फ्लेयर रिसर्च का नवीनतम पेपर कृत्रिम बुद्धिमत्ता (एआई) के लिए एक नया दृष्टिकोण पेश करता है, जहां एआई को ब्लॉकचेन के साथ मिलाने से एआई सुरक्षित और अधिक सटीक होता है।
सर्वसम्मति सीखने (सीएल) अनुप्रयोगों के एक स्पेक्ट्रम में सहयोगी एआई को सक्षम बनाता है, जिससे अधिक सटीक और मजबूत एआई मॉडल के विकास को सक्षम किया जा सकता है। सीएल स्वास्थ्य सेवा या वित्त जैसे डेटा-संवेदनशील क्षेत्रों में एआई एकीकरण के लिए विशेष रूप से उपयुक्त है, जिससे निर्णय लेने की प्रक्रियाओं में सुधार होता है और समग्र परिचालन प्रदर्शन और दक्षता में वृद्धि होती है, जिसके परिणामस्वरूप अंतिम उपभोक्ता को सेवाओं की कम लागत हो सकती है। इसके परिणामस्वरूप अन्य लाभों के साथ बेहतर रोगी देखभाल परिणाम, अधिक सटीक वित्तीय विश्लेषण या बढ़ी हुई धोखाधड़ी का पता लगाया जा सकता है। एआई और ब्लॉकचेन के अधिकांश मौजूदा कार्यान्वयन के विपरीत, जो ब्लॉकचेन के माध्यम से केंद्रीकृत मशीन लर्निंग (एमएल) तक पहुंच को सक्षम करते हैं, सीएल विकेंद्रीकृत एआई मॉडल बनाने के लिए ब्लॉकचेन का लाभ उठाता है।
मंशा
हाल के वर्षों में, वितरित वातावरण पर जोर दिया गया है, जहां डेटा और कम्प्यूटेशनल संसाधन कई उपकरणों में फैले हुए हैं। यह बदलाव आधुनिक नींव मॉडल की आवश्यकताओं से प्रेरित है, जैसे कि बड़े भाषा मॉडल और कंप्यूटर दृष्टि मॉडल, जो प्रसंस्करण के लिए पर्याप्त मात्रा में डेटा की मांग करते हैं। इस वितरित लेकिन अभी भी केंद्रीकृत सेटिंग में, विकेंद्रीकरण एक मौलिक आवश्यकता के रूप में उभरता है, जो कई प्रमुख प्रेरणाओं से प्रेरित है।
केंद्रीकृत तरीके एक विश्वसनीय पार्टी पर भरोसा करके अंतर्निहित जोखिम पेश करते हैं, जो मुख्य रूप से एकल उद्यम सेटिंग्स के लिए उनके उपयोग को सीमित करते हैं और उनके व्यापक गोद लेने को बाधित करते हैं। इसके अलावा, ये आर्किटेक्चर न केवल संभावित हमलों या सिस्टम विफलताओं की भेद्यता को बढ़ाते हैं, बल्कि डेटा गोपनीयता और सुरक्षा के बारे में भी चिंता पैदा करते हैं। इसके विपरीत, विकेन्द्रीकृत तरीके एक अलग लाभ प्रस्तुत करते हैं: वे उपयोगकर्ताओं को उनकी विशिष्ट आवश्यकताओं और वरीयताओं के अनुरूप व्यक्तिगत स्थानीय मॉडल विकसित करने में सक्षम बनाते हैं, जबकि केंद्रीकृत दृष्टिकोणों में अक्सर इस तरह के अनुकूलन के लिए आवश्यक लचीलेपन की कमी होती है। इन सीमाओं के बीच, सर्वसम्मति सीखना एक विकेन्द्रीकृत एमएल समाधान के रूप में उभरता है जो केंद्रीकरण से जुड़े अंतर्निहित जोखिमों को कम करते हुए अधिक लचीलापन, गोपनीयता और अनुकूलन क्षमता प्रदान करता है।
सर्वसम्मति सीखने के लाभ
विकेंद्रीकृत लेजर की सुरक्षा के लिए सर्वसम्मति प्रोटोकॉल आवश्यक हैं और ब्लॉकचेन नेटवर्क को दुर्भावनापूर्ण हमलों से बचाते हैं। एआई के लिए सर्वसम्मति तंत्र का उपयोग करने के कई लाभ हैं, जिनमें से हम निम्नलिखित पर प्रकाश डालते हैं:
- प्रदर्शन में वृद्धि। सीएल विधियों को इसके प्रत्येक कलाकारों की टुकड़ी के डेटा से लाभ होता है, पूर्वाग्रह को कम करता है और अनदेखी डेटा पर सामान्यीकरण करने की मॉडल की क्षमता को बढ़ाता है। सीएल केंद्रीकृत तरीकों की तुलना में अधिक सटीक एआई भी पैदा कर सकता है, मुख्य रूप से ब्लॉकचैन की सहयोग को प्रोत्साहित करने की क्षमता के कारण, विविध मॉडलों से विविध अंतर्दृष्टि के संयोजन में अधिक दक्षता के लिए अग्रणी। यह कई स्थानीय एकत्रीकरण के माध्यम से प्राप्त किया जाता है, जहां प्रत्येक प्रतिभागी पड़ोसी मॉडलों की भविष्यवाणियों का आकलन करता है और बेहतर सटीकता के लिए उन्हें एकीकृत करता है। यह पहले उदाहरणों में से एक है जहां एआई ब्लॉकचेन एकीकरण से महत्वपूर्ण लाभ प्राप्त कर सकता है।
- सुरक्षा। छिपे हुए उद्देश्यों को पेश करने का प्रयास करने वाले दुर्भावनापूर्ण अभिनेताओं की उपस्थिति में, सीएल मॉडल की अखंडता सर्वसम्मति तंत्र की अंतर्निहित सुरक्षा सुविधाओं के कारण समझौता नहीं की जाती है। यह सुनिश्चित करता है कि एआई सिस्टम जानबूझकर हानिकारक भविष्यवाणियां या अनजाने में अशुद्धियां पैदा करने से बचें, जो दोनों दुर्भावनापूर्ण एआई की पहचान हैं। नतीजतन, सीएल एआई समुदाय के भीतर एक प्रमुख चिंता को संबोधित करता है, एआई को हानिकारक उद्देश्यों के लिए शोषण से बचाता है। सहयोगी शिक्षण प्रक्रिया की अखंडता को बनाए रखते हुए, सीएल एआई सिस्टम में अधिक विश्वास और विश्वास पैदा करता है, जिससे उनके जिम्मेदार और नैतिक तैनाती का मार्ग प्रशस्त होता है।
- डेटा गोपनीयता। सीएल में, न तो नेटवर्क प्रतिभागियों के अंतर्निहित डेटा और न ही उनके व्यक्तिगत मॉडल किसी भी बिंदु पर साझा किए जाते हैं। वास्तव में, डेटा गोपनीयता से समझौता करने में सक्षम नेटवर्क पर कोई दुर्भावनापूर्ण हमले नहीं हैं, क्योंकि डेटा स्थानीय रूप से संग्रहीत रहता है। गोपनीयता को संरक्षित करना न केवल सहयोग को प्रोत्साहित करता है, बल्कि प्रतिस्पर्धा को भी संरक्षित करता है। इस संबंध में, सीएल एआई के माध्यम से डेटा मुद्रीकरण को सक्षम बनाता है, विशेष रूप से संवेदनशील या वाणिज्यिक डेटा जैसे स्वास्थ्य सेवा के लिए, केंद्रीकृत वातावरण में आने वाली पिछली चुनौतियों पर काबू पाने।
- पूर्ण विकेंद्रीकरण। डेटा और गणना संसाधन प्रतिभागियों के एक नेटवर्क में फैले हुए हैं, जो एक केंद्रीय सर्वर पर भरोसा किए बिना संवाद करते हैं। विशाल मात्रा में संसाधनों की मांग और एमएल मॉडल की बढ़ती जटिलता के कारण आधुनिक एमएल अनुप्रयोगों में विकेंद्रीकरण की आवश्यकता प्रमुखता से दिखाई देती है। विकेंद्रीकृत एमएल डेटा गोपनीयता को संरक्षित करने और सुरक्षा सुनिश्चित करने के लिए एक अधिक उपयुक्त समाधान के रूप में उभरता है।
- क्षमता। सीखने की प्रक्रिया में कम विलंबता है और अन्य अत्याधुनिक विकेन्द्रीकृत एमएल विधियों की तुलना में बहुत कम गणना समय, ऊर्जा और संसाधनों की आवश्यकता होती है। यह सीएल को वास्तविक समय के अनुप्रयोगों के लिए विशेष रूप से उपयुक्त बनाता है, जहां त्वरित निर्णय लेने और कुशल संसाधन उपयोग सर्वोपरि हैं।
यह काम किस प्रकार करता है
सर्वसम्मति सीखना एक संचार चरण के माध्यम से पहनावा विधियों को बढ़ाता है, जहां प्रतिभागी समझौते तक पहुंचने तक अपने (मॉडल) आउटपुट साझा करते हैं। सीएल एक दो-चरण प्रक्रिया है जिसे निम्नानुसार लागू किया जा सकता है:
- व्यक्तिगत सीखने का चरण। प्रत्येक नेटवर्क प्रतिभागी अपने निजी डेटा और अन्य सार्वजनिक रूप से उपलब्ध डेटा के आधार पर अपना स्वयं का मॉडल विकसित करता है। यह खरोंच से एक मॉडल बनाने से लेकर, बड़े पूर्व-प्रशिक्षित मॉडल का उपयोग करने और उन्हें उनकी आवश्यकताओं के लिए ठीक करने तक हो सकता है। महत्वपूर्ण रूप से, एक प्रतिभागी को कभी भी अपने डेटा या मॉडल के बारे में संवेदनशील जानकारी साझा करने की आवश्यकता नहीं होगी। एक बार प्रशिक्षण पूरा हो जाने के बाद, प्रतिभागी एक परीक्षण डेटासेट के लिए अपनी प्रारंभिक भविष्यवाणियां तैयार करेंगे - यह एक स्मार्ट अनुबंध के माध्यम से खुलासा किया गया डेटासेट हो सकता है, या, वैकल्पिक रूप से, प्रतिभागी प्रूफ-ऑफ-स्टेक तंत्र के माध्यम से नए परीक्षण डेटा बिंदुओं का प्रस्ताव कर सकते हैं, उदाहरण के लिए।
- संचार चरण। प्रतिभागी एक आम सहमति / गपशप प्रोटोकॉल के अनुसार नेटवर्क के भीतर अपनी प्रारंभिक भविष्यवाणियों को प्रसारित करते हैं। इन एक्सचेंजों के दौरान, प्रतिभागी अन्य नेटवर्क प्रतिभागियों के आकलन को प्रतिबिंबित करने के लिए अपनी भविष्यवाणियों को लगातार अपडेट करते हैं, साथ ही साथ अपनी भविष्यवाणियों में विश्वास भी करते हैं। इसके अतिरिक्त, एक प्रतिभागी बाकी नेटवर्क से प्राप्त भविष्यवाणियों की गुणवत्ता की निगरानी कर सकता है, और निर्णय लेने में सुधार के लिए इसका उपयोग कर सकता है। इस चरण के अंत में, प्रतिभागी नेटवर्क के भीतर उपलब्ध जानकारी को देखते हुए इष्टतम समझे जाने वाले निर्णय पर समझौते ("सर्वसम्मति") पर आते हैं। इस चरण को तब किसी भी नए डेटा इनपुट के लिए दोहराया जाता है।
चित्रा कैप्शन: बाइनरी वर्गीकरण कार्य के लिए सीएल कैसे काम करता है इसका एक उदाहरण। (ए) पहले चरण में, प्रतिभागी अपने स्वयं के डेटा के आधार पर अपने स्वयं के मॉडल विकसित करते हैं, और संभवतः अन्य प्रतिभागियों द्वारा स्वेच्छा से साझा किए गए अन्य डेटा। इस चरण के अंत में, प्रत्येक मॉडल परीक्षण डेटासेट के किसी भी इनपुट के लिए एक प्रारंभिक भविष्यवाणी (खोखले हलकों द्वारा दर्शाया गया) निर्धारित करता है। (बी) संचार चरण में, प्रतिभागी अपनी प्रारंभिक भविष्यवाणियों का आदान-प्रदान और अद्यतन करते हैं, अंततः एक एकल आउटपुट (भरे हुए हलकों द्वारा प्रतिनिधित्व) पर आम सहमति तक पहुंचते हैं। यह चरण किसी भी नए डेटा इनपुट के लिए दोहराया जाता है।
कड़ाई से बोलते हुए, ऊपर वर्णित एल्गोरिथ्म एक पर्यवेक्षित एमएल परिदृश्य को संदर्भित करता है - विशेष रूप से, यह एक ऐसी सेटिंग है जहां प्रशिक्षण डेटासेट पहले से ही लेबल किए गए हैं, और जहां एल्गोरिथ्म नए, अनदेखे, परीक्षण डेटा के लेबल के लिए भविष्यवाणियां करता है। हालांकि, सीएल को स्व-पर्यवेक्षित या असुरक्षित एमएल समस्याओं के लिए भी अनुकूलित किया जा सकता है, जहां प्रतिभागियों के पास केवल आंशिक रूप से या पूरी तरह से बिना लेबल वाले डेटा तक पहुंच होती है। इन विधियों के उद्देश्य थोड़े अलग हैं, प्रतिभागियों को व्यक्तिगत सीखने के चरण के दौरान विभिन्न तकनीकों को नियोजित करने की आवश्यकता होती है। बहरहाल, संचार चरण ऊपर दिए गए विवरण के समान तरीके से आगे बढ़ेगा।
आम सहमति सीखना कैसे खुद को अलग करता है
सीएल के पीछे का विचार किसी भी संवेदनशील या मूल्यवान जानकारी या बौद्धिक संपदा को साझा किए बिना कई स्रोतों से ज्ञान (एआई मॉडल के रूप में) को कुशलतापूर्वक संयोजित करना है। यह दृष्टिकोण गोपनीय जानकारी की सुरक्षा के लिए डिज़ाइन किया गया है, जबकि दुर्भावनापूर्ण संस्थाओं द्वारा उत्पन्न संभावित जोखिमों के खिलाफ लचीलापन भी सुनिश्चित करता है। सीएल अत्यधिक सफल पहनावा सीखने के प्रतिमान पर बनाता है, जो कई मॉडलों को एक में विलय करने के लिए शक्तिशाली तकनीक प्रदान करता है। पहनावा विधियां "भीड़ के ज्ञान" के सिद्धांत पर भरोसा करती हैं, किसी एक सदस्य को पार करने के लिए भीड़ के सामूहिक ज्ञान का लाभ उठाती हैं।
हाल के वर्षों में एआई सेवाओं के कई ब्लॉकचेन कार्यान्वयन सामने आए हैं, जो विकेंद्रीकृत नेटवर्क के साथ एआई को एकीकृत करने के लिए अभिनव दृष्टिकोण प्रदर्शित करते हैं। उदाहरण के लिए, बिटेंसर गेम-थ्योरेटिक तंत्र के माध्यम से "खनिकों" की भविष्यवाणियों को भारित करके, अपने डोमेन-विशिष्ट सबनेट के भीतर एआई अनुमान (मॉडल आउटपुट) की सुविधा प्रदान करता है। FLock.io फ़ेडरेटेड लर्निंग (एक अलग प्रकार की वितरित शिक्षा) के लिए एक मंच प्रदान करता है, यद्यपि एक केंद्रीकृत एग्रीगेटर के साथ, मॉडल अपडेट को मान्य करने और प्रतिभागियों को पुरस्कृत करने के लिए ब्लॉकचेन का उपयोग करता है। एक अन्य उदाहरण अनुष्ठान है, जो प्रभावी रूप से अपने इन्फर्नेट प्रोटोकॉल के माध्यम से एमएल मॉडल के लिए एक बाज़ार संचालित करता है, जहां एक विशिष्ट मॉडल चलाने के अनुरोध मॉडल मालिक को भेजे जाते हैं।
सीएल अपनी विशिष्ट एकत्रीकरण पद्धति के माध्यम से खुद को अलग करता है, जिसमें व्यक्तिगत मॉडल की भविष्यवाणियां समझौते तक पहुंचने के उद्देश्य से एक सुरक्षित गपशप प्रोटोकॉल से गुजरती हैं। जैसे, सीएल विकेन्द्रीकृत एआई मॉडल बनाने के लिए ब्लॉकचेन का लाभ उठाता है, जबकि मौजूदा कार्यान्वयन ब्लॉकचेन के माध्यम से केंद्रीकृत एमएल तक पहुंच को सक्षम करते हैं। सहयोग के माध्यम से अधिक सटीक और सुरक्षित एआई को सक्षम करने पर ध्यान केंद्रित किया गया है, साथ ही साथ उन संस्थाओं को अनुमति दी जाती है जो अपने डेटा की गोपनीयता सुनिश्चित करते हुए सिस्टम में शामिल होने के लिए निजी, अक्सर संवेदनशील डेटा रखती हैं।
संक्षेप में
सर्वसम्मति सीखना ब्लॉकचेन जैसे विकेन्द्रीकृत लेजर पर सीधे मशीन लर्निंग को लागू करने का एक महत्वपूर्ण अवसर प्रस्तुत करता है। इस पहल के साथ, हम एक नए दृष्टिकोण के उद्भव को देखते हैं जहां ब्लॉकचेन तकनीक मौजूदा एआई उपकरणों में मौलिक सुधार कर सकती है। यह पारंपरिक रूप से डेटा-संवेदनशील क्षेत्रों में नवाचार और सुरक्षित सहयोग के लिए रोमांचक संभावनाएं खोलता है, जैसे कि स्वास्थ्य सेवा, सहयोगी एमएल तकनीकों को अपनाने के लिए मंच स्थापित करना। इसके अलावा, दुर्भावनापूर्ण कारकों के सामने सीएल विधियों का लचीलापन एआई सिस्टम में अधिक विश्वास को बढ़ावा देता है, उनकी विश्वसनीयता और अखंडता को मजबूत करता है।
