OPML: تحسين تطبيقات تعلم الآلة داخل السلسلة

OPML(التعلم الآلي المتفائل) هو تقنية ناشئة يمكنها إجراء الاستدلال والتدريب لنماذج الذكاء الاصطناعي داخل السلسلة. مقارنةً بـ ZKML، فإن OPML يتمتع بميزة التكلفة المنخفضة والكفاءة العالية. ومن الجدير بالذكر أن عتبة المشاركة في OPML منخفضة جدًا - حتى أن أجهزة الكمبيوتر العادية يمكنها تشغيل نماذج اللغة الكبيرة، مثل نموذج 7B-LLaMA بحجم 26GB.

! OPML: التعلم الآلي مع مجموعة متفائلة

تستخدم OPML آلية لعبة التحقق لضمان لامركزية خدمات ML وقابلية التحقق منها. تسير سير العمل كما يلي:

1. المستخدم يطلب خدمة ML
2. أكمل الخادم المهمة وقدم النتيجة داخل السلسلة
3. يقوم المدققون بالتحقق من النتائج، وإذا كان هناك اعتراض، يتم بدء لعبة التحقق.
4. تحديد الخطوات المتنازع عليها بدقة من خلال بروتوكول ثنائي.
5. أخيرًا، يتم إجراء التحكيم خطوة بخطوة على العقد الذكي

! OPML: التعلم الآلي مع نظام التجميع المتفائل

لعبة التحقق ذات المرحلة الواحدة لـ OPML تشبه حساب التفويض (RDoC). وهي تشمل النقاط الرئيسية التالية:

• بناء آلة افتراضية لتنفيذ خارج السلسلة والتحكيم داخل السلسلة (VM)
• تنفيذ مكتبة DNN خفيفة الوزن مخصصة لزيادة الكفاءة
• استخدام تقنية الترجمة المتقاطعة لتحويل شفرة استدلال الذكاء الاصطناعي إلى تعليمات VM
• استخدام شجرة ميركل لإدارة صور VM، يتم تحميل الجذر فقط داخل السلسلة

ومع ذلك، فإن لعبة التحقق من مرحلة واحدة تعاني من قيود رئيسية: يجب تنفيذ جميع العمليات الحسابية داخل VM، مما يمنع الاستفادة الكاملة من تسريع GPU/TPU. ولذا، اقترح OPML خطة توسيع للعبة التحقق من عدة مراحل.

! OPML: التعلم الآلي مع مجموعة متفائلة

الفكرة الأساسية لملف OPML متعدد المراحل هي:

• يتم الحساب في VM فقط في المرحلة النهائية
• يمكن تنفيذ المراحل الأخرى في البيئة المحلية، والاستفادة الكاملة من موارد الأجهزة
• استخدام شجرة ميركل لضمان سلامة وأمان الانتقالات بين المراحل

كمثال على نموذج LLaMA، فإن سير عمل OPML على مرحلتين هو:

1. المرحلة الثانية: إجراء لعبة التحقق على الرسم البياني الحسابي، باستخدام وحدة المعالجة المركزية متعددة الخيوط أو وحدة معالجة الرسومات
2. المرحلة الأولى: تحويل حساب العقدة الفردية إلى تعليمات VM

! OPML: التعلم الآلي مع مجموعة متفائلة

تتميز OPML متعددة المراحل بميزات بارزة مقارنةً بالحلول أحادية المرحلة:

• سرعة الحساب زادت بمقدار α ( α بالنسبة للتسريع بواسطة GPU/التوازي )
• حجم شجرة ميركل تقلص من O(mn) إلى O(m+n)

لضمان اتساق نتائج ML، اعتمد OPML على تقنيتين رئيسيتين:

1. خوارزمية النقاط الثابتة ( تقنية التكميم ): استخدام الدقة الثابتة بدلاً من الأعداد العشرية.
2. مكتبة الفاصلة العائمة المعتمدة على البرمجيات: تأكد من اتساق عبر الأنظمة الأساسية

! OPML: التعلم الآلي مع نظام التجميع المتفائل

بشكل عام، يوفر OPML حلاً فعالًا ومنخفض التكلفة ومركزياً للذكاء الاصطناعي داخل السلسلة. على الرغم من أن التركيز الحالي هو على استنتاج النموذج، إلا أن هذا الإطار يدعم أيضًا عملية التدريب، ومن المتوقع أن يصبح منصة ذكاء اصطناعي شاملة.