סקירה מקיפה של בלוקצ’יין באינטליגנציה מלאכותית

אינטליגנציה מלאכותית ובלוקצ’יין הן שתיים מהחידושים הטכנולוגיים המהפכניים ביותר בזמנים האחרונים.

• אינטליגנציה מלאכותית (AI): מאפשרת למכונות ומחשבים לחקות תהליכי חשיבה וקבלת החלטות אנושיים.
• בלוקצ’יין: רשומה מבוזרת ובלתי ניתנת לשינוי שאוחסנה באופן בטוח ומהימן בצורה מבוזרת.

לאחרונה, מדענים חקרו את היישומים הפוטנציאליים של טכנולוגיות אלה ברחבי תחומים שונים. במאמר זה, נספק סקירה קצרה של כיצד ניתן לשלב בלוקצ’יין עם AI, מושג שעשוי להיקרא “אינטליגנציה מלאכותית מבוזרת”. בואו נצלול לעומק.

אינטליגנציה מלאכותית מבוזרת: מבוא לבלוקצ’יין ב-AI

בעשור האחרון, בלוקצ’יין היה אחד החידושים המהוללים ביותר, והוא החל לצבור תאוצה כאשר מצא יישומים בתחומים אחרים. מאז הופעתו ב-2008, הוא המשיך להתפתח כטכנולוגיה מהפכנית שיכולה למהפך את הדרך בה אנו אוחסנים או מעבירים נתונים או מידע, ולמהפך את הדרך בה אנו עוקבים אחר תרחישים או אוטומטים.

אחד הנקודות המדוברות ביותר על בלוקצ’יין הוא שכל עסקה בבלוקצ’יין מחותמת באופן קריפטוגרפי, וצמתים הכורים המחזיקים עותק מלא של הרשומה כולה מאשרים כל עסקה כזו, שתוצאתה היא יצירת רשומות מסונכרנות, בטוחות ומשותפות עם תאריך ושעה, שאינן ניתנות לשינוי. תוצאת הדבר היא שבלוקצ’יין יכול להיות אפשרות יעילה לביטול הצורך ברשות מרכזית לאימות וניהול עסקאות ואינטראקציות בין משתמשים ברשת.

התעשייה הטכנולוגית הולידה וייצרה כמות עצומה של נתונים בזכות חידושים טכנולוגיים כגון התקנים IoT, טלפונים חכמים, מדיה חברתית ויישומי רשת, שתרמו במידה ניכרת לעלייה של AI, מכיוון שמערכות AI מנצלות לעיתים קרובות כמות גדולה של נתונים באמצעות למידה עמוקה ושיטות למידת מכונה כדי לבצע ניתוחים שונים.

אפילו היום, חלק ניכר מטכניקות הלמידה והלמידה העמוקה למודלים AI מסתמכות על מודל מרכזי שמאמן קבוצה של שרתים שרצים או מאמנים מודל מסוים נגד נתוני אימון, ואז מאמתים את הלמידה באמצעות נתוני אימות או אימון. הדרישה הגבוהה לאמן מודל AI בצורה יעילה היא הסיבה למה חברות טכנולוגיה גדולות וצוותי פיתוח רבים אוחסנים כמות גדולה של נתונים כדי לאמן את מודליהם לתוצאות הטובות ביותר והביצועים.

רוב מודלי ה-AI והפרקטיקות היום הן מרוכזות, ואף על פי שמרכזיות הביאה הרבה הצלחה לתעשיית AI, יש חיסרון גדול עם אחסון נתונים מרוכז למודלים AI. כאשר כל הנתונים אוחסנו באופן מרוכז, האפשרות לזיוף נתונים או נתונים מושחתים עולה, מכיוון שאחסון נתונים מרוכז תמיד נתון להתקפות מלוורים ואבטחת סייבר. כמו כן, כאשר מטפלים בכמות גדולה של נתונים, זהו משימה אתגרית לאמת את מקור הנתונים ואת האותנטיות, שעלולה להוביל לאימון לא נכון של המודל, שיכול להוביל לתוצאות לא רצויות, לא מדויקות ואפילו מסוכנות.

האתגרים עם אחסון נתונים למודלים AI הוא הסיבה העיקרית מאחורי השימוש בבלוקצ’יין ב-AI ופיתוח אינטליגנציה מלאכותית מבוזרת. המטרה הראשית של אינטליגנציה מלאכותית מבוזרת היא לאפשר תהליך ולבצע קבלת החלטות או ניתוחים באמצעות נתונים חתומים דיגיטלית, מאובטחים ומהימנים, שאוחסנו ונמסרו ברשת בלוקצ’יין באופן מבוזר, ללא שימוש במשאבים חיצוניים.

מודלים AI ידועים בכך שהם עובדים עם כמות גדולה של נתונים, ומדענים כבר חזו שבלוקצ’יין יהיה עתיד האחסון. כמו כן, בלוקצ’יין הוא בעל חוזים חכמים שמאפשרים למשתמשים לתכנת את רשת הבלוקצ’יין כדי לנהל עסקאות בין המשתתפים המעורבים ביצירה או גישה לנתונים, או קבלת החלטות. יישומים אוטונומיים ומכונות המבוססים על חוזים חכמים של בלוקצ’יין יכולים ללמוד ולהסתגל לשינויים עם הזמן, והם גם יכולים לקבל החלטות מדויקות ומהימנות, תוצאות שאומתו ואושרו על ידי צמתים הכורים של רשת הבלוקצ’יין.

כיצד בלוקצ’יין יכול לשנות את האינטליגנציה המלאכותית?

מספר חוסרים בתעשיית האינטליגנציה המלאכותית והבלוקצ’יין יכולים להיות מטופלים ביעילות על ידי שילוב שני המערכות הטכנולוגיות. בלוקצ’יין משמש כרשומה מבוזרת שאוחסנה ומעבירה נתונים בשיטה מחותמת קריפטוגרפית, שמאושרת ומאומתת על ידי צמתים הכורים של הרשת. רשתות בלוקצ’יין אוחסנו נתונים עם עמידות ושלמות גבוהה, שהופכת אותם לבלתי ניתנים לשינוי, וזהו הסיבה העיקרית למה בלוקצ’יין יכול להיות אפשרות יעילה לביטול הצורך ברשות מרכזית לאימות וניהול עסקאות ואינטראקציות בין משתמשים ברשת.

המשך, חלק מהיתרונות הבולטים של אינטגרציה של AI ובלוקצ’יין הם:

• אבטחת נתונים משופרת

סיבה מרכזית לפופולריות הרבה של בלוקצ’יין היא שהוא מציע שיטה בטוחה ומאובטחת לאחסון מידע באינטרנט. בלוקצ’יינים מציעים חלופה לאחסון מידע רגיש וקריטי על דיסקים, על ידי אחסון נתונים חתומים דיגיטלית, שניתן לגישה רק באמצעות מפתחות פרטיים. כך, השימוש בבלוקצ’יין לאחסון נתונים לאלגוריתמים AI יאפשר למודלים AI לעבוד עם נתונים רגישים, וכתוצאה מכך לספק מידע מדויק ומהימן יותר.

• קבלת החלטות קולקטיבית

במערכת טכנולוגית, היישומים או הכלים המעורבים חייבים לעבוד בתיאום עם עצמם כדי להשיג את המטרה עם יעילות מרבית. מערכות בלוקצ’יין מציעות פתרונות מבוזרים ומופצים לאלגוריתמים של קבלת החלטות, שיכולים להחליף את הצורך ברשות מרכזית. ביטול הרשות המרכזית יאפשר לרובוטים לדון בנושא, להצביע על כל סוגיה, ולפתור את הבעיה עם רוב עד שהגיעו למסקנה.

• אמון מוגבר בהחלטות רובוטיות

בלוקצ’יין אוחסן נתונים באופן מאוד בטוח, שאינו ניתן לשינוי, מה שמבטיח את איכות הנתונים לאורך כל תהליך האימון. כתוצאה מכך, המודל יתאמן על נתונים מדויקים, שיגבירו את דיוק המודל.

• יעילות גבוהה יותר

אחד הסיבות העיקריות למה תהליכים עסקיים המעורבים משתמשים רבים, כגון בעלי מניות מרובים, ארגונים ממשלתיים וחברות, הם לעיתים קרובות לא יעילים, הוא בגלל אישורים רבים של עסקאות. השימוש בבלוקצ’יין וחוזים חכמים יאפשרו סוכנים אוטונומיים מבוזרים (DAO) שיאמתו העברות נתונים או נכסים בין בעלי עניין שונים באופן אוטומטי, יעיל ומהיר.

טקסונומיה של בלוקצ’יין ב-AI

בחלק זה, נדון בחלק מהמושגים המרכזיים המשמשים ביישום טכנולוגיות בלוקצ’יין ליישומים AI, המוזכרים בתמונה להלן.

יישומים AI מבוזרים

יישומי AI הנוכחיים פועלים באופן אוטונומי לבצע החלטות מושכלות באמצעות אסטרטגיות תכנון, חיפוש, אופטימיזציה, למידה, שחזור ידע וניהול. אולם, הפיכת יישומי AI למבוזרים היא משימה קשה ואתגרית.

• חישוב אוטונומי

אחד היעדים העיקריים של יישומי AI הוא לאפשר פעולה אוטונומית חלקית או מלאה, שבה סוכנים אינטליגנטים רבים או תוכניות מחשב קטנות יכולים לקלוט ולנתח את סביבתם, לשמור על מצבם הפנימי, ולבצע פעולות מוגדרות.

• אופטימיזציה

אחת התכונות המרכזיות של יישומי AI היא יכולתם לקבל החלטות היעילות והטובות ביותר, על ידי סינון קבוצה של פתרונות אידיאליים בין כל הפתרונות האפשריים, וזאת בזכות אופטימיזציה של אלגוריתמים ומודלים AI. טכניקות אופטימיזציה מטרתן למצוא את הפתרון הטוב ביותר לבעיה, תוך פעולה בסביבה מוגבלת או לא מוגבלת, בהתאם ליעדים של המערכת והיישום. אופטימיזציה מבוזרת תוביל ליעילות וביצועים טובים יותר.

• תכנון

יישומי AI משתמשים באסטרטגיות תכנון כאשר הם משתפים פעולה עם יישומים ומערכות אחרות כדי לפתור בעיות מורכבות בסביבות חדשות או מאתגרות. אסטרטגיות תכנון ממלאות תפקיד חשוב בשמירה על העמידות והיעילות של מודלי AI. השימוש בבלוקצ’יין לאסטרטגיות תכנון יכול להוביל לפיתוח אסטרטגיות בלתי ניתנות לשינוי וקריטיות, המשמשות למערכות ויישומים אסטרטגיים.

• גילוי ידע וניהול ידע

יישומי AI ידועים בכך שהם עובדים עם כמות גדולה של נתונים, והם תלויים במערכות עיבוד נתונים מרוכזות. עם השימוש במבוזרות, תהליכי גילוי ידע וניהול ידע יוכלו לספק דפוסי ידע אישיים, שיקבלו בחשבון את צורכי כל הבעלי עניין המעורבים.

• למידה

בלב יישומי AI ישנם אלגוריתמי למידה, שמאפשרים את תהליכי גילוי ידע ואוטומציה. קיימים סוגים שונים של אלגוריתמי למידה, כגון למידה מודרכת, למידה בלתי מודרכת, למידה חצי מודרכת, למידת חיזוק, למידה משולבת, מודלים עמוקים, ועוד, שפותרים בעיות למידת מכונה שונות. השימוש במודלים מבוזרים יכול להוביל למערכות למידה אוטונומיות, שתומכות באינטליגנציה מקומית ברחבי המערכות AI.

פעולות AI מבוזרות

מודלים AI ואלגוריתמים רבים מאמנים, בודקים ומאמתים על כמות גדולה של נתונים, כדי לקבל החלטות טובות יותר ומגוונות יותר. אולם, השימוש בפתרונות אחסון נתונים מרוכזים, כגון מרכזי נתונים, עננים וקלאסטרים, מהווה מכשול גדול בפיתוח מערכות AI בטוחות, ששומרות על פרטיות המשתמשים. להלן כמה מיישומי בלוקצ’יין הבולטים, שניתן לאמץ על ידי יישומי AI רבים.

• אחסון מבוזר

פתרונות אחסון נתונים מרוכזים רגישים מאוד מבחינת ביטחון ופרטיות, מכיוון שפתרונות אלו כוללים מידע אישי של המשתמש, כולל מיקומים, רשומות בריאות, פעילויות ומידע פיננסי. בלוקצ’יין מציע פתרונות אחסון מבוזרים ומאובטחים באופן קריפטוגרפי, ברחבי היישומים והרשתות המשתתפות. פתרונות אחסון נתונים מבוזרים משתמשים בצמתים, וכל צומת ברשת שומר עותק מוצפן של המסד הנתונים, כדי להבטיח זמינות נתונים ללקוחות. הלקוחות רשאים להשתמש ולכרות את הנתונים שלהם, כפי שהם רוצים.

שניים משיטות האחסון הנפוצות ביותר בפתרונות אחסון נתונים מבוזרים הם Sharding ו-Swarming. Sharding הוא תהליך שבו יוצרים מחיצות לוגיות של מסדי נתונים, הידועות כ-“Shards”, כאשר כל מחיצה מוקצה מפתח ייחודי, שניתן להשתמש בו כדי לגישה למחיצה. Swarming, לעומת זאת, הוא שיטה שמשתמשת ב-“Swarms” כדי לאפשר גישה מקבילית לנתונים ממספר צמתים ברשת, כדי להפחית את העיכוב ביישומי AI, ובכך להוביל לביצועים חלקים ויעילים יותר. ה-Shards מאורגנים יחד, תוך יצירת אחסון משותף, שתומך על ידי קבוצה של צמתים ברשת, בצורה של Swarms.

השימוש בפתרונות אחסון נתונים מבוזרים יכול להוביל לשיפור באמינות ובקנה מידה של אחסון, בזכות הפצה גאוגרפית מרובת-צדדית, המסופקת על ידי פתרונות האחסון המבוזרים. חלק מפתרונות האחסון המבוזרים החדשים כוללים Storj, Swarm, Sia, FileCoin, IPFS, ועוד.

• ניהול נתונים

אחד הדרישות העיקריות לפיתוח יישום AI הוא לנהל נתונים בצורה שתאפשר איסוף נתונים מדויקים, רלוונטיים ושלמים, ממקורות נתונים אמינים ומהימנים. באופן מסורתי, יישומי AI ואלגוריתמים השתמשו בשיטות ניהול נתונים מרוכזות, כגון חלוקת נתונים, סינון נתונים ואחסון נתונים תוךכלי, שבוצעו בכל צומת ברשת. לעומת זאת, פתרונות ניהול נתונים מבוזרים תוכננו להיות מופצים ברמת הצומת ברשת, בהתחשב במאפיינים המרחביים והזמניים של הנתונים. כמו כן, כדי לשמור על היוחסים והביטחון של הנתונים, פתרונות ניהול מבוזרים יכולים לשים את המטא-נתונים על הבלוקצ’יין.

סוגי בלוקצ’יין ליישומי AI

טכנולוגיית הבלוקצ’יין יכולה להיחלק לשני קטגוריות: מורשים, שבהם רק משתמשים מורשים יכולים לגישה ליישומי בלוקצ’יין בסביבות עננים, שיתופיות או פרטיות, ו-ללא הרשאה, שבהם כל אחד יכול לגישה ציבורית למערכות באמצעות האינטרנט.

• בלוקצ’יינים ציבוריים

בלוקצ’יין ציבורי שייך לקטגוריה של בלוקצ’יינים ללא הרשאה, שבהם משתמשים רשאים להוריד את קוד הבלוקצ’יין, לשנות אותו, ולהשתמש בו על פי צורכיהם. כמו כן, בלוקצ’יינים ציבוריים הם לרוב קוד פתוח לקריאה וכתיבה, ונגישים בקלות. מכיוון שבלוקצ’יינים ציבוריים נגישים לכולם, מערכות אלו משתמשות בפרוטוקולים מורכבים לביטחון, ומידע זהות ופרטיות העסקאות של המשתמשים ברשת מנוהלים באמצעות נתונים אנונימיים ופסאודונימיים. להעברת נתונים ונכסים, כל רשת בלוקצ’יין ציבורית משתמשת במטבעות ייחודיים, הידועים כ-“מצביעי ערך” או “קריפטו-מטבעות”.

• בלוקצ’יינים פרטיים

בניגוד לבלוקצ’יינים ציבוריים, רשתות בלוקצ’יין פרטיות הן מערכות מורשות, שניהלו על ידי ארגון בודד, והן תוכננו כמערכות ללא הרשאה, שבהן המשתמשים המעורבים תמיד ידועים בתוך הרשת, והם קיבלו אישור מראש לקריאה וכתיבה ברשת. בלוקצ’יינים פרטיים מציעים יעילות גבוהה יותר, מכיוון שזהות המבקרים ידועה, והם משתמשים מורשים מראש של הרשת, מה שמבטל את הצורך באלגוריתמים מורכבים ופעולות מתמטיות לאימות כל עסקה ברשת.

בדומה לבלוקצ’יינים ציבוריים, אישור עסקה והעברת נכסים ברשת בלוקצ’יין פרטית נעשית על ידי אלגוריתמי קונסנסוס רב-מפלגתיים או הצבעה, שמאפשרים עסקאות מהירות יותר, וצורכים פחות אנרגיה. בממוצע, זמן אישור עסקה ברשת בלוקצ’יין פרטית הוא פחות משנייה.

• רשתות בלוקצ’יין בשיתוף

רשתות בלוקצ’יין בשיתוף, הידועות גם כרשתות בלוקצ’יין פדרטיביות, מופעלות על ידי קבוצה של ארגונים, שבדרך כלל נוצרים על בסיס אינטרסים משותפים. רשתות בלוקצ’יין בשיתוף מוצעות בדרך כלל על ידי ארגונים ממשלתיים וגופים, בנקים, וחברות בלוקצ’יין פרטיות.

בדומה לנגזרים הפרטיים שלהם, רשתות בלוקצ’יין בשיתוף פועלות כמערכות מורשות, אם כי מספר משתמשים ברשת הם בעלי הרשאות קריאה וכתיבה. בדרך כלל, כל המשתמשים ברשת בלוקצ’יין בשיתוף הם בעלי הרשאת קריאה, אך רק מספר מוגבל של אנשים יכולים לכתוב נתונים על הרשת.

תשתית מבוזרת ליישומי AI

ארכיטקטורות בלוקצ’יין תוכננו במקור על ידי מפתחים כתשתית ליניארית, באמצעות שילוב של אסטרטגיות ההשמה ומבני נתונים של רשימות קשורות. אולם, לאחרונה, מפתחים עובדים על תשתיות לא-ליניאריות, באמצעות שימוש בתורים מידע ותורת הגרפים, כדי להתמודד עם נתונים גדולים, ולתמוך ביישומים AI בזמן אמת.

יישומי AI המאופשרים על ידי בלוקצ’יין

אחסון נתונים מבוזר וניהול נתונים עם AI

השימוש בבלוקצ’יין עם AI איפשר למפתחים לעבוד על פיתוח מערכות יציבות, שתומכות באינטראקציה בין חידושים טכנולוגיים שונים, ובכך לספק פלטפורמה לניהול נתונים, העברת נתונים ואחסון נתונים בטוחים. התמונה להלן מדגימה את המאפיינים המשולבים של טכנולוגיות בלוקצ’יין ו-AI, לתעשיית הרפואה, הכוללת שלבים כגון ניתוח, אבחון, אימות גילויים רפואיים ודו”חות, וקבלת החלטות קריטיות.

בשנים האחרונות, טיפול בכמות גדולה של נתונים, הגברת כוח החישוב של אלגוריתמים ומודלים באופן אקספוננציאלי, וגידול בקבלה של משתמשים של מערכות ויישומים מחוברים, היו בראש סדר העדיפויות בתעשיית AI ולמידת מכונה. כיוון שרשתות עצביות מלאכותיות דורשות כמות גדולה של נתונים וכוח חישוב גבוה לצורכי אימון, הכרחי ליצור מרכזי נתונים חזקים, כדי לרכוש סטים גדולים של נתונים. במהלך תהליך בדיקה, ניתן להשתמש ברשתות בלוקצ’יין, כדי לאחסן את הנתונים ומידע השאילתות, תוך השגת רמה גבוהה יותר של ביטחון ופרטיות. כמו כן, האינטגרציה של AI ובלוקצ’יין תספק מנגנון קונסנסוס חזק, שהוא בלתי ניתן לשינוי, מבוזר ואמין.

תשתית מבוזרת ל-AI

הצגת תשתית הבלוקצ’יין הוסיפה שלושה מאפיינים חדשים לארכיטקטורות המבוזרות המסורתיות: בקרה משותפת ומבוזרת של נתונים ונכסים, חילופי נכסים ילידים, ורשומות אודיט שאינן ניתנות לשינוי. כאשר תשתית הבלוקצ’יין שולבה עם טכנולוגיות AI, היא סיפקה למשתמשים מודלי נתונים חדשים, והציעה בקרה משותפת של מודלי AI ונתוני אימון, תוך הוספת אמינות לנתונים. כדי לייצר מודלים טובים יותר, מודלי AI זקוקים לגישה לכמות גדולה של נתונים, שמסופקים על ידי רשתות בלוקצ’יין.

רשתות מבוזרות, כגון IPFS ו-Ethereum, יכולות לטפל באחסון נתונים, ומשאבים חישוביים גדולים, בהתאמה, ובכך לספק רשומות ללא זיוף, עם רמה גבוהה של פרטיות. פלטפורמות AI מבוזרות ופתוחות, כגון ChainIntel, מטרתן לבטל את המונופול על שירותי AI, הנשלטים על ידי חברות גדולות.

יישומי AI מבוזרים

קבלת החלטות קולקטיבית ואינטליגנציה מבוזרת יכולים להיות בעלי יישומים רבים. לדוגמה, התמונה להלן מדגימה את המאפיינים והיתרונות של שילוב בלוקצ’יין עם IoT ו-AI, כדי להגביר את היבול בשדות. חיישני IoT יכולים לפקח על רמות המזון באדמה, ולצלם תמונות, שיכולות לעזור בפיקוח על צמיחת היבול לאורך זמן. AI יכול להשתמש בנתונים שמגיעים מחיישני IoT, כדי לספק ניתוחים תחזיתיים, שיאפשרו לחקלאים לפקח על תנאים שונים. השימוש בבלוקצ’יין מבטיח, שכל משתמש ברשת יהיה בעל גישה לעסקאות, מה שיקטין את הזמן המבוזבז על לוגיסטיקה.

התמונה לעיל מדגימה מערכות המבוססות על בלוקצ’יין, המשמשות לחקר האוקיינוסים באופן אוטומטי ואינטליגנטי.

התמונה לעיל מדגימה את השימוש בבלוקצ’יין ו-AI, למטרות פיננסיות ובנקאות, וכיצד בלוקצ’יין ו-AI יכולים לשפר את היעילות, הביטחון והבטיחות של המערכת הפיננסית.

מסקנה

במאמר זה, דנו ביישומים ומקרי שימוש של בלוקצ’יין ב-AI. המאמר מספק סקירה קצרה של איך בלוקצ’יין יכול לשולב עם AI, מושג שעשוי להיקרא “אינטליגנציה מלאכותית מבוזרת”. המשך, דנו גם בטקסונומיה של בלוקצ’יין ב-AI, ובטכנולוגיות הקשורות, והשוואת יישומי בלוקצ’יין מבחינת סוגי בלוקצ’יין ותשתית, פעולות AI מבוזרות, ו-פרוטוקולים. לבסוף, דנו ביישומים השונים של בלוקצ’יין ב-AI.

לסכום, ניתן לומר, שיישום בלוקצ’יין ב-AI, הוא בעל פוטנציאל לטפל ולפתור בעיות קיימות בתעשיית AI, הקשורות לפרטיות המשתמש, אורקלים בטוחים, ביטחון חוזים חכמים, פרוטוקולי קונסנסוס, תקינות, וממשל.