Як технологічна компанія, яка глибоко поєднує технології блокчейну та штучного інтелекту, Fetch.AI прагне створити децентралізовану інтелектуальну економіку та досягти розподілених цілей шляхом поєднання технологій штучного інтелекту, блокчейну та Інтернету речей. Мета компанії — надати підприємствам і споживачам абсолютно новий спосіб економічної взаємодії, що забезпечує більш ефективні, безпечні та розумніші транзакції.
Завдяки високоінтелектуальній і відкритій архітектурі блокчейну AI+ Fetch.AI має широкий спектр прикладних сценаріїв, включаючи логістику, ланцюг поставок, фінанси, енергетику, медичне обслуговування та інші сфери. Технічна архітектура Fetch.AI в основному включає дві частини: основний ланцюг Fetch.AI та інтелектуальний агент Fetch.AI. Основний ланцюг Fetch.AI — це розподілена книга на основі технології блокчейн, яка використовується для запису транзакцій і смарт-контрактів, а також для забезпечення безпеки та надійності транзакцій. Розумний агент Fetch.AI — це розумний контракт із можливостями штучного інтелекту, який може автономно виконувати завдання, координувати ресурси та взаємодіяти з іншими розумними агентами для досягнення автоматизованої, інтелектуальної та децентралізованої економічної взаємодії.
У цій статті не надто багато тверджень про основний ланцюг. Ми зосередимося на демонтажі архітектури автономного агента (AEA) і механізмів групового навчання (Colearn), щоб показати, як штучний інтелект бере участь у роботі системи блокчейну та процесі застосування даних серед .
Дозвольте вузлам мережі керувати собою: архітектура автономного економічного агента (AEA)
У мережі Fetch.ai особи або компанії, які мають дані, представлені їхніми агентами, які зв’язуються з агентами окремих осіб або компаній, яким потрібні дані. Агентство працює на Open Economic Framework (OEF). Це діє як механізм пошуку та виявлення, де агенти, що представляють джерела даних, можуть рекламувати дані, до яких вони мають доступ. Так само окремі особи або компанії, які шукають дані, можуть використовувати OEF для пошуку агентів з доступом до відповідних даних.
Архітектура AEA Fetch.AI — це архітектура розподіленого інтелектуального агента, яка використовується для побудови автономної та спільної інтелектуальної агентської мережі. AEA розшифровується як Autonomous Economic Agent, **основна ідея — поєднати штучний інтелект і технологію блокчейн для побудови децентралізованої розумної економіки та реалізації взаємодії інтелектуальної, автономної та децентралізованої економіки. **
Основні компоненти архітектури AEA в основному включають такі чотири модулі:
**Агент AEA (Агент): **Агент AEA — це автономний, програмований інтелектуальний агент із здатністю автономного прийняття рішень, автономної співпраці та автономного навчання. Це основний компонент AEA та представляє незалежну сутність зі здатністю приймати самостійні рішення та діяти. Кожен агент AEA має власну адресу гаманця, ідентифікатор і смарт-контракт, а також може взаємодіяти та співпрацювати з іншими агентами.
**Зв’язок AEA (з’єднання): **Зв’язок AEA — це протокол зв’язку «точка-точка» на основі технології блокчейн, який використовується для реалізації передачі інформації та взаємодії між агентами. Комунікація AEA може забезпечити безпеку та надійність взаємодії. AEA Fetch.AI підтримує кілька методів з’єднання, включаючи з’єднання WebSocket і HTTP.
**Навичка AEA (Skill): **Навичка AEA — це модуль, що підключається, який використовується для розширення функцій і можливостей агентів AEA. Кожен навик складається зі смарт-контракту та пакету Python для реалізації конкретних функцій агента, таких як обробка природної мови, машинне навчання, прийняття рішень тощо. Навички можуть містити кілька протоколів і моделей, щоб агенти могли розуміти запити інших агентів і відповідати на них.
**Протокол AEA (Протокол): **Протокол AEA — це механізм співпраці для співпраці та взаємодії між агентами. Протокол AEA визначає формат повідомлення, потік протоколу та правила взаємодії між агентами, щоб реалізувати спільну роботу між агентами. Протоколи — це правила та вказівки для спілкування між агентами. Протоколи визначають, як агенти мають обмінюватися інформацією, відповідати на запити та обробляти помилки. AEA Fetch.AI підтримує кілька протоколів, включаючи власну мову зв’язку агента (ACL) і протокол HTTP Fetch.AI.
Уявіть, що компанія шукає дані для підготовки прогнозної моделі. Коли агент компанії підключається до агента, що представляє джерело даних, він запитує у нього інформацію про умови торгівлі. Потім агент, який працює від імені постачальника даних, запропонує умови, на яких він готовий продати дані. Агент, який продає доступ до даних, може шукати найвищу можливу ціну, тоді як агент, який купує доступ до даних, хоче заплатити найнижчу можливу ціну. Але агентство, яке продає дані, знає, що якщо воно бере занадто високу плату, воно втратить угоду. Це пояснюється тим, що проксі-сервери, які шукають дані, не приймуть умови й натомість спробують придбати дані з іншого джерела в Інтернеті. Якщо агент з купівлі вважає умови прийнятними, він сплатить агенту з продажу узгоджену ціну через транзакцію в реєстрі Fetch.ai. Після отримання платежу агент, який продає дані, надішле зашифровані дані через мережу Fetch.ai.
Окрім початкового налаштування, весь процес повністю автоматизований і виконується агентами Fetch.ai. Це означає, що співробітники компанії можуть працювати без перерв, а прогнозні моделі можуть накопичувати відповідні анонімні дані. Маючи доступ до даних, компанії, які купують інформацію, можуть ефективніше тренувати свої моделі, які потім можна використовувати для більш точних прогнозів. Такі прогнози можна використовувати в будь-якій галузі.
Ядро створення інтелектуальних вузлів: модуль навичок AEA та механізм групового навчання (Colearn)
Серед чотирьох вищезазначених модулів найважливішим є модуль навичок AEA, який є ключовим модулем для створення інтелектуальних вузлів. AEA skill — це модуль, що підключається, який використовується для реалізації функції групового автономного навчання агентів. Кожен навчальний навик включає смарт-контракт і пакет Python для реалізації різних типів навчальних завдань, таких як навчання з підкріпленням, контрольоване навчання, неконтрольоване навчання тощо. Коли агенту потрібно навчитися, він може вибрати відповідні для себе навички навчання та зберегти результати навчання у власному стані. Агенти можуть автономно коригувати поведінку та стратегії на основі результатів навчання, забезпечуючи розумнішу, ефективнішу та стійкішу економічну взаємодію.
Принцип колективного навчання Fetch.AI включає наступні кроки:
**Обмін даними: ** різні агенти збирають власні дані та завантажують їх до спільної бази даних у мережі блокчейн. Ці дані можуть бути даними датчиків, текстовими даними, даними зображень тощо. Усі агенти, які беруть участь у колективному навчанні, можуть отримати доступ до даних у спільній базі даних і використовувати ці дані для навчання.
Навчання моделі: агент використовує дані зі спільної бази даних для навчання моделі. Моделі можуть бути моделями машинного навчання, моделями глибокого навчання або іншими типами алгоритмів. Агентів можна навчати за допомогою різних моделей, щоб вивчати різні завдання чи проблеми.
Вибір моделі: Після завершення навчання моделі агент завантажує свою модель у мережу блокчейн. Усі агенти, які беруть участь у колективному навчанні, можуть отримати доступ до цих моделей і вибрати ту, яка їм підходить відповідно до їхніх потреб. Процес відбору може базуватися на таких факторах, як продуктивність агента, вимоги до завдань і обмеження ресурсів.
Інтеграція моделі: Після вибору моделі агент може інтегрувати її зі своїми навичками для кращого виконання власних завдань. Навички можуть являти собою модулі, які виконують певні типи завдань, наприклад торгівлю криптовалютою, управління логістикою тощо. Агенти можуть використовувати кілька навичок і моделей для обробки завдань.
Механізм винагороди: У процесі колективного навчання агенти можуть отримувати винагороду, надаючи власні дані та моделі. Винагороди можна розподілити на основі таких факторів, як продуктивність агента, внесок і ефективність використання ресурсів. Механізми винагороди можуть спонукати агентів брати активну участь у колективному навчанні та покращувати загальну продуктивність системи.
**Припустімо, що є два агенти A і B, яким потрібно співпрацювати, щоб виконати завдання, наприклад транспортування товарів. **Агент А несе відповідальність за надання товару, а Агент Б відповідає за надання транспортних послуг. Під час початкової взаємодії як агент А, так і агент Б можуть прийняти випадкову стратегію поведінки для виконання завдання, таку як випадковий вибір транспортного маршруту або способу транспортування.
По ходу взаємодії агент А та агент Б можуть вивчати дані про історію взаємодії за допомогою навчання навичкам і самостійно коригувати стратегії поведінки відповідно до результатів навчання. Наприклад, агент А може дізнатися таку інформацію, як постачання товарів і витрати на транспортування, завдяки навчанню навичкам, щоб самостійно вибрати оптимальну стратегію співпраці відповідно до поточного попиту на товари та ринкових цін. Агент Б також може дізнатися таку інформацію, як ефективність і вартість транспортних маршрутів і методів транспортування, завдяки навчанню навичкам, щоб самостійно вибрати оптимальну стратегію транспортування відповідно до поточних умов руху та цін на енергоносії.
Оскільки взаємодія продовжується й результати навчання постійно оновлюються, агент А та агент Б можуть поступово оптимізувати власні стратегії поведінки, щоб досягти більш ефективних, розумніших і стійкіших економічних взаємодій. Цей процес самонавчання можна постійно повторювати та оптимізувати для досягнення кращих економічних вигод і соціальної цінності.
Слід зазначити, що функція самонавчання вимагає від агента достатньої обчислювальної потужності та ресурсів даних для досягнення гарного ефекту навчання. Тому в практичних застосуваннях необхідно вибрати відповідні навички навчання та розподіл ресурсів відповідно до фактичної ситуації та потреб агента, щоб досягти найкращого ефекту навчання.
Основний автономний економічний агент (AEA) Fetch.ai досягає цілей інтелекту, автономії та децентралізації з точки зору економічної взаємодії. Його перевага полягає в глибокій інтеграції штучного інтелекту та технології блокчейн, а також реалізації дизайну автономних економічних агентів.Ці агенти AEA можуть самостійно навчатися, приймати рішення та вільно взаємодіяти в децентралізованому середовищі, підвищуючи ефективність та ефективність економічної взаємодії Ступінь інтелекту. Крім того, механізм Collearn Fetch.AI спонукає агентів брати активну участь і покращувати продуктивність усієї системи шляхом обміну даними та моделями.
Однак Fetch.AI також представляє деякі проблеми. По-перше, його функція самонавчання вимагає високої обчислювальної потужності та ресурсів даних, що може обмежити його застосування в середовищах з обмеженими ресурсами. По-друге, технічна архітектура та функції Fetch.AI відносно складні, вимагають вищих технічних порогів і витрат на навчання, що може вплинути на його широке застосування.
Резюме
Забігаючи наперед, перспективи Fetch.AI все ще багатообіцяючі. Оскільки технологія продовжує розвиватися, вона може запроваджувати більше технологій штучного інтелекту та блокчейну для підвищення продуктивності та ефективності та задоволення більшої кількості сценаріїв додатків і потреб. У той же час, оскільки захист конфіденційності та безпека даних все більше цінуються, функції децентралізації та безпеки Fetch.AI можуть отримати більше уваги та застосування. Незважаючи на деякі труднощі, інновації та потенціал Fetch.AI у сфері штучного інтелекту та блокчейну все ще заслуговують нашої уваги та дослідження.
посилання:
[1] Документація розробника Fetch.AI
[2] Мелані Мітчелл: AI 3.0
[3] Олексій Потапов: Потрібні базові функції Atomese
Відмова від відповідальності: ця стаття призначена лише для дослідницької інформації та не є інвестиційною порадою чи рекомендацією. Механізм проекту, представлений у цій статті, представляє лише особисту думку автора та не має інтересу до автора цієї статті чи цієї платформи. Інвестиції в блокчейн і цифрову валюту піддаються різним факторам невизначеності, таким як надзвичайно високий ринковий ризик, політичний ризик і технічний ризик. Ціна токенів на вторинному ринку різко коливається. Інвесторам слід приймати обережні рішення та самостійно нести інвестиційні ризики. Автор цієї статті або ця платформа не несе відповідальності за будь-які збитки, заподіяні інвесторами, використовуючи інформацію, надану в цій статті.
Переглянути оригінал
Контент має виключно довідковий характер і не є запрошенням до участі або пропозицією. Інвестиційні, податкові чи юридичні консультації не надаються. Перегляньте Відмову від відповідальності , щоб дізнатися більше про ризики.
Інтерпретація Fetch.AI: інтелектуальна відкрита інфраструктура на базі Космосу
Як технологічна компанія, яка глибоко поєднує технології блокчейну та штучного інтелекту, Fetch.AI прагне створити децентралізовану інтелектуальну економіку та досягти розподілених цілей шляхом поєднання технологій штучного інтелекту, блокчейну та Інтернету речей. Мета компанії — надати підприємствам і споживачам абсолютно новий спосіб економічної взаємодії, що забезпечує більш ефективні, безпечні та розумніші транзакції.
Завдяки високоінтелектуальній і відкритій архітектурі блокчейну AI+ Fetch.AI має широкий спектр прикладних сценаріїв, включаючи логістику, ланцюг поставок, фінанси, енергетику, медичне обслуговування та інші сфери. Технічна архітектура Fetch.AI в основному включає дві частини: основний ланцюг Fetch.AI та інтелектуальний агент Fetch.AI. Основний ланцюг Fetch.AI — це розподілена книга на основі технології блокчейн, яка використовується для запису транзакцій і смарт-контрактів, а також для забезпечення безпеки та надійності транзакцій. Розумний агент Fetch.AI — це розумний контракт із можливостями штучного інтелекту, який може автономно виконувати завдання, координувати ресурси та взаємодіяти з іншими розумними агентами для досягнення автоматизованої, інтелектуальної та децентралізованої економічної взаємодії.
У цій статті не надто багато тверджень про основний ланцюг. Ми зосередимося на демонтажі архітектури автономного агента (AEA) і механізмів групового навчання (Colearn), щоб показати, як штучний інтелект бере участь у роботі системи блокчейну та процесі застосування даних серед .
Дозвольте вузлам мережі керувати собою: архітектура автономного економічного агента (AEA)
У мережі Fetch.ai особи або компанії, які мають дані, представлені їхніми агентами, які зв’язуються з агентами окремих осіб або компаній, яким потрібні дані. Агентство працює на Open Economic Framework (OEF). Це діє як механізм пошуку та виявлення, де агенти, що представляють джерела даних, можуть рекламувати дані, до яких вони мають доступ. Так само окремі особи або компанії, які шукають дані, можуть використовувати OEF для пошуку агентів з доступом до відповідних даних.
Архітектура AEA Fetch.AI — це архітектура розподіленого інтелектуального агента, яка використовується для побудови автономної та спільної інтелектуальної агентської мережі. AEA розшифровується як Autonomous Economic Agent, **основна ідея — поєднати штучний інтелект і технологію блокчейн для побудови децентралізованої розумної економіки та реалізації взаємодії інтелектуальної, автономної та децентралізованої економіки. **
Основні компоненти архітектури AEA в основному включають такі чотири модулі:
Уявіть, що компанія шукає дані для підготовки прогнозної моделі. Коли агент компанії підключається до агента, що представляє джерело даних, він запитує у нього інформацію про умови торгівлі. Потім агент, який працює від імені постачальника даних, запропонує умови, на яких він готовий продати дані. Агент, який продає доступ до даних, може шукати найвищу можливу ціну, тоді як агент, який купує доступ до даних, хоче заплатити найнижчу можливу ціну. Але агентство, яке продає дані, знає, що якщо воно бере занадто високу плату, воно втратить угоду. Це пояснюється тим, що проксі-сервери, які шукають дані, не приймуть умови й натомість спробують придбати дані з іншого джерела в Інтернеті. Якщо агент з купівлі вважає умови прийнятними, він сплатить агенту з продажу узгоджену ціну через транзакцію в реєстрі Fetch.ai. Після отримання платежу агент, який продає дані, надішле зашифровані дані через мережу Fetch.ai.
Окрім початкового налаштування, весь процес повністю автоматизований і виконується агентами Fetch.ai. Це означає, що співробітники компанії можуть працювати без перерв, а прогнозні моделі можуть накопичувати відповідні анонімні дані. Маючи доступ до даних, компанії, які купують інформацію, можуть ефективніше тренувати свої моделі, які потім можна використовувати для більш точних прогнозів. Такі прогнози можна використовувати в будь-якій галузі.
Ядро створення інтелектуальних вузлів: модуль навичок AEA та механізм групового навчання (Colearn)
Серед чотирьох вищезазначених модулів найважливішим є модуль навичок AEA, який є ключовим модулем для створення інтелектуальних вузлів. AEA skill — це модуль, що підключається, який використовується для реалізації функції групового автономного навчання агентів. Кожен навчальний навик включає смарт-контракт і пакет Python для реалізації різних типів навчальних завдань, таких як навчання з підкріпленням, контрольоване навчання, неконтрольоване навчання тощо. Коли агенту потрібно навчитися, він може вибрати відповідні для себе навички навчання та зберегти результати навчання у власному стані. Агенти можуть автономно коригувати поведінку та стратегії на основі результатів навчання, забезпечуючи розумнішу, ефективнішу та стійкішу економічну взаємодію.
Принцип колективного навчання Fetch.AI включає наступні кроки:
**Припустімо, що є два агенти A і B, яким потрібно співпрацювати, щоб виконати завдання, наприклад транспортування товарів. **Агент А несе відповідальність за надання товару, а Агент Б відповідає за надання транспортних послуг. Під час початкової взаємодії як агент А, так і агент Б можуть прийняти випадкову стратегію поведінки для виконання завдання, таку як випадковий вибір транспортного маршруту або способу транспортування.
По ходу взаємодії агент А та агент Б можуть вивчати дані про історію взаємодії за допомогою навчання навичкам і самостійно коригувати стратегії поведінки відповідно до результатів навчання. Наприклад, агент А може дізнатися таку інформацію, як постачання товарів і витрати на транспортування, завдяки навчанню навичкам, щоб самостійно вибрати оптимальну стратегію співпраці відповідно до поточного попиту на товари та ринкових цін. Агент Б також може дізнатися таку інформацію, як ефективність і вартість транспортних маршрутів і методів транспортування, завдяки навчанню навичкам, щоб самостійно вибрати оптимальну стратегію транспортування відповідно до поточних умов руху та цін на енергоносії.
Оскільки взаємодія продовжується й результати навчання постійно оновлюються, агент А та агент Б можуть поступово оптимізувати власні стратегії поведінки, щоб досягти більш ефективних, розумніших і стійкіших економічних взаємодій. Цей процес самонавчання можна постійно повторювати та оптимізувати для досягнення кращих економічних вигод і соціальної цінності.
Слід зазначити, що функція самонавчання вимагає від агента достатньої обчислювальної потужності та ресурсів даних для досягнення гарного ефекту навчання. Тому в практичних застосуваннях необхідно вибрати відповідні навички навчання та розподіл ресурсів відповідно до фактичної ситуації та потреб агента, щоб досягти найкращого ефекту навчання.
Основний автономний економічний агент (AEA) Fetch.ai досягає цілей інтелекту, автономії та децентралізації з точки зору економічної взаємодії. Його перевага полягає в глибокій інтеграції штучного інтелекту та технології блокчейн, а також реалізації дизайну автономних економічних агентів.Ці агенти AEA можуть самостійно навчатися, приймати рішення та вільно взаємодіяти в децентралізованому середовищі, підвищуючи ефективність та ефективність економічної взаємодії Ступінь інтелекту. Крім того, механізм Collearn Fetch.AI спонукає агентів брати активну участь і покращувати продуктивність усієї системи шляхом обміну даними та моделями.
Однак Fetch.AI також представляє деякі проблеми. По-перше, його функція самонавчання вимагає високої обчислювальної потужності та ресурсів даних, що може обмежити його застосування в середовищах з обмеженими ресурсами. По-друге, технічна архітектура та функції Fetch.AI відносно складні, вимагають вищих технічних порогів і витрат на навчання, що може вплинути на його широке застосування.
Резюме
Забігаючи наперед, перспективи Fetch.AI все ще багатообіцяючі. Оскільки технологія продовжує розвиватися, вона може запроваджувати більше технологій штучного інтелекту та блокчейну для підвищення продуктивності та ефективності та задоволення більшої кількості сценаріїв додатків і потреб. У той же час, оскільки захист конфіденційності та безпека даних все більше цінуються, функції децентралізації та безпеки Fetch.AI можуть отримати більше уваги та застосування. Незважаючи на деякі труднощі, інновації та потенціал Fetch.AI у сфері штучного інтелекту та блокчейну все ще заслуговують нашої уваги та дослідження.
посилання:
[1] Документація розробника Fetch.AI
[2] Мелані Мітчелл: AI 3.0
[3] Олексій Потапов: Потрібні базові функції Atomese
Відмова від відповідальності: ця стаття призначена лише для дослідницької інформації та не є інвестиційною порадою чи рекомендацією. Механізм проекту, представлений у цій статті, представляє лише особисту думку автора та не має інтересу до автора цієї статті чи цієї платформи. Інвестиції в блокчейн і цифрову валюту піддаються різним факторам невизначеності, таким як надзвичайно високий ринковий ризик, політичний ризик і технічний ризик. Ціна токенів на вторинному ринку різко коливається. Інвесторам слід приймати обережні рішення та самостійно нести інвестиційні ризики. Автор цієї статті або ця платформа не несе відповідальності за будь-які збитки, заподіяні інвесторами, використовуючи інформацію, надану в цій статті.