Ricercatori presentano un Framework Blockchain per Democratizzare l’Apprendimento Profondo Rinforzato

Un team di ricercatori, guidato dall’Università di Concordia, ha annunciato ieri un innovativo framework basato su blockchain per rendere il deep reinforcement learning (DRL) più accessibile.

Il DRL, un ramo dell’IA che combina deep learning e reinforcement learning, si è dimostrato prezioso in settori come il gaming, la robotica, la sanità e la finanza. Tuttavia, a causa della sua complessità, rimane fuori dalla portata di molte piccole imprese e individui.

Per colmare questo divario, i ricercatori hanno sviluppato un framework di DRL come Servizio (DRLaaS) basato sulla crowdsourcing, che consente agli utenti di accedere ai servizi legati al DRL, inclusi l’addestramento e la condivisione dei modelli.

Questo nuovo framework consente agli utenti di sfruttare l’esperienza e le capacità computazionali dei lavoratori che possono addestrare modelli DRL per loro conto. Inoltre, gli utenti possono beneficiare di modelli pre-addestrati condivisi dai lavoratori, che possono poi essere personalizzati attraverso metodi di trasferimento di conoscenza.

Costruito su un Blockchain Consorziale, questo framework garantisce trasparenza e tracciabilità nell’esecuzione dei compiti. Il sistema utilizza contratti intelligenti per gestire l’assegnazione dei compiti e i modelli vengono memorizzati utilizzando l’InterPlanetary File System (IPFS) per mantenere l’integrità dei dati.

Utilizzando la tecnologia blockchain, il framework affronta le preoccupazioni relative ai guasti del server e alla manipolazione dei dati.

Secondo l’autore principale, Ahmed Alagha, l’aspetto del crowdsourcing migliora l’accessibilità, permettendo a più persone di partecipare allo sviluppo di soluzioni DRL.

“Con questo framework, chiunque può iscriversi e costruire una storia e un profilo. In base alla loro competenza, formazione e valutazioni, possono ricevere incarichi che gli utenti stanno richiedendo,” ha detto Alagha.

Gli autori sostengono che la decentralizzazione del sistema riduce anche il rischio di fallimenti catastrofici e abbassa i costi associati alla formazione di modelli DRL.

Gli autori affermano che distribuendo gli sforzi computazionali su più macchine, il sistema offre resistenza contro i crash dei server o gli attacchi informatici, un miglioramento significativo rispetto ai sistemi centralizzati tradizionali.

Il coautore Jamal Bentahar, supervisore della tesi di Alagha, ha sottolineato come questo servizio democratizzi l’accesso alle soluzioni DRL.

“Per addestrare un modello DRL, hai bisogno di risorse computazionali che non sono a disposizione di tutti. Hai anche bisogno di competenze. Questo framework offre entrambi,” ha osservato Bentahar.

I dettagli completi di questo framework possono essere trovati nel loro articolo di ricerca, pubblicato in Information Sciences, che mette in evidenza il design del framework e le sue potenziali applicazioni.