Fetch.ai es un proyecto de software de código abierto destinado a construir infraestructura para desarrollar aplicaciones modernas, descentralizadas y peer-to-peer (P2P). Fetch.ai aprovecha la inteligencia artificial y la tecnología de automatización para proporcionar una variedad de herramientas y marcos para crear y conectar agentes inteligentes para realizar tareas complejas en la economía digital. Un agente inteligente es un código de software autónomo que puede actuar en nombre de un ser humano, una organización o una máquina. La red de Fetch.ai es un protocolo de cadena cruzada basado en Cosmos-SDK, que puede implementar criptografía avanzada y lógica de aprendizaje automático en la cadena. Fetch.ai también tiene su propia criptomoneda, llamada FET, con una circulación actual de 746 millones y un suministro máximo de 1.153 millones.
Como empresa de tecnología que combina profundamente la tecnología blockchain y la inteligencia artificial, Fetch.AI tiene como objetivo construir una economía inteligente descentralizada y lograr objetivos distribuidos combinando tecnologías de inteligencia artificial, blockchain e Internet de las cosas. El objetivo de la empresa es proporcionar a las empresas y a los consumidores una nueva forma de interactuar económicamente, permitiendo transacciones más eficientes, seguras e inteligentes.
Gracias a la arquitectura abierta y altamente inteligente de AI+blockchain, Fetch.AI tiene una amplia gama de escenarios de aplicaciones, que incluyen logística, cadena de suministro, finanzas, energía, medicina y otros campos. La arquitectura técnica de Fetch.AI consta principalmente de dos partes: la cadena principal de Fetch.AI y el agente inteligente de Fetch.AI. La cadena principal Fetch.AI es un libro de contabilidad distribuido basado en la tecnología blockchain, que se utiliza para registrar transacciones y contratos inteligentes y garantizar la seguridad y confiabilidad de las transacciones. El agente inteligente Fetch.AI es un contrato inteligente con capacidades de inteligencia artificial que puede realizar tareas de forma autónoma, coordinar recursos e interactuar con otros agentes inteligentes para lograr interacciones económicas automatizadas, inteligentes y descentralizadas.
Este artículo no profundizará demasiado en la cadena principal. Nos centraremos en desmantelar la arquitectura de agente autónomo (AEA) y los mecanismos de aprendizaje grupal (Colearn) para mostrar cómo la IA participa en el proceso de operación y aplicación de datos del sistema blockchain.
Deje que los nodos de la red se gestionen solos: Arquitectura de agente económico autónomo (AEA)
En la red Fetch.ai, las personas o empresas que poseen datos están representadas por sus agentes, quienes se comunican con los agentes de las personas o empresas que buscan los datos. La agencia opera según el Marco Económico Abierto (OEF). Esto actúa como un mecanismo de búsqueda y descubrimiento donde los agentes que representan fuentes de datos pueden anunciar los datos a los que tienen acceso. Asimismo, una persona o empresa que busque datos puede utilizar OEF para buscar agentes que tengan acceso a los datos en cuestión.
La arquitectura AEA de Fetch.AI es una arquitectura de agente inteligente distribuida que se utiliza para construir redes de agentes inteligentes autónomas y colaborativas. AEA significa Agente Económico Autónomo. Su idea central es combinar inteligencia artificial y tecnología blockchain para construir una economía inteligente descentralizada y lograr una interacción económica inteligente, autónoma y descentralizada.
Los componentes principales de la arquitectura AEA incluyen principalmente los siguientes cuatro módulos:
Agente AEA: El agente AEA es un agente inteligente autónomo y programable con capacidad de toma de decisiones autónoma, colaboración autónoma y aprendizaje autónomo. Es el componente central de AEA y representa una entidad independiente con capacidad para decidir y actuar de forma autónoma. Cada agente de la AEA tiene su propia dirección de billetera, identidad y contrato inteligente, y puede interactuar y cooperar con otros agentes.
Comunicación AEA (Conexión): La comunicación AEA es un protocolo de comunicación punto a punto basado en la tecnología blockchain, que se utiliza para realizar la transmisión de información y la interacción entre agentes. La comunicación AEA garantiza la seguridad y confiabilidad de las interacciones. AEA de Fetch.AI admite múltiples métodos de conexión, incluidas conexiones WebSocket y HTTP.
Habilidad AEA (Habilidad): La habilidad AEA es un módulo conectable que se utiliza para ampliar las funciones y capacidades del agente AEA. Cada habilidad incluye un contrato inteligente y un paquete Python que implementa la funcionalidad específica del agente, como procesamiento de lenguaje natural, aprendizaje automático, toma de decisiones, etc. Las habilidades pueden contener múltiples protocolos y modelos para que los agentes puedan comprender y responder a las solicitudes de otros agentes.
Protocolo AEA: El protocolo AEA es un mecanismo de colaboración utilizado para lograr la colaboración e interacción entre agentes. El protocolo AEA define el formato del mensaje, el proceso del protocolo y las reglas de interacción entre agentes para lograr un trabajo colaborativo entre agentes. Los protocolos son las reglas y pautas para la comunicación entre agentes. El protocolo define cómo los agentes deben intercambiar información, responder a solicitudes y manejar errores. AEA de Fetch.AI admite múltiples protocolos, incluido el lenguaje de comunicación del agente (ACL) y los protocolos HTTP propios de Fetch.AI.
Imagine que una empresa busca datos para entrenar un modelo predictivo. Cuando el agente de la empresa se conecta con el agente que representa la fuente de datos, le pedirá información sobre los términos comerciales. El agente que trabaja en nombre del proveedor de datos proporcionará los términos bajo los cuales está dispuesto a vender los datos. Los agentes que venden acceso a datos pueden buscar el precio más alto posible, mientras que los agentes que compran acceso a datos quieren pagar el precio más bajo posible. Sin embargo, la agencia que vende los datos sabe que si cobra un precio demasiado alto, perderá la venta. Esto se debe a que el agente que busca los datos no aceptará los términos y, en cambio, intentará comprar los datos de otra fuente en la web. Si el agente de compras considera que los términos son aceptables, le pagará al agente de ventas el precio acordado mediante una transacción en el libro mayor de Fetch.ai. Después de recibir el pago, el agente que vende los datos enviará los datos cifrados a través de la red Fetch.ai.
Aparte de la configuración inicial, todo el proceso está completamente automatizado y lo realiza el agente Fetch.ai. Esto significa que los empleados de la empresa pueden trabajar sin interrupciones, mientras que los modelos predictivos acumulan datos anonimizados relevantes. Al adquirir los datos, las empresas que compran información pueden entrenar sus modelos de manera más eficiente, que luego pueden usarse para hacer predicciones más precisas. Estos pronósticos se pueden utilizar en cualquier industria.
El núcleo de hacer que los nodos sean inteligentes: módulo de habilidades AEA y mecanismo de aprendizaje grupal (Colearn)
Entre los cuatro módulos anteriores, el más importante es el módulo de habilidades AEA, que es un módulo clave para hacer que los nodos sean inteligentes. La habilidad AEA es un módulo conectable que se utiliza para realizar la función de aprendizaje autónomo grupal de los agentes. Cada habilidad de aprendizaje incluye un contrato inteligente y un paquete Python para implementar diferentes tipos de tareas de aprendizaje, como aprendizaje por refuerzo, aprendizaje supervisado, aprendizaje no supervisado, etc. Cuando un agente necesita aprender, puede elegir las habilidades de aprendizaje que más le convengan y guardar los resultados del aprendizaje en su propio estado. Los agentes pueden ajustar de forma autónoma sus comportamientos y estrategias en función de los resultados del aprendizaje, lo que permite interacciones económicas más inteligentes, más eficientes y más sostenibles.
El principio de aprendizaje colectivo de Fetch.AI incluye los siguientes pasos:
Intercambio de datos: diferentes agentes recopilan sus propios datos y los cargan en una base de datos compartida en la red blockchain. Estos datos pueden ser datos de sensores, datos de texto, datos de imágenes, etc. Todos los agentes que participan en el aprendizaje colectivo pueden acceder a los datos de la base de datos compartida y utilizarlos para la formación.
Entrenamiento de modelos: el agente utiliza datos de una base de datos compartida para el entrenamiento de modelos. Los modelos pueden ser modelos de aprendizaje automático, modelos de aprendizaje profundo u otros tipos de algoritmos. Los agentes pueden capacitarse utilizando diferentes modelos para aprender diferentes tareas o problemas.
Selección del modelo: una vez completada la capacitación del modelo, el agente carga su modelo en la red blockchain. Todos los agentes que participan en el aprendizaje colectivo pueden acceder a estos modelos y elegir el que más les convenga en función de sus necesidades. El proceso de selección puede basarse en factores como el desempeño del agente, los requisitos de la tarea, las limitaciones de recursos, etc.
Integración del modelo: una vez seleccionado un modelo, los agentes pueden integrarlo con sus propias habilidades para completar mejor sus tareas. Las habilidades pueden ser módulos que manejan tipos específicos de tareas, como el comercio de criptomonedas, la gestión logística, etc. Los agentes pueden utilizar múltiples habilidades y modelos para el procesamiento de tareas.
Mecanismo de recompensa: en el proceso de aprendizaje colectivo, los agentes pueden recibir recompensas aportando sus propios datos y modelos. Las recompensas se pueden distribuir en función de factores como el desempeño del agente, la contribución, la eficiencia en la utilización de recursos, etc. El mecanismo de recompensa puede alentar a los agentes a participar activamente en el aprendizaje colectivo y mejorar el rendimiento de todo el sistema.
Supongamos que hay dos agentes A y B que necesitan cooperar para completar una tarea, como transportar mercancías. El agente A es responsable de proporcionar los bienes y el agente B es responsable de proporcionar los servicios de transporte. En la interacción inicial, tanto el agente A como el agente B pueden adoptar estrategias de comportamiento aleatorias para completar la tarea, como seleccionar rutas o métodos de transporte al azar.
A medida que avanza la interacción, el Agente A y el Agente B pueden aprender datos del historial de interacción a través de habilidades de aprendizaje y ajustar de forma autónoma estrategias de comportamiento en función de los resultados del aprendizaje. Por ejemplo, el Agente A puede aprender información como la oferta de bienes y los costos de transporte a través del aprendizaje de habilidades, y luego seleccionar de forma independiente la estrategia de cooperación óptima en función de la demanda actual de bienes y los precios del mercado. El Agente B también puede aprender información como la eficiencia y el costo de las rutas de transporte y los métodos de transporte a través del aprendizaje de habilidades, para seleccionar de forma independiente la estrategia de transporte óptima en función de las condiciones actuales del tráfico y los precios de la energía.
A medida que la interacción continúa y los resultados del aprendizaje se actualizan continuamente, el Agente A y el Agente B pueden optimizar gradualmente sus estrategias de comportamiento, logrando así interacciones económicas más eficientes, inteligentes y sostenibles. Este proceso de autoaprendizaje se puede repetir y optimizar continuamente para lograr mejores beneficios económicos y valor social.
Cabe señalar que la función de aprendizaje autónomo requiere que el agente tenga suficiente potencia informática y recursos de datos para lograr buenos resultados de aprendizaje. Por lo tanto, en aplicaciones prácticas, es necesario seleccionar las habilidades de aprendizaje y la asignación de recursos adecuadas en función de la situación real y las necesidades del agente para lograr el mejor efecto de aprendizaje.
El Agente Económico Autónomo (AEA) central de Fetch.ai logra los objetivos de inteligencia, autonomía y descentralización en la interacción económica. Su ventaja radica en la profunda integración de la inteligencia artificial y la tecnología blockchain, y la realización del diseño de agentes económicos autónomos. Estos agentes AEA pueden aprender, tomar decisiones e interactuar de forma autónoma en un entorno descentralizado, mejorando la eficiencia y la eficiencia de la interacción económica. Grado de inteligencia. Además, el mecanismo de aprendizaje grupal (Colearn) de Fetch.AI alienta a los agentes a participar activamente y mejorar el rendimiento de todo el sistema compartiendo datos y modelos.
Sin embargo, Fetch.AI también enfrenta algunos desafíos. En primer lugar, su función de aprendizaje autónomo requiere una gran potencia informática y recursos de datos, lo que puede limitar su aplicación en entornos con recursos limitados. En segundo lugar, la arquitectura técnica y las funciones de Fetch.AI son relativamente complejas y requieren umbrales técnicos y costos de aprendizaje más altos, lo que puede tener un impacto en su amplia aplicación.
Resumen
De cara al futuro, Fetch.AI todavía tiene amplias perspectivas. A medida que la tecnología continúa desarrollándose, es posible que se introduzcan más tecnologías de IA y blockchain para mejorar el rendimiento y la eficiencia y satisfacer más escenarios y necesidades de aplicaciones. Al mismo tiempo, a medida que la protección de la privacidad y la seguridad de los datos reciben cada vez más atención, las funciones de seguridad y descentralización de Fetch.AI pueden recibir más atención y aplicaciones. A pesar de algunos desafíos, la innovación y el potencial de Fetch.AI en los campos de la IA y la cadena de bloques todavía merecen nuestra atención y exploración.
referencias:
[1] Documentación para desarrolladores de Fetch.AI
[2] Melanie Mitchell: IA 3.0
[3] Alexey Potapov: Características básicas de Atomese requeridas
Descargo de responsabilidad: este artículo es únicamente para referencia de investigación y no constituye ningún consejo o recomendación de inversión. El mecanismo del proyecto presentado en este artículo solo representa las opiniones personales del autor y no tiene ningún interés en el autor ni en esta plataforma. Las inversiones en blockchain y monedas digitales están sujetas a riesgos de mercado extremadamente altos, riesgos políticos, riesgos técnicos y otros factores inciertos. El precio de los tokens en el mercado secundario fluctúa violentamente. Los inversores deben tomar decisiones prudentes y asumir los riesgos de inversión de forma independiente. El autor de este artículo o esta plataforma no es responsable de las pérdidas causadas por los inversores que utilicen la información proporcionada en este artículo.