未来的工作场所将依靠海量数据运行。为了理解这些数据，企业、开发人员和个人将需要更好的人工智能(AI)系统、训练有素的AI工作者和更高效的数字运算服务器。
虽然大型科技公司拥有满足这些需求的资源和专业知识，但它们仍然超出了大多数中小企业和个人的能力范围。为了满足这一需求，由康考迪亚大学领导的国际研究团队开发了一个新框架，使复杂的人工智能任务对用户来说更容易访问和透明。
该框架在《信息科学》杂志发表的一篇文章中进行了描述，专门为深度强化学习(DRL)请求提供解决方案。DRL是机器学习的一个子集，它结合了深度学习(使用分层神经网络在海量数据集中寻找模式)和强化学习(其中代理通过基于奖励/惩罚系统与环境交互来学习如何做出决策)。
DRL广泛应用于游戏、机器人、医疗保健和金融等不同行业。
该框架将具有特定但无法实现的AI需求的开发者、公司和个人与拥有所需资源、专业知识和模型的服务提供商配对。该服务是众包的，建立在区块链上，并使用智能合约(代码中内置了一组预定义条件的合约)将用户与合适的服务提供商配对。
“将DRL的训练和设计过程众包化，可以让这个过程更加透明，更容易理解，”吉娜科迪工程与计算机科学学院博士生、论文第一作者艾哈迈德·阿拉加(AhmedAlagha)说道。
“有了这个框架，任何人都可以注册并建立历史记录和个人资料。根据他们的专业知识、培训和评级，可以为他们分配用户请求的任务。”
实现DRL民主化
据其合著者兼论文导师、康考迪亚信息系统工程研究所教授贾马尔·本塔哈(JamalBentahar)介绍，这项服务将DRL的潜力发挥到比以前更广泛的人群中。
“要训练DRL模型，你需要的计算资源并不是每个人都能获得的。你还需要专业知识。这个框架兼具了这两点，”他说。
研究人员认为，通过区块链分散计算工作量，他们的系统设计将降低成本和风险。通过让数十台或数百台其他机器处理同一问题，可以减轻服务器崩溃或恶意攻击可能造成的灾难性后果。
Alagha解释道：“如果一个中心化服务器发生故障，整个平台就会瘫痪。区块链为你提供了分布式和透明度。一切都记录在区块链上，因此很难被篡改。”
通过利用现有模型，仅需进行一些相对较小的调整即可满足用户的特定需求，从而可以缩短训练模型正常工作的困难且昂贵的过程。
“例如，假设一个大城市开发了一个模型，可以自动执行交通信号灯序列，以优化交通流量并最大限度地减少事故。较小的城市或城镇可能没有资源自行开发一个模型，但它们可以使用大城市开发的模型并根据自己的情况进行调整。”