Fetch.ai adalah proyek perangkat lunak sumber terbuka yang bertujuan membangun infrastruktur untuk mengembangkan aplikasi modern, terdesentralisasi, dan peer-to-peer (P2P). Fetch.ai memanfaatkan kecerdasan buatan dan teknologi otomasi untuk menyediakan berbagai alat dan kerangka kerja guna menciptakan dan menghubungkan agen cerdas untuk melakukan tugas-tugas kompleks dalam ekonomi digital. Agen cerdas adalah kode perangkat lunak otonom yang dapat bertindak atas nama manusia, organisasi, atau mesin. Jaringan Fetch.ai adalah protokol lintas rantai berdasarkan Cosmos-SDK, yang dapat mengimplementasikan kriptografi tingkat lanjut dan logika pembelajaran mesin pada rantai tersebut. Fetch.ai juga memiliki cryptocurrency sendiri yang disebut FET dengan sirkulasi saat ini 746 juta dan pasokan maksimum 1,153 miliar.
Sebagai perusahaan teknologi yang menggabungkan teknologi blockchain dan kecerdasan buatan secara mendalam, Fetch.AI bertujuan untuk membangun ekonomi pintar yang terdesentralisasi untuk mencapai tujuan terdistribusi dengan menggabungkan teknologi kecerdasan buatan, blockchain, dan IoT. Tujuan perusahaan ini adalah untuk menyediakan cara yang benar-benar baru bagi para pelaku bisnis dan konsumen untuk melakukan interaksi ekonomi, memungkinkan transaksi yang lebih efisien, aman, dan cerdas.
Berkat kecerdasan tinggi dan arsitektur terbuka AI+blockchain, Fetch.AI memiliki berbagai skenario aplikasi, termasuk logistik, rantai pasokan, keuangan, energi, perawatan medis, dan banyak bidang lainnya. Arsitektur teknis Fetch.AI terutama terdiri dari dua bagian: rantai utama Fetch.AI dan agen cerdas Fetch.AI. Rantai utama Fetch.AI adalah buku besar terdistribusi berdasarkan teknologi blockchain yang digunakan untuk mencatat transaksi dan kontrak pintar serta memastikan keamanan dan keandalan transaksi. Agen cerdas Fetch.AI adalah kontrak cerdas dengan kemampuan kecerdasan buatan yang dapat secara mandiri menjalankan tugas, mengoordinasikan sumber daya, dan berinteraksi dengan agen cerdas lainnya, sehingga mencapai interaksi ekonomi yang otomatis, cerdas, dan terdesentralisasi.
Artikel ini tidak akan membahas terlalu detail tentang rantai utama. Kami akan fokus pada Autonomous Agent Architecture (AEA) dan mekanisme Colearn untuk menunjukkan bagaimana AI berpartisipasi dalam operasi dan aplikasi data sistem blockchain.
Biarkan node jaringan mengelola dirinya sendiri: Arsitektur Agen Ekonomi Otonom (AEA)
Di jaringan Fetch.ai, orang atau perusahaan yang memiliki data diwakili oleh agen mereka, yang terhubung dengan agen orang atau perusahaan yang mencari data. Badan ini beroperasi pada Kerangka Ekonomi Terbuka (OEF). Ini bertindak sebagai mekanisme pencarian dan penemuan di mana agen yang mewakili sumber data dapat mengiklankan data yang dapat mereka akses. Demikian pula, individu atau perusahaan yang mencari data dapat menggunakan OEF untuk mencari agen yang memiliki akses ke data relevan.
Arsitektur AEA Fetch.AI adalah arsitektur agen cerdas terdistribusi yang digunakan untuk membangun jaringan agen cerdas yang otonom dan kolaboratif. AEA adalah singkatan dari Autonomous Economic Agent. Gagasan intinya adalah menggabungkan kecerdasan buatan dan teknologi blockchain untuk membangun ekonomi pintar yang terdesentralisasi dan mewujudkan interaksi ekonomi yang cerdas, otonom, dan terdesentralisasi.
Komponen inti arsitektur AEA terutama mencakup empat modul berikut:
AEA Agent: AEA Agent adalah agen cerdas yang dapat diprogram dan bersifat otonom dengan kemampuan untuk membuat keputusan, berkolaborasi, dan belajar secara mandiri. Agen ini merupakan komponen inti AEA dan merupakan entitas independen dengan kemampuan untuk membuat keputusan dan bertindak secara mandiri. Setiap agen AEA memiliki alamat dompet, identitas, dan kontrak pintar sendiri, dan dapat berinteraksi dan bekerja sama dengan agen lain.
Komunikasi AEA (Koneksi): Komunikasi AEA adalah protokol komunikasi peer-to-peer berdasarkan teknologi blockchain, yang digunakan untuk mewujudkan transmisi informasi dan interaksi antar agen. Komunikasi AEA dapat memastikan keamanan dan keandalan interaksi. AEA Fetch.AI mendukung beberapa metode koneksi, termasuk koneksi WebSocket dan HTTP.
Keterampilan AEA: Keterampilan AEA adalah modul yang dapat dipasang yang digunakan untuk memperluas fungsi dan kemampuan agen AEA. Setiap keterampilan terdiri dari kontrak pintar dan paket Python yang mengimplementasikan fungsionalitas spesifik agen, seperti pemrosesan bahasa alami, pembelajaran mesin, pengambilan keputusan, dll. Keterampilan dapat berisi beberapa protokol dan model sehingga agen dapat memahami dan menanggapi permintaan dari agen lain.
Protokol AEA: Protokol AEA adalah mekanisme kolaborasi yang digunakan untuk mencapai kolaborasi dan interaksi antar agen. Protokol AEA mendefinisikan format pesan, alur protokol, dan aturan interaksi antara agen, sehingga tercapai kerja kolaboratif antara agen. Protokol adalah aturan dan pedoman untuk komunikasi antar agen. Protokol tersebut mendefinisikan bagaimana agen harus bertukar informasi, menanggapi permintaan, dan menangani kesalahan. AEA Fetch.AI mendukung beberapa protokol, termasuk Bahasa Komunikasi Agen (ACL) milik Fetch.AI sendiri dan protokol HTTP.
Bayangkan sebuah perusahaan sedang mencari data untuk melatih model prediktif. Saat agen perusahaan terhubung ke broker yang mewakili sumber data, agen akan meminta informasi tentang ketentuan perdagangan. Agen yang bekerja atas nama penyedia data kemudian akan menawarkan persyaratan yang menjadi dasar penjualan data tersebut. Agen yang menjual akses ke data mungkin meminta harga setinggi mungkin, sementara agen yang membeli akses ke data ingin membayar harga serendah mungkin. Akan tetapi, lembaga yang menjual data tersebut tahu bahwa jika mereka mengenakan harga terlalu tinggi, mereka akan kehilangan kesepakatan. Hal ini karena agen yang mencari data tidak akan menerima ketentuan ini dan malah akan mencoba membeli data dari sumber lain di web. Jika agen pembelian merasa persyaratannya dapat diterima, maka ia akan membayar agen penjualan sesuai harga yang disepakati melalui transaksi di buku besar Fetch.ai. Setelah pembayaran diterima, agen yang menjual data akan mengirimkan data terenkripsi melalui jaringan Fetch.ai.
Selain pengaturan awal, seluruh proses sepenuhnya otomatis dan dilakukan oleh agen Fetch.ai. Ini berarti karyawan perusahaan dapat bekerja tanpa gangguan, sementara model prediktif dapat mengumpulkan data yang relevan dan anonim. Dengan mendapatkan akses ke data, perusahaan yang membeli informasi tersebut dapat melatih modelnya dengan lebih efisien, yang kemudian dapat digunakan untuk membuat prediksi yang lebih akurat. Prakiraan semacam itu dapat digunakan dalam industri apa pun.
Inti dari pembuatan node cerdas: modul keterampilan AEA dan mekanisme pembelajaran kelompok (Colearn)
Di antara keempat modul di atas, yang paling penting adalah modul keterampilan AEA, yang merupakan modul kunci yang menjadikan node cerdas. Keterampilan AEA adalah modul yang dapat dipasang yang digunakan untuk mengimplementasikan kemampuan pembelajaran otonom kelompok agen. Setiap keterampilan pembelajaran terdiri dari kontrak pintar dan paket Python untuk mengimplementasikan berbagai jenis tugas pembelajaran, seperti pembelajaran penguatan, pembelajaran terawasi, pembelajaran tanpa pengawasan, dll. Saat agen perlu belajar, ia dapat memilih keterampilan belajar yang cocok untuknya dan menyimpan hasil pembelajaran dalam statusnya sendiri. Agen dapat secara mandiri menyesuaikan perilaku dan strategi mereka berdasarkan hasil pembelajaran, yang mengarah pada interaksi ekonomi yang lebih cerdas, lebih efisien, dan lebih berkelanjutan.
Prinsip pembelajaran kolektif Fetch.AI mencakup langkah-langkah berikut:
Berbagi Data: Agen yang berbeda mengumpulkan data mereka sendiri dan mengunggahnya ke basis data bersama di jaringan blockchain. Data ini dapat berupa data sensor, data teks, data gambar, dll. Semua agen yang berpartisipasi dalam pembelajaran kolektif dapat mengakses data dalam basis data bersama dan menggunakan data ini untuk pelatihan.
Pelatihan model: Agen menggunakan data dalam basis data bersama untuk melatih model. Modelnya dapat berupa model pembelajaran mesin, model pembelajaran mendalam, atau jenis algoritma lainnya. Agen dapat dilatih menggunakan model yang berbeda untuk mempelajari tugas atau masalah yang berbeda.
Pemilihan model: Setelah pelatihan model selesai, agen mengunggah modelnya ke jaringan blockchain. Semua agen yang berpartisipasi dalam pembelajaran kolektif dapat mengakses model ini dan memilih model yang sesuai dengan kebutuhan mereka. Proses pemilihan dapat didasarkan pada faktor-faktor seperti kinerja agen, persyaratan tugas, keterbatasan sumber daya, dll.
Integrasi model: Setelah model dipilih, agen dapat mengintegrasikannya dengan keahliannya sendiri untuk menyelesaikan tugasnya dengan lebih baik. Keterampilan dapat berupa modul yang menangani jenis tugas tertentu, seperti perdagangan mata uang kripto, manajemen logistik, dll. Agen dapat menggunakan berbagai keterampilan dan model untuk melakukan tugas.
Mekanisme penghargaan: Selama proses pembelajaran kolektif, agen dapat memperoleh penghargaan dengan menyumbangkan data dan model mereka sendiri. Hadiah dapat didistribusikan berdasarkan faktor-faktor seperti kinerja agen, kontribusi, dan efisiensi pemanfaatan sumber daya. Mekanisme penghargaan dapat mendorong agen untuk berpartisipasi aktif dalam pembelajaran kolektif dan meningkatkan kinerja keseluruhan sistem.
Misalkan ada dua agen A dan B, dan mereka perlu bekerja sama untuk menyelesaikan suatu tugas, seperti mengangkut barang. Agen A bertanggung jawab menyediakan barang, dan Agen B bertanggung jawab menyediakan layanan transportasi. Dalam interaksi awal, baik agen A maupun agen B dapat mengadopsi strategi perilaku acak untuk menyelesaikan tugas, seperti memilih rute transportasi atau moda transportasi secara acak.
Saat interaksi berlangsung, Agen A dan Agen B dapat mempelajari data riwayat interaksi melalui keterampilan pembelajaran dan secara mandiri menyesuaikan strategi perilaku mereka berdasarkan hasil pembelajaran. Misalnya, agen A dapat mempelajari informasi seperti biaya pasokan dan transportasi barang melalui keterampilan belajar, dan dengan demikian secara mandiri memilih strategi kerja sama yang optimal berdasarkan permintaan barang dan harga pasar saat ini. Agen B juga dapat mempelajari informasi seperti efisiensi dan biaya rute transportasi dan moda transportasi melalui keterampilan belajar, sehingga dapat secara mandiri memilih strategi transportasi yang optimal berdasarkan kondisi lalu lintas saat ini dan harga energi.
Saat interaksi berlanjut dan hasil pembelajaran terus diperbarui, Agen A dan Agen B secara bertahap dapat mengoptimalkan strategi perilaku mereka, sehingga mencapai interaksi ekonomi yang lebih efisien, lebih cerdas, dan lebih berkelanjutan. Proses pembelajaran otonom ini dapat terus diulang dan dioptimalkan untuk mencapai manfaat ekonomi dan nilai sosial yang lebih baik.
Perlu dicatat bahwa fungsi pembelajaran otonom mengharuskan agen memiliki daya komputasi dan sumber daya data yang cukup untuk mencapai hasil pembelajaran yang baik. Oleh karena itu, dalam aplikasi praktis, perlu untuk memilih keterampilan belajar dan konfigurasi sumber daya yang tepat sesuai dengan situasi dan kebutuhan agen yang sebenarnya untuk mencapai efek pembelajaran terbaik.
Agen Ekonomi Otonom (AEA) inti Fetch.ai mencapai tujuan kecerdasan, otonomi, dan desentralisasi dalam interaksi ekonomi. Keunggulannya terletak pada integrasi mendalam kecerdasan buatan dan teknologi blockchain, serta desain agen ekonomi otonom. Agen AEA ini dapat belajar, membuat keputusan, dan berinteraksi secara bebas dalam lingkungan yang terdesentralisasi, sehingga meningkatkan efisiensi dan kecerdasan interaksi ekonomi. Selain itu, mekanisme colearn Fetch.AI mendorong agen untuk berpartisipasi aktif dan meningkatkan kinerja seluruh sistem dengan berbagi data dan model.
Namun, Fetch.AI juga memiliki beberapa tantangan. Pertama, fungsi pembelajaran otonomnya memiliki persyaratan tinggi pada daya komputasi dan sumber daya data, yang dapat membatasi penerapannya di lingkungan dengan sumber daya terbatas. Kedua, arsitektur teknis dan fungsi Fetch.AI relatif kompleks, memerlukan hambatan teknis dan biaya pembelajaran yang lebih tinggi, yang dapat memengaruhi penerapannya secara luas.
Ringkasan
Melihat ke masa depan, Fetch.AI masih memiliki prospek cerah. Seiring terus berkembangnya teknologi, mungkin akan diperkenalkan lebih banyak teknologi AI dan blockchain untuk meningkatkan kinerja dan efisiensi serta memenuhi lebih banyak skenario dan kebutuhan aplikasi. Pada saat yang sama, karena perlindungan privasi dan keamanan data semakin mendapat perhatian, fitur-fitur Fetch.AI yang terdesentralisasi dan aman mungkin akan menerima lebih banyak perhatian dan penerapan. Meskipun menghadapi beberapa tantangan, inovasi dan potensi Fetch.AI di bidang AI dan blockchain masih layak untuk kita perhatikan dan eksplorasi.
Referensi:
[1] Dokumentasi Pengembang Fetch.AI
[2] Melanie Mitchell: AI 3.0
[3] Alexey Potapov: Fitur Dasar Atomese diperlukan
Penafian: Artikel ini hanya untuk referensi penelitian dan bukan merupakan saran atau rekomendasi investasi. Mekanisme proyek yang diperkenalkan dalam artikel ini hanya mewakili pandangan pribadi penulis dan tidak memiliki kepentingan pribadi apa pun terhadap penulis atau platform ini. Investasi blockchain dan mata uang digital melibatkan risiko pasar, risiko kebijakan, risiko teknis, dan ketidakpastian lainnya yang sangat tinggi. Harga token di pasar sekunder berfluktuasi secara dramatis. Investor harus membuat keputusan dengan hati-hati dan menanggung risiko investasi secara mandiri. Penulis artikel ini atau platform ini tidak bertanggung jawab atas kerugian apa pun yang dialami investor karena penggunaan informasi yang disediakan dalam artikel ini.