Fetch.ai — это проект программного обеспечения с открытым исходным кодом, направленный на создание инфраструктуры для разработки современных децентрализованных и одноранговых (P2P) приложений. Fetch.ai использует технологии искусственного интеллекта и автоматизации, предоставляя разнообразные инструменты и платформы для создания и подключения интеллектуальных агентов для выполнения сложных задач в цифровой экономике. Интеллектуальный агент — это автономный программный код, который может действовать от имени человека, организации или машины. Сеть Fetch.ai представляет собой межсетевой протокол, основанный на Cosmos-SDK, который может реализовывать в цепочке расширенную криптографию и логику машинного обучения. Fetch.ai также имеет собственную криптовалюту под названием FET с текущим тиражом 746 миллионов и максимальным количеством 1,153 миллиарда.
Как технологическая компания, глубоко сочетающая технологии блокчейна и искусственного интеллекта, Fetch.AI стремится построить децентрализованную интеллектуальную экономику и достичь распределенных целей путем объединения технологий искусственного интеллекта, блокчейна и Интернета вещей. Цель компании — предоставить предприятиям и потребителям новый способ экономического взаимодействия, обеспечивающий более эффективные, безопасные и разумные транзакции.
Благодаря высокоинтеллектуальной и открытой архитектуре блокчейна AI+, Fetch.AI имеет широкий спектр сценариев применения, включая логистику, цепочки поставок, финансы, энергетику, медицину и другие области. Техническая архитектура Fetch.AI в основном состоит из двух частей: основной цепочки Fetch.AI и интеллектуального агента Fetch.AI. Основная цепочка Fetch.AI — это распределенный реестр, основанный на технологии блокчейна, используемый для записи транзакций и смарт-контрактов, а также обеспечения безопасности и надежности транзакций. Смарт-агент Fetch.AI — это смарт-контракт с возможностями искусственного интеллекта, который может автономно выполнять задачи, координировать ресурсы и взаимодействовать с другими интеллектуальными агентами для достижения автоматизированного, интеллектуального и децентрализованного экономического взаимодействия.
В этой статье не будет слишком подробно рассказывать об основной цепочке. Мы сосредоточимся на разборе архитектуры автономного агента (AEA) и механизмов группового обучения (Colearn), чтобы показать, как ИИ участвует в работе и процессе применения данных системы блокчейн.
Пусть сетевые узлы управляют сами собой: архитектура автономного экономического агента (AEA)
В сети Fetch.ai частные лица или компании, обладающие данными, представлены их агентами, которые общаются с агентами отдельных лиц или компаний, ищущих данные. Агентство работает на основе Открытой экономической структуры (OEF). Это действует как механизм поиска и обнаружения, где агенты, представляющие источники данных, могут рекламировать данные, к которым у них есть доступ. Аналогично, человек или компания, ищущие данные, могут использовать OEF для поиска агентов, имеющих доступ к рассматриваемым данным.
Архитектура AEA Fetch.AI — это распределенная архитектура интеллектуальных агентов, используемая для построения автономных и совместных сетей интеллектуальных агентов. AEA означает «Автономный экономический агент». Его основная идея — объединить искусственный интеллект и технологию блокчейна для построения децентрализованной интеллектуальной экономики и достижения интеллектуального, автономного и децентрализованного экономического взаимодействия.
Основные компоненты архитектуры AEA в основном включают следующие четыре модуля:
Агент AEA: Агент AEA — это автономный программируемый интеллектуальный агент, обладающий способностью автономного принятия решений, автономного сотрудничества и автономного обучения. Он является основным компонентом AEA и представляет собой независимую сущность, способную самостоятельно принимать решения и действовать. Каждый агент AEA имеет свой собственный адрес кошелька, личность и смарт-контракт и может взаимодействовать и сотрудничать с другими агентами.
Связь AEA (Соединение): Связь AEA — это протокол связи «точка-точка», основанный на технологии блокчейна, используемый для реализации передачи информации и взаимодействия между агентами. Связь AEA обеспечивает безопасность и надежность взаимодействия. AEA Fetch.AI поддерживает несколько методов подключения, включая соединения WebSocket и HTTP.
Навык AEA (Навык): Навык AEA — это подключаемый модуль, используемый для расширения функций и возможностей агента AEA. Каждый навык включает в себя смарт-контракт и пакет Python, который реализует определенные функции агента, такие как обработка естественного языка, машинное обучение, принятие решений и т. д. Навыки могут содержать несколько протоколов и моделей, чтобы агенты могли понимать запросы других агентов и отвечать на них.
Протокол AEA: Протокол AEA — это механизм сотрудничества, используемый для обеспечения сотрудничества и взаимодействия между агентами. Протокол AEA определяет формат сообщения, процесс протокола и правила взаимодействия между агентами для обеспечения совместной работы между агентами. Протоколы — это правила и рекомендации для общения между агентами. Протокол определяет, как агенты должны обмениваться информацией, отвечать на запросы и обрабатывать ошибки. AEA Fetch.AI поддерживает несколько протоколов, включая собственный язык связи агентов (ACL) Fetch.AI и протоколы HTTP.
Представьте, что компания ищет данные для обучения прогнозной модели. Когда агент компании подключается к агенту, представляющему источник данных, он запрашивает у него информацию об условиях торговли. Затем агент, работающий от имени поставщика данных, предоставит условия, на которых он готов продать данные. Агенты, продающие доступ к данным, могут стремиться к максимально высокой цене, в то время как агенты, покупающие доступ к данным, хотят платить минимально возможную цену. Однако агентство, продающее данные, знает, что, если оно назначит слишком высокую цену, оно упустит продажу. Это связано с тем, что агент, ищущий данные, не примет условия и вместо этого попытается приобрести данные из другого источника в Интернете. Если агент по закупкам сочтет условия приемлемыми, он заплатит агенту по продажам согласованную цену посредством транзакции в реестре Fetch.ai. После получения оплаты агент, продающий данные, отправит зашифрованные данные через сеть Fetch.ai.
За исключением первоначальной настройки, весь процесс полностью автоматизирован и выполняется агентом Fetch.ai. Это означает, что сотрудники компании могут работать без перерывов, а прогностические модели накапливают актуальные обезличенные данные. Получая данные, компании, покупающие информацию, могут более эффективно обучать свои модели, которые затем можно использовать для более точных прогнозов. Такие прогнозы можно использовать в любой отрасли.
Основа создания умных узлов: модуль навыков AEA и механизм группового обучения (Colearn).
Среди четырех вышеперечисленных модулей наиболее важным является модуль навыков AEA, который является ключевым модулем для создания интеллектуальных узлов. Навык AEA — это подключаемый модуль, используемый для реализации функции группового автономного обучения агентов. Каждый навык обучения включает в себя смарт-контракт и пакет Python для реализации различных типов учебных задач, таких как обучение с подкреплением, обучение с учителем, обучение без учителя и т. д. Когда агенту необходимо обучиться, он может выбрать подходящие ему навыки обучения и сохранить результаты обучения в своем собственном состоянии. Агенты могут автономно корректировать свое поведение и стратегии на основе результатов обучения, обеспечивая более разумное, эффективное и устойчивое экономическое взаимодействие.
Принцип коллективного обучения Fetch.AI включает в себя следующие шаги:
Обмен данными: разные агенты собирают свои собственные данные и загружают их в общую базу данных в сети блокчейн. Этими данными могут быть данные датчиков, текстовые данные, данные изображения и т. д. Все агенты, участвующие в коллективном обучении, могут получить доступ к данным в общей базе данных и использовать эти данные для обучения.
Обучение модели: агент использует данные из общей базы данных для обучения модели. Модели могут представлять собой модели машинного обучения, модели глубокого обучения или другие типы алгоритмов. Агентов можно обучать с использованием разных моделей для изучения различных задач или проблем.
Выбор модели: после завершения обучения модели агент загружает свою модель в сеть блокчейна. Все агенты, участвующие в коллективном обучении, могут получить доступ к этим моделям и выбрать ту, которая им подходит, исходя из их потребностей. Процесс выбора может основываться на таких факторах, как производительность агента, требования к задаче, ограничения ресурсов и т. д.
Интеграция модели: после выбора модели агенты могут интегрировать ее со своими навыками, чтобы лучше выполнять свои задачи. Навыки могут представлять собой модули, которые решают конкретные типы задач, например, торговлю криптовалютой, управление логистикой и т. д. Агенты могут использовать несколько навыков и моделей для обработки задач.
Механизм вознаграждения: в процессе коллективного обучения агенты могут получать вознаграждение, предоставляя свои собственные данные и модели. Вознаграждения могут распределяться на основе таких факторов, как производительность агента, вклад, эффективность использования ресурсов и т. д. Механизм вознаграждения может стимулировать агентов к активному участию в коллективном обучении и повышению производительности всей системы.
Предположим, есть два агента A и B, которым необходимо сотрудничать для выполнения задачи, например транспортировки товаров. Агент А отвечает за предоставление товаров, а агент Б отвечает за предоставление транспортных услуг. При начальном взаимодействии и агент А, и агент Б могут применять случайные стратегии поведения для выполнения задачи, например, случайный выбор транспортных маршрутов или методов транспортировки.
По мере взаимодействия агент A и агент B могут изучать данные истории взаимодействия посредством навыков обучения и автономно корректировать поведенческие стратегии на основе результатов обучения. Например, агент А может узнать такую информацию, как поставки товаров и транспортные расходы, посредством обучения навыкам, а затем самостоятельно выбрать оптимальную стратегию сотрудничества, исходя из текущего спроса на товары и рыночных цен. Агент Б также может изучать такую информацию, как эффективность и стоимость транспортных маршрутов и методов транспортировки, посредством обучения навыкам, чтобы самостоятельно выбирать оптимальную транспортную стратегию на основе текущих условий движения и цен на энергию.
По мере продолжения взаимодействия и постоянного обновления результатов обучения агент А и агент Б могут постепенно оптимизировать свои поведенческие стратегии, тем самым достигая более эффективных, разумных и устойчивых экономических взаимодействий. Этот процесс самообучения можно постоянно повторять и оптимизировать для достижения большей экономической выгоды и социальной ценности.
Следует отметить, что функция автономного обучения требует от агента достаточной вычислительной мощности и ресурсов данных для достижения хороших результатов обучения. Следовательно, в практических приложениях для достижения наилучшего эффекта обучения необходимо выбирать соответствующие навыки обучения и распределение ресурсов на основе фактической ситуации и потребностей агента.
Основной автономный экономический агент (AEA) Fetch.ai достигает целей интеллекта, автономии и децентрализации в экономическом взаимодействии. Его преимущество заключается в глубокой интеграции искусственного интеллекта и технологии блокчейн, а также в реализации конструкции автономных экономических агентов. Эти агенты AEA могут автономно учиться, принимать решения и свободно взаимодействовать в децентрализованной среде, повышая эффективность и результативность экономического взаимодействия. . Степень интеллекта. Кроме того, механизм группового обучения Fetch.AI (Colearn) побуждает агентов активно участвовать и повышать производительность всей системы путем обмена данными и моделями.
Однако у Fetch.AI есть и некоторые проблемы. Во-первых, его функция автономного обучения требует высокой вычислительной мощности и ресурсов данных, что может ограничить его применение в средах с ограниченными ресурсами. Во-вторых, техническая архитектура и функции Fetch.AI относительно сложны, требуют более высоких технических порогов и затрат на обучение, что может повлиять на его широкое применение.
Краткое содержание
Заглядывая в будущее, у Fetch.AI по-прежнему хорошие перспективы. По мере того, как технологии продолжают развиваться, они могут внедрять больше технологий искусственного интеллекта и блокчейна для повышения производительности и эффективности и удовлетворения большего количества сценариев и потребностей приложений. В то же время, поскольку защите конфиденциальности и безопасности данных уделяется все больше внимания, функции децентрализации и безопасности Fetch.AI могут получить больше внимания и приложений. Несмотря на некоторые проблемы, инновации и потенциал Fetch.AI в области искусственного интеллекта и блокчейна по-прежнему заслуживают нашего внимания и изучения.
Ссылки:
[1] Документация для разработчиков Fetch.AI
[2] Мелани Митчелл: ИИ 3.0
[3] Алексей Потапов: Требуются базовые функции Atomese
Отказ от ответственности: эта статья предназначена только для исследовательских целей и не представляет собой каких-либо инвестиционных советов или рекомендаций. Механизм проекта, представленный в этой статье, отражает только личное мнение автора и не имеет никакого интереса к автору или этой платформе. Инвестиции в блокчейн и цифровую валюту подвержены чрезвычайно высоким рыночным рискам, политическим рискам, техническим рискам и другим неопределенным факторам. Цена токенов на вторичном рынке сильно колеблется. Инвесторы должны принимать разумные решения и нести инвестиционные риски самостоятельно. Автор этой статьи или этой платформы не несет ответственности за любые убытки, причиненные инвесторами, использующими информацию, представленную в этой статье.