Flare araştırmasının en son Kağıt yapay zekayı (YZ) blok zinciri ile birleştirerek daha güvenli ve daha doğru bir YZ elde edilmesini sağlayan yeni bir yaklaşım sunuyor.

Konsensüs öğrenme (CL), daha doğru ve sağlam yapay zeka modellerinin geliştirilmesini sağlayarak bir dizi uygulamada işbirliğine dayalı yapay zekayı mümkün kılar. CL, özellikle sağlık veya finans gibi veriye duyarlı sektörlerde YZ entegrasyonu için uygundur, böylece karar verme süreçlerini iyileştirir ve genel operasyonel performansı ve verimliliği artırır, bu da son tüketiciye daha düşük hizmet maliyeti ile sonuçlanabilir. Bu da diğer faydaların yanı sıra önemli ölçüde daha iyi hasta bakım sonuçları, daha doğru finansal analiz veya gelişmiş dolandırıcılık tespiti ile sonuçlanabilir. Blok zinciri aracılığıyla merkezi makine öğrenimine (ML) erişim sağlayan mevcut yapay zeka ve blok zinciri uygulamalarının çoğunun aksine CL, merkezi olmayan yapay zeka modelleri oluşturmak için blok zincirinden yararlanmaktadır.

Motivasyonlar

Son yıllarda, verilerin ve hesaplama kaynaklarının birden fazla cihaza yayıldığı dağıtılmış ortamlara giderek daha fazla önem verilmektedir. Bu değişim, işlenmek üzere önemli miktarda veri talep eden büyük dil modelleri ve bilgisayarla görme modelleri gibi modern temel modellerin gerekliliklerinden kaynaklanmaktadır. Bu dağıtık ama yine de merkezi ortamda, ademi merkeziyetçilik, birkaç temel motivasyon tarafından yönlendirilen temel bir ihtiyaç olarak ortaya çıkmaktadır.

Merkezileştirilmiş yöntemler, tek bir güvenilir tarafa güvenerek, kullanımlarını esas olarak tek bir kurumsal ortamla sınırlayan ve daha geniş çapta benimsenmelerini kısıtlayan doğal riskler sunar. Dahası, bu mimariler yalnızca potansiyel saldırılara veya sistem arızalarına karşı savunmasızlığı artırmakla kalmaz, aynı zamanda veri gizliliği ve güvenliği ile ilgili endişeleri de beraberinde getirir. Buna karşılık, merkezi olmayan yöntemler belirgin bir avantaj sunar: kullanıcıların kendi özel gereksinimlerine ve tercihlerine göre uyarlanmış kişiselleştirilmiş yerel modeller geliştirmelerini sağlarken, merkezi yaklaşımlar genellikle bu tür bir özelleştirme için gereken esneklikten yoksundur. Bu sınırlamaların ortasında, konsensüs öğrenme, merkezileştirme ile ilişkili doğal riskleri azaltırken daha fazla esneklik, gizlilik ve uyarlanabilirlik sunan merkezi olmayan bir makine öğrenimi çözümü olarak ortaya çıkmaktadır.

Uzlaşı ile öğrenmenin faydaları

Mutabakat protokolleri, merkezi olmayan defterlerin güvenliği için gereklidir ve blok zinciri ağlarını kötü niyetli saldırılara karşı korur. Yapay zeka için mutabakat mekanizmalarından yararlanmanın, aralarında aşağıdakileri vurguladığımız birçok faydası vardır:

• Artan performans. CL yöntemleri, topluluğa katkıda bulunanların her birinin verilerinden faydalanarak önyargıları azaltır ve modellerin görülmeyen veriler üzerinde genelleme yapma becerisini geliştirir. CL aynı zamanda merkezi yöntemlere kıyasla daha doğru yapay zekaya yol açabilir, bunun başlıca nedeni blok zincirinin işbirliğini teşvik etme kabiliyetidir, bu da farklı modellerden gelen çeşitli içgörüleri birleştirmede daha büyük bir yeterliliğe yol açar. Bu, her katılımcının komşu modellerin tahminlerini değerlendirdiği ve daha iyi doğruluk için bunları entegre ettiği çoklu yerel toplamalar yoluyla elde edilir. Bu, yapay zekanın blok zinciri entegrasyonundan önemli avantajlar elde edebileceği ilk örneklerden biridir.
• Güvenlik. Gizli hedefler ortaya koymaya çalışan kötü niyetli aktörlerin varlığında, konsensüs mekanizmalarının yerleşik güvenlik özellikleri nedeniyle YZ modellerinin bütünlüğünden ödün verilmez. Bu, YZ sistemlerinin, her ikisi de kötü niyetli YZ'nin ayırt edici özelliği olan kasıtlı zararlı tahminler veya kasıtsız yanlışlıklar üretmekten kaçınmasını sağlar. Sonuç olarak CL, YZ topluluğu içindeki önemli bir endişeyi ele alarak YZ'yi zararlı amaçlar için istismardan korur. İşbirlikçi öğrenme sürecinin bütünlüğünü koruyarak CL, YZ sistemlerine daha fazla güven ve itimat aşılayarak sorumlu ve etik bir şekilde kullanılmalarının önünü açar.
• Veri gizliliği. CL'de ne ağ katılımcılarının temel verileri ne de bireysel modelleri hiçbir noktada paylaşılmaz. Aslında, veriler yerel olarak depolandığından, ağ üzerinde veri gizliliğini tehlikeye atabilecek kötü niyetli saldırılar yoktur. Gizliliğin korunması yalnızca işbirliğini teşvik etmekle kalmaz, aynı zamanda rekabet gücünü de korur. Bu bağlamda CL, özellikle sağlık hizmetleri gibi hassas veya ticari veriler için, merkezi ortamlarda karşılaşılan önceki zorlukların üstesinden gelerek yapay zeka aracılığıyla veri parasallaştırmasına olanak tanır.
• Tam ademi merkeziyetçilik. Veri ve hesaplama kaynakları, tek bir merkezi sunucuya bağlı olmadan iletişim kuran bir katılımcı ağına yayılır. Büyük miktarda kaynak talebi ve ML modellerinin artan karmaşıklığı nedeniyle modern ML uygulamalarında ademi merkeziyetçiliğin gerekliliği belirgin bir şekilde görülmektedir. Merkezi olmayan makine öğrenimi, veri gizliliğini korumak ve güvenliği sağlamak için daha uygun bir çözüm olarak ortaya çıkmaktadır.
• Verimlilik. Öğrenme süreci düşük gecikme süresine sahiptir ve diğer son teknoloji merkezi olmayan ML yöntemlerine kıyasla çok daha az hesaplama süresi, enerji ve kaynak gerektirir. Bu, CL'yi özellikle hızlı karar verme ve verimli kaynak kullanımının çok önemli olduğu gerçek zamanlı uygulamalar için uygun hale getirir.

Nasıl çalışır

Konsensüs öğrenme, katılımcıların anlaşmaya varılana kadar (model) çıktılarını paylaştıkları bir iletişim aşaması aracılığıyla topluluk yöntemlerini geliştirir. CL, aşağıdaki şekilde uygulanabilen iki aşamalı bir süreçtir:

• Bireysel öğrenme aşaması. Her ağ katılımcısı, kendi özel verilerine ve kamuya açık diğer verilere dayanarak kendi modelini geliştirir. Bu, sıfırdan bir model oluşturmaktan, önceden eğitilmiş büyük modelleri kullanmaya ve bunları ihtiyaçlarına göre ince ayar yapmaya kadar değişebilir. En önemlisi, bir katılımcının hiçbir zaman verileri veya modelleri hakkında hassas bilgileri paylaşması gerekmeyecektir. Eğitim tamamlandıktan sonra, katılımcılar bir test veri seti için ilk tahminlerini hazırlayacaktır - bu akıllı bir sözleşme aracılığıyla açıklanan bir veri seti olabilir veya alternatif olarak katılımcılar örneğin bir Proof-of-Stake mekanizması aracılığıyla yeni test veri noktaları önerebilir.
• İletişim aşaması. Katılımcılar ilk tahminlerini bir fikir birliği/dedikodu protokolüne göre ağ içinde iletirler. Bu alışverişler sırasında katılımcılar, diğer ağ katılımcılarının değerlendirmelerini ve kendi tahminlerine olan güveni yansıtmak için tahminlerini sürekli olarak güncellerler. Ayrıca, bir katılımcı ağın geri kalanından aldığı tahminlerin kalitesini izleyebilir ve bunu karar verme sürecini iyileştirmek için kullanabilir. Bu aşamanın sonunda katılımcılar, ağ içinde mevcut bilgiler göz önüne alındığında en uygun olduğu düşünülen karar üzerinde anlaşmaya ("fikir birliği") varırlar. Bu aşama daha sonra yeni veri girdileri için tekrarlanır.

Şekil başlığı: İkili sınıflandırma görevi için CL'nin nasıl çalıştığına dair bir örnek. (a) İlk aşamada, katılımcılar kendi verilerine ve muhtemelen diğer katılımcılar tarafından gönüllü olarak paylaşılan diğer verilere dayanarak kendi modellerini geliştirirler. Bu aşamanın sonunda, her model test veri kümesinin tüm girdileri için bir başlangıç tahmini (içi boş dairelerle temsil edilir) belirler. (b) İletişim aşamasında, katılımcılar ilk tahminlerini paylaşır ve günceller, sonunda tek bir çıktı üzerinde fikir birliğine varırlar (içi dolu dairelerle temsil edilir). Bu aşama yeni veri girdileri için tekrarlanır.

Açıkçası, yukarıda açıklanan algoritma, denetimli bir makine öğrenimi senaryosuna atıfta bulunur - özellikle, bu, eğitim veri kümelerinin zaten etiketlendiği ve algoritmanın yeni, görülmemiş, test verilerinin etiketleri için tahminler yaptığı bir ortamdır. Ancak CL, katılımcıların yalnızca kısmen veya tamamen etiketlenmemiş verilere erişebildiği kendi kendine denetimli veya denetimsiz makine öğrenimi problemlerine de uyarlanabilir. Bu yöntemlerin amaçları biraz farklıdır ve katılımcıların bireysel öğrenme aşamasında farklı teknikler kullanmalarını gerektirir. Bununla birlikte, iletişim aşaması yukarıda verilen açıklamaya benzer bir şekilde ilerleyecektir.

Mutabakatla öğrenme kendini nasıl farklı kılıyor?

CL'nin arkasındaki fikir, herhangi bir hassas veya değerli bilgiyi veya fikri mülkiyeti paylaşmadan birden fazla kaynaktan gelen bilgiyi (AI modelleri şeklinde) verimli bir şekilde birleştirmektir. Bu yaklaşım, gizli bilgileri korumak ve aynı zamanda kötü niyetli varlıkların oluşturduğu potansiyel risklere karşı dayanıklılık sağlamak için tasarlanmıştır. CL, birden fazla modeli tek bir modelde birleştirmek için güçlü teknikler sağlayan son derece başarılı topluluk öğrenme paradigmasına dayanmaktadır. Topluluk yöntemleri "kalabalıkların bilgeliği" ilkesine dayanır ve herhangi bir üyenin bilgisini aşmak için bir kalabalığın kolektif bilgisinden yararlanır.

Son yıllarda YZ hizmetlerinin çeşitli blok zinciri uygulamaları ortaya çıkmış ve YZ'yi merkezi olmayan ağlarla bütünleştirmeye yönelik yenilikçi yaklaşımlar sergilenmiştir. Örneğin Bittensor, "madencilerin" tahminlerini bir oyun teorisi mekanizması aracılığıyla ağırlıklandırarak, alana özgü alt ağları içinde yapay zeka çıkarımlarını (model çıktısı) kolaylaştırmaktadır. FLock.io, model güncellemelerini doğrulamak ve katılımcıları ödüllendirmek için blok zincirini kullanan merkezi bir toplayıcıya sahip olsa da, federe öğrenme (farklı bir dağıtılmış öğrenme türü) için bir platform sunmaktadır. Bir başka örnek de, belirli bir modelin çalıştırılmasına yönelik taleplerin model sahibine gönderildiği Infernet protokolü aracılığıyla makine öğrenimi modelleri için etkin bir pazar yeri işleten Ritual'dır.

CL, bireysel modellerin tahminlerinin anlaşmaya varmak amacıyla güvenli bir dedikodu protokolünden geçtiği farklı toplama yöntemiyle kendini ayırır. Bu nedenle CL, merkezi olmayan yapay zeka modelleri oluşturmak için blok zincirinden yararlanırken, mevcut uygulamalar blok zinciri aracılığıyla merkezi makine öğrenimine erişim sağlar. Odak noktası, işbirliği yoluyla daha doğru ve güvenli yapay zeka sağlarken, aynı zamanda özel, genellikle hassas verilere sahip kuruluşların sisteme katılmasına ve verilerinin gizliliğini sağlamasına izin vermektir.

Özet olarak

Konsensüs öğrenimi, makine öğrenimini doğrudan blok zincirleri gibi merkezi olmayan defterlere uygulamak için çığır açan bir fırsat sunuyor. Bu girişimle, blok zinciri teknolojisinin mevcut yapay zeka araçlarını temelden geliştirebileceği yeni bir yaklaşımın ortaya çıkışına tanık oluyoruz. Bu durum, sağlık gibi geleneksel olarak veri hassasiyeti olan sektörlerde inovasyon ve güvenli işbirliği için heyecan verici olanaklar sunarak işbirliğine dayalı makine öğrenimi tekniklerinin benimsenmesi için zemin hazırlıyor. Dahası, YZ yöntemlerinin kötü niyetli faktörler karşısındaki dayanıklılığı, YZ sistemlerine daha fazla güven duyulmasını sağlayarak güvenilirliklerini ve bütünlüklerini güçlendiriyor.