**商品の輸送などのタスクを完了するために協力する必要がある 2 人のエージェント A と B がいるとします。 **エージェント A は商品の提供を担当し、エージェント B は輸送サービスを提供する責任を負います。最初の対話では、エージェント A とエージェント B の両方が、輸送ルートや輸送モードをランダムに選択するなど、タスクを完了するためにランダムな行動戦略を採用できます。
インタラクションが進行するにつれて、エージェント A とエージェント B はスキルを学習することでインタラクション履歴データを学習し、学習結果に応じて行動戦略を自律的に調整できます。例えば、エージェントAは学習スキルを通じて物品の供給や輸送コストなどの情報を学習し、現在の物品の需要や市場価格に応じて最適な協力戦略を自主的に選択することができます。また、エージェント B は、学習スキルを通じて輸送ルートや輸送方法の効率やコストなどの情報を学習し、現在の交通状況やエネルギー価格に応じて最適な輸送戦略を独自に選択することができます。
インタラクションが継続し、学習結果が継続的に更新されると、エージェント A とエージェント B は自身の行動戦略を徐々に最適化し、より効率的で賢く、より持続可能な経済的インタラクションを実現できます。この自己学習プロセスは継続的に反復され、最適化されることで、より優れた経済的利益と社会的価値を達成できます。
Fetch.AI の解釈: Cosmos ベースのインテリジェントなオープン インフラストラクチャ
ブロックチェーンと人工知能技術を深く組み合わせるテクノロジー企業として、Fetch.AI は、人工知能、ブロックチェーン、モノのインターネット技術を組み合わせることで、分散型スマート経済を構築し、分散型目標を達成することを目指しています。同社の目標は、企業と消費者に経済的に対話するまったく新しい方法を提供し、より効率的で安全かつスマートな取引を可能にすることです。
AI+ ブロックチェーンの高度にインテリジェントでオープンなアーキテクチャのおかげで、Fetch.AI には、物流、サプライ チェーン、金融、エネルギー、医療、その他の分野を含む幅広いアプリケーション シナリオがあります。 Fetch.AI の技術アーキテクチャは主に、Fetch.AI メイン チェーンと Fetch.AI インテリジェント エージェントの 2 つの部分で構成されます。 Fetch.AI メイン チェーンは、ブロックチェーン テクノロジーに基づく分散型台帳で、トランザクションとスマート コントラクトを記録し、トランザクションのセキュリティと信頼性を確保するために使用されます。 Fetch.AI スマート エージェントは、自律的にタスクを実行し、リソースを調整し、他のスマート エージェントと対話して、自動化されたインテリジェントな分散型経済相互作用を実現できる人工知能機能を備えたスマート コントラクトです。
この記事では、メイン チェーンについてはあまり多くの記述はしませんが、自律エージェント アーキテクチャ (AEA) とグループ学習 (Colearn) メカニズムの解体に焦点を当て、ブロックチェーン システムの運用とブロックチェーン間のデータ アプリケーション プロセスに AI がどのように参加するかを示します。 。
ネットワーク ノードに自身を管理させる: 自律型経済エージェント アーキテクチャ (AEA)
Fetch.ai ネットワークでは、データを持つ個人または企業はエージェントによって代理され、エージェントはデータを求める個人または企業のエージェントに連絡します。この機関はオープン経済フレームワーク (OEF) に基づいて運営されています。これは、データ ソースを表すエージェントがアクセスできるデータをアドバタイズできる検索および検出メカニズムとして機能します。同様に、データを探している個人または企業は、OEF を使用して、問題のデータにアクセスできるエージェントを検索できます。
Fetch.AI の AEA アーキテクチャは分散型インテリジェント エージェント アーキテクチャであり、自律的で協調的なインテリジェント エージェント ネットワークを構築するために使用されます。 AEA は Autonomous Economy Agent の略で、**その中心的なアイデアは、人工知能とブロックチェーン技術を組み合わせて分散型スマート経済を構築し、インテリジェントで自律型の分散型経済の相互作用を実現することです。 **
AEA アーキテクチャのコア コンポーネントには、主に次の 4 つのモジュールが含まれます。
企業が予測モデルをトレーニングするためのデータを探していると想像してください。企業のエージェントがデータ ソースを表すエージェントに接続すると、取引条件に関する情報を求められます。データプロバイダーの代理を務めるエージェントは、データを販売する条件を提示します。データへのアクセスを販売するエージェントは可能な限り最高の価格を求めることができますが、データへのアクセスを購入するエージェントは可能な限り最低の価格を支払うことを望んでいます。しかし、データを販売する代理店は、料金が高すぎると契約を逃すことを知っています。これは、データを求めるプロキシが条件を受け入れず、代わりに Web 上の別のソースからデータを購入しようとするためです。購入エージェントが条件を受け入れられると判断した場合、Fetch.ai 台帳上の取引を通じて販売エージェントに合意価格を支払います。支払いを受け取った後、データを販売するエージェントは暗号化されたデータを Fetch.ai ネットワーク経由で送信します。
初期セットアップを除けば、プロセス全体が完全に自動化され、Fetch.ai エージェントによって実行されます。これは、企業の従業員が中断することなく仕事をできる一方で、予測モデルが関連する匿名化されたデータを蓄積できることを意味します。データにアクセスできることにより、情報を購入する企業はモデルをより効率的にトレーニングすることができ、そのモデルを使用してより正確な予測を行うことができます。このような予測はあらゆる業界で使用できます。
ノードをインテリジェントにする核心: AEA スキル モジュールとグループ学習 (Colearn) メカニズム
上記 4 つのモジュールの中で最も重要なものは AEA スキル モジュールで、ノードをインテリジェントにするための重要なモジュールです。 AEAスキルは、エージェントのグループ自律学習機能を実現するためのプラグイン可能なモジュールです。各学習スキルには、強化学習、教師あり学習、教師なし学習など、さまざまな種類の学習タスクを実装するためのスマート コントラクトと Python パッケージが含まれています。エージェントが学習する必要がある場合、エージェントは自身に適した学習スキルを選択し、学習結果を自身の状態に保存できます。エージェントは学習結果に基づいて行動と戦略を自律的に調整し、よりスマートで効率的かつ持続可能な経済相互作用を可能にします。
Fetch.AI の集団学習原理には次のステップが含まれます。
**商品の輸送などのタスクを完了するために協力する必要がある 2 人のエージェント A と B がいるとします。 **エージェント A は商品の提供を担当し、エージェント B は輸送サービスを提供する責任を負います。最初の対話では、エージェント A とエージェント B の両方が、輸送ルートや輸送モードをランダムに選択するなど、タスクを完了するためにランダムな行動戦略を採用できます。
インタラクションが進行するにつれて、エージェント A とエージェント B はスキルを学習することでインタラクション履歴データを学習し、学習結果に応じて行動戦略を自律的に調整できます。例えば、エージェントAは学習スキルを通じて物品の供給や輸送コストなどの情報を学習し、現在の物品の需要や市場価格に応じて最適な協力戦略を自主的に選択することができます。また、エージェント B は、学習スキルを通じて輸送ルートや輸送方法の効率やコストなどの情報を学習し、現在の交通状況やエネルギー価格に応じて最適な輸送戦略を独自に選択することができます。
インタラクションが継続し、学習結果が継続的に更新されると、エージェント A とエージェント B は自身の行動戦略を徐々に最適化し、より効率的で賢く、より持続可能な経済的インタラクションを実現できます。この自己学習プロセスは継続的に反復され、最適化されることで、より優れた経済的利益と社会的価値を達成できます。
自己学習機能では、良好な学習効果を達成するために、エージェントに十分な計算能力とデータ リソースが必要であることに注意してください。したがって、実際のアプリケーションでは、最良の学習効果を達成するために、エージェントの実際の状況とニーズに応じて、適切な学習スキルとリソース割り当てを選択する必要があります。
Fetch.ai の中核となる自律経済エージェント (AEA) は、経済相互作用の観点からインテリジェンス、自律性、分散化の目標を達成します。その利点は、人工知能とブロックチェーン技術の深い統合と自律的な経済エージェントの設計の実現にあり、これらのAEAエージェントは独立して学習し、意思決定を行い、分散環境で自由に対話することができ、経済相互作用の効率と効率を向上させます。 . 知能の程度。さらに、Fetch.AI の Collearn メカニズムは、データとモデルを共有することでシステム全体のパフォーマンスを向上させるためにエージェントの積極的な参加を促進します。
ただし、Fetch.AI にはいくつかの課題もあります。まず、自己学習機能には高いコンピューティング能力とデータ リソースが必要であり、リソースに制約のある環境ではアプリケーションが制限される可能性があります。第 2 に、Fetch.AI の技術アーキテクチャと機能は比較的複雑であり、より高い技術的しきい値と学習コストが必要であり、その広範なアプリケーションに影響を与える可能性があります。
＃＃＃ まとめ
今後を見据えると、Fetch.AI の見通しは依然として有望です。テクノロジーが発展し続けるにつれて、パフォーマンスと効率を向上させ、より多くのアプリケーション シナリオとニーズを満たすために、より多くの AI およびブロックチェーン テクノロジーが導入される可能性があります。同時に、プライバシー保護とデータセキュリティがますます重視されるようになっているため、Fetch.AI の分散化機能とセキュリティ機能がさらに注目され、活用される可能性があります。いくつかの課題はあるものの、AI とブロックチェーンの分野における Fetch.AI の革新性と可能性は、依然として私たちの注目と探求に値します。
参考:
[1] Fetch.AI 開発者向けドキュメント
[2] メラニー ミッチェル: AI 3.0
[3] Alexey Potapov: 基本的な Atomese 機能が必要です
免責事項: この記事は調査情報のみを目的としており、投資に関するアドバイスや推奨を構成するものではありません。この記事で紹介されているプロジェクトの仕組みは著者の個人的な意見を表すものであり、この記事の著者やこのプラットフォームとは一切関係がありません。ブロックチェーンおよびデジタル通貨への投資は、極めて高い市場リスク、政策リスク、技術的リスクなどのさまざまな不確実性を伴い、流通市場におけるトークンの価格は激しく変動するため、投資家は慎重な判断を行い、投資リスクを自ら負担する必要があります。この記事の著者またはこのプラットフォームは、この記事で提供される情報を使用した投資家によって生じた損失について責任を負いません。