¿Cómo aprovechar la tecnología blockchain para hacer que los modelos de aprendizaje automático sean más accesibles?

El aprendizaje automático está tan extendido hoy en día que lo utilizamos una docena de veces al día sin siquiera darnos cuenta. El aprendizaje automático implica hacer que las computadoras aprendan, piensen y actúen por sí solas sin la intervención humana. Como lo describe Google, “el aprendizaje automático es el futuro”. Con un número cada vez mayor de personas que se vuelven adictas a sus máquinas, el futuro del aprendizaje automático parece muy prometedor. De hecho, somos testigos de una nueva revolución que se está apoderando del mundo debido a su inmenso potencial.

¿Qué es el aprendizaje automático?

El aprendizaje automático, una aplicación de la inteligencia artificial, se centra en el desarrollo de programas informáticos que puedan acceder a datos y aprender por sí solos. Se trata de proporcionar a los ordenadores la capacidad de aprender sin ser programados explícitamente. Su premisa básica es construir algoritmos que puedan recibir datos de entrada y hacer uso del análisis estadístico para predecir y actualizar los resultados. Se pueden analizar cantidades masivas de datos a través del aprendizaje automático. El aprendizaje automático es un subconjunto de la inteligencia artificial que utiliza algoritmos para ayudar a los ordenadores a tomar decisiones basadas en datos.

Entendiendo la cadena de bloques

Una cadena de bloques es una base de datos distribuida que se comparte en una red de computadoras. Es un libro de contabilidad público descentralizado que consta de una cadena de bloques. Los bloques se componen de piezas digitales de información que almacenan detalles sobre transacciones como fecha, hora y dinero involucrado en cualquier compra reciente. La cadena de bloques es una creación de Satoshi Nakamoto. Es una serie de registros de datos inmutables (a prueba de manipulaciones) con sello de tiempo que son administrados por un grupo de computadoras que no son administradas por una sola entidad. Los bloques de una cadena de bloques están conectados mediante principios criptográficos. Una cadena de bloques es altamente transparente ya que todo lo que se construye en la cadena de bloques puede ser visto por todos, y cada participante de la red es responsable de sus acciones. Los tres pilares de la tecnología de la cadena de bloques son la descentralización, la inmutabilidad y la transparencia.

¿Por qué Blockchain para modelos de aprendizaje automático?

• Proporciona a los participantes un alto nivel de confianza y seguridad.

• Ayuda a ejecutar de manera confiable un sistema basado en incentivos, lo que alienta a los participantes a contribuir con datos. Esto ayudará a mejorar el rendimiento del modelo.

• Blockchain ayuda a integrar modelos públicos en contratos inteligentes para garantizar que se cumplan los términos previamente acordados.

• Los modelos se pueden actualizar en cadena (en un entorno de cadena de bloques con una pequeña tarifa de transacción) y fuera de la cadena (localmente en el dispositivo de una persona, sin costos de transacción).

• Es posible calcular de forma fiable las buenas contribuciones a los datos y entregar recompensas.

• Como los contratos inteligentes son a prueba de manipulaciones y son evaluados por muchas máquinas, los modelos no se desviarán de su promesa y harán exactamente lo que se supone que deben hacer.

• Los pagos se pueden procesar con confianza en una cadena de bloques.

• Las cadenas de bloques como Ethereum ofrecen miles de máquinas descentralizadas en todo el mundo. Esto garantiza a los usuarios que tendrán un contrato inteligente y que nunca estarán completamente fuera de servicio ni se desconectarán.

El uso de blockchain para hacer más accesibles los modelos de aprendizaje automático

1. Mecanismos de incentivos

La tecnología blockchain permite compartir fácilmente los parámetros de los modelos en evolución. La información recién creada, como nuevas imágenes, nuevas palabras y nuevos títulos de películas, puede ayudar a actualizar los modelos existentes, que se alojan independientemente de la capacidad de una organización o de una persona específica para actualizar y alojar el modelo por sí misma. El rendimiento del modelo se puede mantener alentando a las personas a contribuir con nuevos datos. Los mecanismos de incentivos utilizados para esto son:

a.) Gamificación: en este caso, los contribuyentes pueden ganar puntos e insignias, mientras que otros validan sus contribuciones. Esto depende únicamente de la voluntad de los contribuyentes de contribuir a un bien común, que es la mejora del modelo.

b.) Predicción basada en el mercado: los colaboradores reciben una recompensa cuando su contribución marca una diferencia positiva en el rendimiento del modelo cuando se evalúa utilizando un conjunto de pruebas específico. Esta propuesta se basa en trabajos existentes que utilizan marcos de predicción basados ​​en el mercado para entrenar y evaluar modelos de manera colaborativa.

Las tres fases del incentivo predictivo basado en el mercado son:

• Fase de compromiso: en esta fase, un proveedor apuesta una recompensa que se otorgará a los contribuyentes. Luego, comparte una parte suficiente del conjunto de pruebas para demostrar que es válido.

• Fase de participación: Para cubrir la posibilidad de que sus datos sean incorrectos, los participantes envían muestras de datos de entrenamiento junto con un pequeño depósito de fondos.

• Fase de recompensa : en esta fase, el proveedor revela el resto del conjunto de pruebas, que luego se valida mediante un contrato inteligente con la prueba proporcionada en la fase de compromiso.

c.) Autoevaluación continua

Los participantes se validan y se pagan entre sí en caso de que aporten datos de calidad. Para ello, ya se ha entrenado un modelo existente y se han implementado los datos. Un colaborador que desee actualizar el modelo envía datos con etiquetas, características y un depósito. Después de un tiempo predeterminado, el colaborador recuperará su depósito si el modelo actual sigue estando de acuerdo con la clasificación. Si se valida un dato como "Bueno", el colaborador obtiene el punto. Si un dato añadido no se valida como "Bueno", el depósito de ese colaborador se divide y se distribuye entre aquellos que han ganado puntos por sus buenas contribuciones. La contribución maliciosa de datos incorrectos se puede disuadir con un sistema de recompensas de este tipo.

2. Implementación y actualización de modelos

En función del coste computacional de la red blockchain, es necesario pagar una tarifa única de implementación para alojar un modelo en una blockchain pública. A partir de este punto, cualquiera que contribuya con datos para entrenar un modelo tendrá que pagar al menos unos pocos centavos, y eso debería ser proporcional a la cantidad de cálculo que se realiza. Microsoft planea configurar un modelo Perceptron que sea capaz de clasificar sentimientos. Costaría USD0.25 actualizar el modelo en Ethereum. Microsoft planea ampliar su marco, lo que implicaría que la mayoría de los contribuyentes no necesitan pagar esta tarifa. Por ejemplo, un tercero puede enviar los datos y pagar la tarifa en su nombre, o los contribuyentes pueden recibir un reembolso durante la etapa de recompensa. Microsoft usa Perceptron para usar modelos que son muy eficientes para entrenar. Esto ayuda a reducir los costos computacionales. Los modelos más complicados se pueden integrar con llamadas API desde el contrato inteligente a los servicios de aprendizaje automático. Pero en un entorno ideal, los modelos se mantienen públicos en un contrato inteligente. Estos modelos también se pueden usar para representaciones de alta dimensión que se calculan fuera de la cadena.

Conclusión

Aunque los modelos de aprendizaje automático existen desde hace décadas, han alcanzado un nuevo estatus y popularidad debido a la creciente importancia de la inteligencia artificial (IA). El aprendizaje automático ocupa un lugar destacado entre los ámbitos más competitivos de la tecnología empresarial, ya que los principales proveedores, como IBM, Google, Amazon, Microsoft y muchos otros, compiten por conseguir clientes para servicios de plataforma que cubran un amplio espectro de actividades de aprendizaje automático, como la recopilación de datos, la preparación de datos, la capacitación y la implementación de aplicaciones, y la creación de modelos. Los modelos de IA y aprendizaje automático están altamente optimizados para realizar tareas especializadas. En lo que respecta al aprendizaje automático y al campo de las ciencias de datos, la coexistencia es la clave para un futuro de sistemas de máquinas avanzados. Sin duda, nos beneficiaremos de los inmensos beneficios que estas máquinas brindarán a la humanidad.