Fetch.ai est un projet logiciel open source visant à créer une infrastructure pour développer des applications modernes, décentralisées et peer-to-peer (P2P). Fetch.ai exploite l'intelligence artificielle et la technologie d'automatisation pour fournir une variété d'outils et de cadres permettant de créer et de connecter des agents intelligents afin d'effectuer des tâches complexes dans l'économie numérique. Un agent intelligent est un code logiciel autonome qui peut agir au nom d'un humain, d'une organisation ou d'une machine. Le réseau de Fetch.ai est un protocole inter-chaînes basé sur Cosmos-SDK, qui peut implémenter une cryptographie avancée et une logique d'apprentissage automatique sur la chaîne. Fetch.ai possède également sa propre crypto-monnaie, appelée FET, avec un tirage actuel de 746 millions et une offre maximale de 1,153 milliard.
En tant qu'entreprise technologique combinant profondément la technologie de la blockchain et de l'intelligence artificielle, Fetch.AI vise à construire une économie intelligente décentralisée et à atteindre des objectifs distribués en combinant les technologies de l'intelligence artificielle, de la blockchain et de l'Internet des objets. L'objectif de l'entreprise est de fournir aux entreprises et aux consommateurs une nouvelle façon d'interagir économiquement, permettant des transactions plus efficaces, plus sûres et plus intelligentes.
Grâce à l'architecture hautement intelligente et ouverte d'AI+blockchain, Fetch.AI propose un large éventail de scénarios d'application, notamment la logistique, la chaîne d'approvisionnement, la finance, l'énergie, le médical et d'autres domaines. L'architecture technique de Fetch.AI se compose principalement de deux parties : la chaîne principale Fetch.AI et l'agent intelligent Fetch.AI. La chaîne principale Fetch.AI est un grand livre distribué basé sur la technologie blockchain, utilisé pour enregistrer les transactions et les contrats intelligents et garantir la sécurité et la fiabilité des transactions. L'agent intelligent Fetch.AI est un contrat intelligent doté de capacités d'intelligence artificielle qui peuvent effectuer des tâches de manière autonome, coordonner des ressources et interagir avec d'autres agents intelligents pour réaliser des interactions économiques automatisées, intelligentes et décentralisées.
Cet article ne s'étendra pas trop sur la chaîne principale. Nous nous concentrerons sur le démantèlement de l'architecture d'agent autonome (AEA) et des mécanismes d'apprentissage de groupe (Colearn) pour montrer comment l'IA participe au processus d'exploitation et d'application des données du système blockchain.
Laissez les nœuds du réseau se gérer eux-mêmes : architecture d'agent économique autonome (AEA)
Sur le réseau Fetch.ai, les individus ou entreprises possédant des données sont représentés par leurs agents, qui communiquent avec les agents des individus ou entreprises recherchant les données. L'agence fonctionne sur le cadre économique ouvert (OEF). Cela agit comme un mécanisme de recherche et de découverte dans lequel les agents représentant les sources de données peuvent annoncer les données auxquelles ils ont accès. De même, une personne ou une entreprise à la recherche de données peut utiliser OEF pour rechercher des agents ayant accès aux données en question.
L'architecture AEA de Fetch.AI est une architecture d'agents intelligents distribués utilisée pour créer des réseaux d'agents intelligents autonomes et collaboratifs. AEA signifie Autonomous Economic Agent. Son idée principale est de combiner l’intelligence artificielle et la technologie blockchain pour construire une économie intelligente décentralisée et réaliser une interaction économique intelligente, autonome et décentralisée.
Les composants centraux de l'architecture AEA comprennent principalement les quatre modules suivants :
Agent AEA : l'agent AEA est un agent intelligent autonome et programmable doté de la capacité de prise de décision autonome, de collaboration autonome et d'apprentissage autonome. Il constitue le composant central de l'AEA et représente une entité indépendante dotée de la capacité de décider et d'agir de manière autonome. Chaque agent AEA possède sa propre adresse de portefeuille, sa propre identité et son contrat intelligent, et peut interagir et coopérer avec d'autres agents.
Communication AEA (Connexion) : La communication AEA est un protocole de communication point à point basé sur la technologie blockchain, utilisé pour réaliser la transmission d'informations et l'interaction entre les agents. La communication AEA assure la sécurité et la fiabilité des interactions. L'AEA de Fetch.AI prend en charge plusieurs méthodes de connexion, notamment les connexions WebSocket et HTTP.
Compétence AEA (Skill) : la compétence AEA est un module enfichable utilisé pour étendre les fonctions et les capacités de l'agent AEA. Chaque compétence comprend un contrat intelligent et un package Python qui implémente les fonctionnalités spécifiques de l'agent, telles que le traitement du langage naturel, l'apprentissage automatique, la prise de décision, etc. Les compétences peuvent contenir plusieurs protocoles et modèles afin que les agents puissent comprendre et répondre aux demandes des autres agents.
Protocole AEA : Le protocole AEA est un mécanisme de collaboration utilisé pour réaliser la collaboration et l'interaction entre les agents. Le protocole AEA définit le format du message, le processus protocolaire et les règles d'interaction entre les agents pour réaliser un travail collaboratif entre les agents. Les protocoles sont les règles et lignes directrices pour la communication entre les agents. Le protocole définit la manière dont les agents doivent échanger des informations, répondre aux demandes et gérer les erreurs. L'AEA de Fetch.AI prend en charge plusieurs protocoles, y compris le propre langage de communication d'agent (ACL) et les protocoles HTTP de Fetch.AI.
Imaginez qu'une entreprise recherche des données pour former un modèle prédictif. Lorsque l'agent de l'entreprise se connecte à l'agent représentant la source de données, il lui demandera des informations sur les termes de l'échange. L'agent travaillant pour le compte du fournisseur de données fournira ensuite les conditions dans lesquelles il est prêt à vendre les données. Les agents vendant l’accès aux données peuvent rechercher le prix le plus élevé possible, tandis que les agents qui achètent l’accès aux données souhaitent payer le prix le plus bas possible. Cependant, l’agence qui vend les données sait que si elle facture un prix trop élevé, elle ratera la vente. En effet, l'agent qui recherche les données n'acceptera pas les conditions et tentera plutôt d'acheter les données auprès d'une autre source sur le Web. Si l'acheteur trouve les conditions acceptables, il paiera à l'agent commercial le prix convenu via une transaction sur le grand livre Fetch.ai. Après réception du paiement, l'agent vendant les données enverra les données cryptées sur le réseau Fetch.ai.
Outre la configuration initiale, l'ensemble du processus est entièrement automatisé et effectué par l'agent Fetch.ai. Cela signifie que les employés de l'entreprise sont capables de travailler sans interruption, tandis que les modèles prédictifs accumulent des données anonymisées pertinentes. En acquérant ces données, les entreprises qui achètent des informations sont en mesure de former plus efficacement leurs modèles, qui peuvent ensuite être utilisés pour faire des prédictions plus précises. De telles prévisions peuvent être utilisées dans n’importe quelle industrie.
Le cœur de la création de nœuds intelligents : module de compétences AEA et mécanisme d'apprentissage de groupe (Colearn)
Parmi les quatre modules ci-dessus, le plus important est le module de compétences AEA, qui est un module clé pour rendre les nœuds intelligents. La compétence AEA est un module enfichable utilisé pour réaliser la fonction d'apprentissage autonome de groupe des agents. Chaque compétence d'apprentissage comprend un contrat intelligent et un package Python pour mettre en œuvre différents types de tâches d'apprentissage, telles que l'apprentissage par renforcement, l'apprentissage supervisé, l'apprentissage non supervisé, etc. Lorsqu’un agent a besoin d’apprendre, il peut choisir les compétences d’apprentissage qui lui conviennent et sauvegarder les résultats d’apprentissage dans son propre état. Les agents peuvent ajuster de manière autonome leurs comportements et leurs stratégies en fonction des résultats d’apprentissage, permettant ainsi des interactions économiques plus intelligentes, plus efficaces et plus durables.
Le principe d’apprentissage collectif de Fetch.AI comprend les étapes suivantes :
Partage de données : différents agents collectent leurs propres données et les téléchargent dans une base de données partagée dans le réseau blockchain. Ces données peuvent être des données de capteurs, des données textuelles, des données d'images, etc. Tous les agents participant à l'apprentissage collectif peuvent accéder aux données de la base de données partagée et utiliser ces données pour la formation.
Formation du modèle : l'agent utilise les données d'une base de données partagée pour la formation du modèle. Les modèles peuvent être des modèles d’apprentissage automatique, des modèles d’apprentissage profond ou d’autres types d’algorithmes. Les agents peuvent être formés à l’aide de différents modèles pour apprendre différentes tâches ou problèmes.
Sélection du modèle : une fois la formation du modèle terminée, l'agent télécharge son modèle sur le réseau blockchain. Tous les agents participant à l’apprentissage collectif peuvent accéder à ces modèles et choisir celui qui leur convient en fonction de leurs besoins. Le processus de sélection peut être basé sur des facteurs tels que les performances de l'agent, les exigences des tâches, les contraintes de ressources, etc.
Intégration du modèle : une fois qu'un modèle est sélectionné, les agents peuvent l'intégrer à leurs propres compétences pour mieux accomplir leurs tâches. Les compétences peuvent être des modules qui gèrent des types de tâches spécifiques, telles que le trading de cryptomonnaies, la gestion logistique, etc. Les agents peuvent utiliser plusieurs compétences et modèles pour le traitement des tâches.
Mécanisme de récompense : dans le processus d'apprentissage collectif, les agents peuvent recevoir des récompenses en apportant leurs propres données et modèles. Les récompenses peuvent être distribuées en fonction de facteurs tels que les performances de l'agent, la contribution, l'efficacité de l'utilisation des ressources, etc. Le mécanisme de récompense peut encourager les agents à participer activement à l’apprentissage collectif et à améliorer les performances de l’ensemble du système.
Supposons que deux agents A et B doivent coopérer pour accomplir une tâche, comme transporter des marchandises. L'agent A est responsable de la fourniture des marchandises et l'agent B est responsable de la fourniture des services de transport. Lors de l'interaction initiale, l'agent A et l'agent B peuvent adopter des stratégies de comportement aléatoires pour accomplir la tâche, telles que la sélection aléatoire d'itinéraires ou de méthodes de transport.
Au fur et à mesure que l'interaction se déroule, l'agent A et l'agent B peuvent apprendre les données de l'historique de l'interaction grâce à leurs compétences d'apprentissage et ajuster de manière autonome leurs stratégies comportementales en fonction des résultats de l'apprentissage. Par exemple, l'agent A peut acquérir des informations telles que l'offre de biens et les coûts de transport grâce à l'apprentissage de compétences, puis sélectionner indépendamment la stratégie de coopération optimale en fonction de la demande actuelle de biens et des prix du marché. L'agent B peut également acquérir des informations telles que l'efficacité et le coût des itinéraires et des méthodes de transport grâce à l'apprentissage de compétences, de manière à sélectionner de manière indépendante la stratégie de transport optimale en fonction des conditions de circulation actuelles et des prix de l'énergie.
Au fur et à mesure que l'interaction se poursuit et que les résultats d'apprentissage sont continuellement mis à jour, l'agent A et l'agent B peuvent progressivement optimiser leurs stratégies comportementales, réalisant ainsi des interactions économiques plus efficaces, plus intelligentes et plus durables. Ce processus d’auto-apprentissage peut être continuellement répété et optimisé pour obtenir de meilleurs avantages économiques et une meilleure valeur sociale.
Il convient de noter que la fonction d’apprentissage autonome nécessite que l’agent dispose d’une puissance de calcul et de ressources de données suffisantes pour obtenir de bons résultats d’apprentissage. Par conséquent, dans les applications pratiques, il est nécessaire de sélectionner les compétences d'apprentissage et l'allocation des ressources appropriées en fonction de la situation réelle et des besoins de l'agent pour obtenir le meilleur effet d'apprentissage.
Le principal agent économique autonome (AEA) de Fetch.ai atteint les objectifs d’intelligence, d’autonomie et de décentralisation dans l’interaction économique. Son avantage réside dans l'intégration profonde de l'intelligence artificielle et de la technologie blockchain, et dans la réalisation de la conception d'agents économiques autonomes. Ces agents AEA peuvent apprendre de manière autonome, prendre des décisions et interagir librement dans un environnement décentralisé, améliorant ainsi l'efficacité et l'efficience de l'interaction économique. . Degré d'intelligence. De plus, le mécanisme d'apprentissage de groupe (Colearn) de Fetch.AI encourage les agents à participer activement et à améliorer les performances de l'ensemble du système en partageant des données et des modèles.
Cependant, Fetch.AI présente également certains défis. Premièrement, sa fonction d’apprentissage autonome nécessite une puissance de calcul et des ressources de données élevées, ce qui peut limiter son application dans des environnements aux ressources limitées. Deuxièmement, l’architecture technique et les fonctions de Fetch.AI sont relativement complexes et nécessitent des seuils techniques et des coûts d’apprentissage plus élevés, ce qui peut avoir un impact sur sa large application.
Résumé
En ce qui concerne l’avenir, Fetch.AI a encore de larges perspectives. À mesure que la technologie continue de se développer, elle pourrait introduire davantage de technologies d’IA et de blockchain pour améliorer les performances et l’efficacité et répondre à davantage de scénarios et de besoins d’application. Dans le même temps, à mesure que la protection de la vie privée et la sécurité des données font l'objet d'une attention croissante, les fonctionnalités de décentralisation et de sécurité de Fetch.AI pourraient recevoir davantage d'attention et d'applications. Malgré certains défis, l’innovation et le potentiel de Fetch.AI dans les domaines de l’IA et de la blockchain méritent toujours notre attention et notre exploration.
les références:
[1] Documentation pour les développeurs Fetch.AI
[2] Mélanie Mitchell : IA 3.0
[3] Alexey Potapov : Fonctionnalités Atomese de base requises
Avertissement : cet article est uniquement destiné à la référence de recherche et ne constitue aucun conseil ou recommandation en investissement. Le mécanisme de projet présenté dans cet article ne représente que les opinions personnelles de l'auteur et n'a aucun intérêt pour l'auteur ou cette plateforme. Les investissements en blockchain et en monnaie numérique sont soumis à des risques de marché, des risques politiques, des risques techniques et d'autres facteurs incertains extrêmement élevés. Le prix des jetons sur le marché secondaire fluctue violemment. Les investisseurs doivent prendre des décisions prudentes et supporter les risques d'investissement de manière indépendante. L'auteur de cet article ou de cette plateforme n'est pas responsable des pertes causées par les investisseurs en raison de l'utilisation des informations fournies dans cet article.