ブロックチェーンと人工知能技術を深く組み合わせるテクノロジー企業として、Fetch.AI は、人工知能、ブロックチェーン、モノのインターネット技術を組み合わせることで、分散型スマート経済を構築し、分散型目標を達成することを目指しています。同社の目標は、企業と消費者に経済的に対話するまったく新しい方法を提供し、より効率的で安全かつスマートな取引を可能にすることです。
AI+ ブロックチェーンの高度にインテリジェントでオープンなアーキテクチャのおかげで、Fetch.AI には、物流、サプライ チェーン、金融、エネルギー、医療、その他の分野を含む幅広いアプリケーション シナリオがあります。 Fetch.AI の技術アーキテクチャは主に、Fetch.AI メイン チェーンと Fetch.AI インテリジェント エージェントの 2 つの部分で構成されます。 Fetch.AI メイン チェーンは、ブロックチェーン テクノロジーに基づく分散型台帳で、トランザクションとスマート コントラクトを記録し、トランザクションのセキュリティと信頼性を確保するために使用されます。 Fetch.AI スマート エージェントは、自律的にタスクを実行し、リソースを調整し、他のスマート エージェントと対話して、自動化されたインテリジェントな分散型経済相互作用を実現できる人工知能機能を備えたスマート コントラクトです。
最初のレベルのタイトル
ネットワーク ノードに自らを管理させる: 自律型経済エージェント アーキテクチャ (AEA)
Fetch.ai ネットワークでは、データを持つ個人または企業はエージェントによって代理され、エージェントはデータを求める個人または企業のエージェントに連絡します。この機関はオープン経済フレームワーク (OEF) に基づいて運営されています。これは、データ ソースを表すエージェントがアクセスできるデータをアドバタイズできる検索および検出メカニズムとして機能します。同様に、データを探している個人または企業は、OEF を使用して、問題のデータにアクセスできるエージェントを検索できます。
Fetch.AI の AEA アーキテクチャは、自律的で協調的なインテリジェント エージェント ネットワークを構築するための分散型インテリジェント エージェント アーキテクチャです。 AEAは自律経済主体の略で、その中心的なアイデアは、人工知能とブロックチェーン技術を組み合わせて分散型スマート経済を構築し、インテリジェントで自律的かつ分散型の経済相互作用を実現することです。
AEA アーキテクチャのコア コンポーネントには、主に次の 4 つのモジュールが含まれます。
AEA エージェント (エージェント):AEA エージェントは、自律的な意思決定、自律的なコラボレーション、自律的な学習の機能を備えた自律的でプログラム可能なインテリジェント エージェントであり、AEA の中核コンポーネントであり、自律的な意思決定とアクションの機能を持つ独立したエンティティを表します。各 AEA エージェントは独自のウォレット アドレス、ID、スマート コントラクトを持ち、他のエージェントと対話し、協力することができます。
AEA通信（接続）：AEA通信はブロックチェーン技術をベースとしたポイントツーポイント通信プロトコルであり、エージェント間の情報伝達や対話を実現するために使用されます。 AEA 通信により、対話のセキュリティと信頼性が保証されます。 Fetch.AI の AEA は、WebSocket 接続や HTTP 接続などの複数の接続方法をサポートしています。
AEA スキル (スキル):AEA スキルは、AEA エージェントの機能と能力を拡張するために使用されるプラグイン可能なモジュールです。各スキルは、自然言語処理、機械学習、意思決定など、エージェントの特定の機能を実装するためのスマート コントラクトと Python パッケージで構成されます。スキルには複数のプロトコルとモデルを含めることができるため、エージェントは他のエージェントからのリクエストを理解して応答できます。
AEA プロトコル (プロトコル):AEA プロトコルは、エージェント間の協力と対話のための協力メカニズムです。 AEA プロトコルは、エージェント間の共同作業を実現するために、メッセージの形式、プロトコル フロー、エージェント間の対話ルールを定義します。プロトコルは、エージェント間の通信のルールとガイドラインです。プロトコルは、エージェントが情報を交換し、リクエストに応答し、エラーを処理する方法を定義します。 Fetch.AI の AEA は、Fetch.AI 独自のエージェント通信言語 (ACL) や HTTP プロトコルなど、複数のプロトコルをサポートします。
企業が予測モデルをトレーニングするためのデータを探していると想像してください。企業のエージェントがデータ ソースを表すエージェントに接続すると、取引条件に関する情報を求められます。データプロバイダーの代理を務めるエージェントは、データを販売する条件を提示します。データへのアクセスを販売するエージェントは可能な限り最高の価格を求めることができますが、データへのアクセスを購入するエージェントは可能な限り最低の価格を支払うことを望んでいます。しかし、データを販売する代理店は、料金が高すぎると契約を逃すことを知っています。これは、データを求めるプロキシが条件を受け入れず、代わりに Web 上の別のソースからデータを購入しようとするためです。購入エージェントが条件を受け入れられると判断した場合、Fetch.ai 台帳上の取引を通じて販売エージェントに合意価格を支払います。支払いを受け取った後、データを販売するエージェントは暗号化されたデータを Fetch.ai ネットワーク経由で送信します。
最初のレベルのタイトル
ノードのインテリジェント化の中核: AEA スキル モジュールとグループ学習 (Colearn) メカニズム
上記 4 つのモジュールの中で最も重要なものは AEA スキル モジュールで、ノードをインテリジェントにするための重要なモジュールです。 AEAスキルは、エージェントのグループ自己学習機能を実現するためのプラグイン可能なモジュールです。各学習スキルには、強化学習、教師あり学習、教師なし学習など、さまざまな種類の学習タスクを実装するためのスマート コントラクトと Python パッケージが含まれています。エージェントが学習する必要がある場合、エージェントは自身に適した学習スキルを選択し、学習結果を自身の状態に保存できます。エージェントは学習結果に基づいて行動と戦略を自律的に調整し、よりスマートで効率的かつ持続可能な経済相互作用を可能にします。
Fetch.AI の集団学習原理は次のステップで構成されます。
データ共有:さまざまなエージェントが独自のデータを収集し、ブロックチェーン ネットワークの共有データベースにアップロードします。これらのデータには、センサー データ、テキスト データ、画像データなどが含まれます。集団学習に参加しているすべてのエージェントは、共有データベース内のデータにアクセスし、これらのデータをトレーニングに使用できます。
モデルのトレーニング:エージェントは、共有データベースのデータをモデルのトレーニングに使用します。モデルには、機械学習モデル、深層学習モデル、またはその他のタイプのアルゴリズムを使用できます。エージェントは、さまざまなタスクや問題を学習するために、さまざまなモデルを使用してトレーニングできます。
モデルの選択:モデルのトレーニングが完了すると、エージェントはそのモデルをブロックチェーン ネットワークにアップロードします。集団学習に参加しているすべてのエージェントは、これらのモデルにアクセスし、ニーズに応じて適切なモデルを選択できます。選択プロセスは、エージェントのパフォーマンス、タスク要件、リソースの制約などの要因に基づいて行うことができます。
モデルの統合:ボーナスシステム:
ボーナスシステム:集団学習のプロセスにおいて、エージェントは独自のデータとモデルを提供することで報酬を得ることができます。報酬は、エージェントのパフォーマンス、貢献度、リソース利用効率などの要素に基づいて割り当てることができます。報酬メカニズムは、エージェントが集団学習に積極的に参加することを奨励し、システム全体のパフォーマンスを向上させることができます。
A と B という 2 人のエージェントがいて、商品の輸送などのタスクを完了するために協力する必要があるとします。エージェント A は商品の配送を担当し、エージェント B は輸送サービスを提供する責任を負います。最初の対話では、エージェント A とエージェント B の両方が、輸送ルートや輸送方法をランダムに選択するなど、タスクを完了するためにランダムな行動戦略を採用できます。
インタラクションが進行するにつれて、エージェント A とエージェント B はスキルを学習することでインタラクション履歴データを学習し、学習結果に応じて行動戦略を自律的に調整できます。例えば、エージェントAは学習スキルを通じて物品の供給や輸送コストなどの情報を学習し、現在の物品の需要や市場価格に応じて最適な協力戦略を自主的に選択することができます。また、エージェント B は、学習スキルを通じて輸送ルートや輸送方法の効率やコストなどの情報を学習し、現在の交通状況やエネルギー価格に応じて最適な輸送戦略を独自に選択することができます。
インタラクションが継続し、学習結果が継続的に更新されると、エージェント A とエージェント B は自身の行動戦略を徐々に最適化し、より効率的で賢く、より持続可能な経済的インタラクションを実現できます。この自己学習プロセスは継続的に反復され、最適化されることで、より優れた経済的利益と社会的価値を達成できます。
自己学習機能では、良好な学習効果を達成するために、エージェントに十分な計算能力とデータ リソースが必要であることに注意してください。したがって、実際のアプリケーションでは、最良の学習効果を達成するために、エージェントの実際の状況とニーズに応じて、適切な学習スキルとリソース割り当てを選択する必要があります。
Fetch.ai のコア自律経済エージェント (AEA) は、経済相互作用の観点からインテリジェンス、自律性、分散化の目標を達成します。その利点は、人工知能とブロックチェーン技術の深い統合と自律的な経済エージェントの設計の実現にあり、これらのAEAエージェントは独立して学習し、意思決定を行い、分散環境で自由に対話することができ、経済相互作用の効率と効率を向上させます。 . 知能の程度。さらに、Fetch.AI の Collearn メカニズムは、データとモデルを共有することでシステム全体のパフォーマンスを向上させるためにエージェントの積極的な参加を促進します。
最初のレベルのタイトル
Summary
参考文献:
参考文献:
[ 1 ] Fetch.AI Developer Documentation
[ 2 ] Melanie Mitchell: AI 3.0
[ 3 ] Alexey Potapov: Basic Atomese Features required
免責事項: この記事は調査情報のみを目的としており、投資に関するアドバイスや推奨を構成するものではありません。この記事で紹介されているプロジェクトの仕組みは著者の個人的な意見を表すものであり、この記事の著者やこのプラットフォームとは一切関係がありません。ブロックチェーンおよびデジタル通貨への投資は、極めて高い市場リスク、政策リスク、技術的リスクなどのさまざまな不確実性を伴い、流通市場におけるトークンの価格は激しく変動するため、投資家は慎重な判断を行い、投資リスクを自ら負担する必要があります。この記事の著者またはこのプラットフォームは、この記事で提供される情報を使用した投資家によって生じた損失について責任を負いません。
