النزاع من خلال بروتوكول ثنائي وإرسالها إلى عقد التحكيم على السلسلة. تشير الاختبارات الأولية إلى أنه يمكن إكمال استدلال نموذج الذكاء الاصطناعي الأساسي في غضون ثانيتين على جهاز كمبيوتر عادي، وتستغرق عملية التحدي بأكملها حوالي دقيقتين.

! OPML: التعلم الآلي مع نظام التجميع المتفائل

لعبة التحقق متعددة المراحل

لتجاوز قيود طريقة المرحلة الواحدة، قدمت OPML لعبة التحقق متعددة المراحل:

• يتم الحساب في VM فقط في المرحلة الأخيرة، بينما يمكن تنفيذ المراحل الأخرى في البيئة المحلية
• الاستفادة من قدرات تسريع الأجهزة مثل CPU و GPU و TPU
• من خلال تقليل الاعتماد على VM، تم تحسين أداء التنفيذ بشكل ملحوظ

الفكرة الأساسية لـ OPML متعددة المراحل هي تمثيل عملية حساب DNN على أنها رسم بياني حسابي، والتحقق منها في مراحل مختلفة. تتيح هذه الطريقة الاستفادة الكاملة من تسريع الأجهزة، مما يزيد من الكفاءة العامة.

! OPML: التعلم الآلي مع مجموعة متفائلة

تحسين الأداء

تتمتع OPML متعددة المراحل بميزة واضحة مقارنة بالطرق أحادية المرحلة:

• سرعة الحساب تحسنت بمقدار α مرة ( حيث أن α هو نسبة تسريع GPU أو الحساب المتوازي )
• حجم شجرة ميركل انخفض من O(mn) إلى O(m+n)، حيث m هو عدد التعليمات الدقيقة للآلة الافتراضية، و n هو عدد عقد الرسم البياني الحسابي.

هذه التحسينات زادت بشكل كبير من كفاءة النظام وقابليته للتوسع.

! OPML: التعلم الآلي مع مجموعة متفائلة

التوافقية واليقين

لضمان اتساق نتائج ML، اعتمدت OPML الاستراتيجيات التالية:

1. استخدام خوارزمية ثابتة ( تقنية التكميم ) لتقليل تأثير خطأ الفاصلة العائمة
2. استخدام مكتبة النقطة العائمة المعتمدة على البرمجيات لضمان الاتساق عبر الأنظمة الأساسية

هذه الطرق حلت بشكل فعال مشكلة اختلاف الحسابات العائمة على منصات الأجهزة المختلفة، مما عزز موثوقية حسابات OPML.

! OPML: التعلم الآلي مع نظام التجميع المتفائل

بشكل عام، يوفر OPML حلاً فعالاً ومنخفض التكلفة لاستنتاج وتدريب نماذج الذكاء الاصطناعي في أنظمة blockchain. على الرغم من أن التركيز الرئيسي حاليًا هو على استنتاج النماذج، إلا أن هذه الإطار يدعم أيضًا عملية التدريب، ومن المتوقع أن يصبح حلاً شاملاً لمهام التعلم الآلي المختلفة.