برای کاهش ریسک متمرکز حریم خصوصی، سعی کنید مدل های غیرمتمرکز هوش مصنوعی را با IO Net آموزش دهید

FLock.io، پلتفرمی برای ایجاد مدل هوش مصنوعی غیرمتمرکز زنجیره ای، با شبکه DePIN IO.Net همکاری می کند تا قابلیت های خود را با قدرت محاسباتی غیرمتمرکز افزایش دهد. این پروژه ها در حال پیوستن به نیروها برای بهبود پلتفرم های آموزش غیرمتمرکز هوش مصنوعی از طریق محاسبات غیرمتمرکز پیشرفته هستند. هدف این مشارکت رفع آسیب‌پذیری‌های حیاتی سیستم‌های هوش مصنوعی متمرکز با ترویج یک رویکرد توزیع‌شده در حکمرانی و محاسبات است.

این همکاری با روند گسترده‌تر صنعت به سمت تمرکززدایی هماهنگ است، که برای کاهش خطراتی مانند انحصار داده‌ها و نقض حریم خصوصی ضروری است. با ادغام منابع محاسباتی غیرمتمرکز IO.Net، هدف FLock ارائه راه‌حل‌های هوش مصنوعی قوی‌تر است که جامعه محور هستند و کمتر در معرض خطرات کنترل مرکزی هستند.

Flock از یادگیری فدرال برای آموزش مدل هوش مصنوعی استفاده می کند، جایی که مدل ها از منابع داده غیرمتمرکز بدون جابجایی داده ها، حفظ حریم خصوصی و کاهش خطر سوء استفاده یاد می گیرند. IO.Net با استفاده از توان محاسباتی بی‌حرکت کمک می‌کند و در مقایسه با ارائه‌دهندگان ابر سنتی، صرفه‌جویی قابل‌توجهی در هزینه ارائه می‌کند.

احمد شادید، مدیر عامل IO.Net، بینش خود را در مورد هم افزایی تکنولوژیکی بین این دو شرکت به اشتراک گذاشت. شادید گفت: «این مشارکت نه تنها قدرت محاسباتی غیرمتمرکز را در دسترس‌تر می‌کند، بلکه گامی رو به جلو در ایجاد چارچوبی انعطاف‌پذیر برای توسعه هوش مصنوعی است.

FLock.io به مدل‌های هوش مصنوعی اجازه می‌دهد مستقیماً روی دستگاه‌های کاربر آموزش داده شوند و اطمینان حاصل شود که داده‌های حساس منبع خود را ترک نمی‌کنند. این رویکرد از حریم خصوصی محافظت می‌کند و طیف متنوعی از داده‌ها را مهار می‌کند، که به طور بالقوه منجر به مدل‌های هوش مصنوعی دقیق‌تر و نماینده‌تر می‌شود.

Jiahao Sun، مدیر عامل FLock.io، بیشتر در مورد پیامدهای اقتصادی هوش مصنوعی غیرمتمرکز توضیح داد. او توضیح داد: «در حالی که راه‌حل‌های غیرمتمرکز اغلب به عنوان اقدامات صرفه‌جویی در هزینه‌ها در برابر سرویس‌های ابری سنتی تلقی می‌شوند، ارزش واقعی آن‌ها در ظرفیت مدیریت داده‌های حساس با حفظ حریم خصوصی بیشتر است.» Sun استدلال کرد که کارایی فعلی پلتفرم‌های متمرکز در نهایت با مزایای مدل‌های غیرمتمرکز در حریم خصوصی و عملکرد تخصصی غلبه خواهد کرد.

Sun ادعا می کند که تمرکززدایی از هوش مصنوعی به همان اندازه مهم است که حرکت تمرکززدایی مشاهده شده در امور مالی. او معتقد است که آینده هوش مصنوعی در رویکردهای غیرمتمرکز نهفته است که حریم خصوصی و دقت مدل را افزایش می دهد، به ویژه در بخش های حساس مانند مالی و مراقبت های بهداشتی.

او گفت CryptoSlate،

من معتقدم که هوش مصنوعی غیرمتمرکز مزایایی را هم در کاهش هزینه و هم محافظت در برابر خطرات هوش مصنوعی متمرکز، به ویژه هوش مصنوعی مرزی دارد.[…]

مزیت واقعی بی‌رقیب هوش مصنوعی غیرمتمرکز در پتانسیل آن برای دسترسی به داده‌های خصوصی به روش‌های کاملاً حفظ حریم خصوصی است. این امر هوش مصنوعی را قادر می‌سازد تا به صنایع و بخش‌هایی خدمات دهد که قبلاً دسترسی به ارائه‌دهندگان آموزش متمرکز هوش مصنوعی شخص ثالث دشوار بود، مانند امور مالی و مراقبت‌های بهداشتی.

به گفته Sun، هوش مصنوعی غیرمتمرکز می‌تواند به داده‌های خصوصی بدون به خطر انداختن حریم خصوصی دسترسی داشته باشد و پتانسیل عملکرد مدل برتر را در دامنه‌های مختلف ارائه دهد. سان افزود: «با ادغام فناوری بلاک چین، می‌توانیم تغییری در آموزش مدل هوش مصنوعی که بر مشارکت جامعه و امنیت داده تأکید دارد، تسهیل کنیم.

با پیشرفت فناوری، گفتگو پیرامون هوش مصنوعی غیرمتمرکز به طور فزاینده ای مرتبط می شود. چشم انداز Sun برای FLock.io شامل تطبیق هوش مصنوعی برای کار بر روی زیرساخت های غیرمتمرکز و بازاندیشی در مورد اینکه چگونه هوش مصنوعی می تواند فراگیرتر و ایمن تر باشد، است. سان نتیجه گرفت: «ما در حال آماده‌سازی زمینه برای کاربردهای آینده هستیم که در آن هوش مصنوعی غیرمتمرکز می‌تواند منجر به پیشرفت‌هایی در صنایعی شود که قبلاً به دلیل نگرانی‌های مربوط به حفظ حریم خصوصی داده‌ها مختل شده بودند.

با پیشرفت همکاری، FLock و IO.Net به بررسی این موضوع ادامه می‌دهند که چگونه محاسبات غیرمتمرکز می‌تواند هوش مصنوعی را متحول کند و آن را سازگارتر، خصوصی‌تر و همسوتر با حاکمیت کاربر محور کند. Sun پیش‌بینی کرد که حرکتی به سمت مدل‌های هوش مصنوعی غیرمتمرکز محلی است

“این قدرت را دارد که چشم انداز هوش مصنوعی را تغییر دهد و راه را برای برنامه های پیشگامانه ای که زمانی غیرعملی یا غیرقابل اجرا تلقی می شدند هموار کند.”