Fetch.AI는 블록체인과 인공 지능 기술을 깊이 결합하는 기술 회사로서 인공 지능, 블록 체인 및 사물 인터넷 기술을 결합하여 분산된 스마트 경제를 구축하고 분산된 목표를 달성하는 것을 목표로 합니다. 회사의 목표는 기업과 소비자에게 경제적으로 상호작용할 수 있는 완전히 새로운 방법을 제공하여 보다 효율적이고 안전하며 스마트한 거래를 가능하게 하는 것입니다.
AI+ 블록체인의 고도로 지능적이고 개방적인 아키텍처 덕분에 Fetch.AI는 물류, 공급망, 금융, 에너지, 의료 및 기타 분야를 포함한 광범위한 애플리케이션 시나리오를 보유하고 있습니다. Fetch.AI의 기술 아키텍처는 주로 Fetch.AI 메인 체인과 Fetch.AI 지능형 에이전트의 두 부분으로 구성됩니다. Fetch.AI 메인 체인은 트랜잭션 및 스마트 계약을 기록하고 트랜잭션의 보안 및 신뢰성을 보장하는 데 사용되는 블록체인 기술을 기반으로 하는 분산 원장입니다. Fetch.AI 스마트 에이전트는 자율적으로 작업을 수행하고 자원을 조정하며 다른 스마트 에이전트와 상호 작용하여 자동화되고 지능적이며 분산된 경제적 상호 작용을 달성할 수 있는 인공 지능 기능을 갖춘 스마트 계약입니다.
첫 번째 레벨 제목
네트워크 노드가 스스로 관리하게 하십시오: AEA(Autonomous Economic Agent Architecture)
Fetch.ai 네트워크에서 데이터가 있는 개인 또는 회사는 데이터를 찾는 개인 또는 회사의 에이전트에 연락하는 대리인이 대표합니다. 이 기관은 개방형 경제 프레임워크(OEF)에서 운영됩니다. 이는 데이터 소스를 나타내는 에이전트가 액세스 권한이 있는 데이터를 광고할 수 있는 검색 및 발견 메커니즘의 역할을 합니다. 마찬가지로 데이터를 찾는 개인이나 회사는 OEF를 사용하여 해당 데이터에 액세스할 수 있는 에이전트를 검색할 수 있습니다.
Fetch.AI의 AEA 아키텍처는 자율적이고 협업적인 지능형 에이전트 네트워크를 구축하기 위한 분산 지능형 에이전트 아키텍처입니다. AEA는 Autonomous Economic Agent의 약자로,핵심 아이디어는 인공 지능과 블록체인 기술을 결합하여 분산형 스마트 경제를 구축하고 지능적이고 자율적이며 분산된 경제 상호 작용을 실현하는 것입니다.
AEA 아키텍처의 핵심 구성 요소에는 주로 다음 네 가지 모듈이 포함됩니다.
AEA 에이전트(에이전트):AEA 에이전트는 자율적 의사결정, 자율적 협업 및 자율적 학습 기능을 갖춘 자율적이고 프로그래밍 가능한 지능형 에이전트로, AEA의 핵심 구성 요소이며 자율적 의사결정 및 행동 기능을 갖춘 독립적인 개체를 나타냅니다. 각 AEA 에이전트에는 자체 지갑 주소, ID 및 스마트 계약이 있으며 다른 에이전트와 상호 작용하고 협력할 수 있습니다.
AEA 통신(연결):AEA 통신은 에이전트 간의 정보 전송 및 상호 작용을 실현하는 데 사용되는 블록체인 기술을 기반으로 하는 점대점 통신 프로토콜입니다. AEA 통신은 상호 작용의 보안과 신뢰성을 보장할 수 있습니다. Fetch.AI의 AEA는 WebSocket 및 HTTP 연결을 포함한 여러 연결 방법을 지원합니다.
AEA 기술(기술):AEA 기술은 AEA 상담원의 기능을 확장하는 데 사용되는 플러그형 모듈입니다. 각 기술은 자연어 처리, 기계 학습, 의사 결정 등과 같은 에이전트의 특정 기능을 구현하기 위한 스마트 계약 및 Python 패키지로 구성됩니다. 상담원이 다른 상담원의 요청을 이해하고 응답할 수 있도록 스킬에는 여러 프로토콜과 모델이 포함될 수 있습니다.
AEA 프로토콜(프로토콜):AEA 프로토콜은 에이전트 간의 협력 및 상호 작용을 위한 협력 메커니즘입니다. AEA 프로토콜은 에이전트 간의 협업 작업을 실현하기 위해 메시지 형식, 프로토콜 흐름 및 에이전트 간의 상호 작용 규칙을 정의합니다. 프로토콜은 에이전트 간의 통신을 위한 규칙 및 지침입니다. 프로토콜은 에이전트가 정보를 교환하고 요청에 응답하고 오류를 처리하는 방법을 정의합니다. Fetch.AI의 AEA는 Fetch.AI의 자체 ACL(Agent Communication Language) 및 HTTP 프로토콜을 포함하여 여러 프로토콜을 지원합니다.
회사가 예측 모델을 교육하기 위해 데이터를 찾고 있다고 상상해 보십시오. 회사의 에이전트가 데이터 소스를 나타내는 에이전트에 연결하면 거래 조건에 대한 정보를 요청합니다. 그러면 데이터 제공자를 대신하여 작업하는 에이전트가 데이터를 판매하려는 조건을 제시합니다. 데이터에 대한 액세스 권한을 판매하는 에이전트는 가능한 최고 가격을 추구할 수 있지만 데이터 액세스 권한을 구매하는 에이전트는 가능한 최저 가격을 지불하려고 합니다. 그러나 데이터를 판매하는 대행사는 너무 많은 비용을 청구하면 거래를 놓칠 것이라는 것을 알고 있습니다. 이는 데이터를 찾는 프록시가 조건을 수락하지 않고 대신 웹의 다른 소스에서 데이터를 구매하려고 시도하기 때문입니다. 구매 에이전트가 조건을 수용할 수 있다고 판단하면 Fetch.ai 원장의 트랜잭션을 통해 합의된 가격을 판매 에이전트에게 지불합니다. 지불을 받은 후 데이터를 판매하는 에이전트는 Fetch.ai 네트워크를 통해 암호화된 데이터를 전송합니다.
첫 번째 레벨 제목
노드 지능화의 핵심: AEA 스킬 모듈 및 그룹 학습(Colearn) 메커니즘
위의 4개 모듈 중 가장 중요한 모듈은 노드를 지능화하기 위한 핵심 모듈인 AEA 스킬 모듈입니다. AEA 스킬은 에이전트의 그룹 자가 학습 기능을 실현하기 위한 플러그형 모듈입니다. 각 학습 기술에는 강화 학습, 지도 학습, 비지도 학습 등과 같은 다양한 유형의 학습 작업을 구현하기 위한 스마트 계약 및 Python 패키지가 포함됩니다. 에이전트가 학습이 필요할 때 자신에게 맞는 학습 스킬을 선택하고 학습 결과를 자신의 상태로 저장할 수 있습니다. 에이전트는 학습 결과에 따라 행동과 전략을 자율적으로 조정하여 더 스마트하고 효율적이며 지속 가능한 경제적 상호 작용을 가능하게 합니다.
Fetch.AI의 집단 학습 원칙은 다음 단계로 구성됩니다.
데이터 공유:서로 다른 에이전트가 자신의 데이터를 수집하여 블록체인 네트워크의 공유 데이터베이스에 업로드합니다. 이러한 데이터는 센서 데이터, 텍스트 데이터, 이미지 데이터 등이 될 수 있습니다. 집단 학습에 참여하는 모든 에이전트는 공유 데이터베이스의 데이터에 액세스하고 이 데이터를 훈련에 사용할 수 있습니다.
모델 교육:에이전트는 모델 학습을 위해 공유 데이터베이스의 데이터를 사용합니다. 모델은 머신 러닝 모델, 딥 러닝 모델 또는 기타 유형의 알고리즘일 수 있습니다. 다양한 작업이나 문제를 학습하기 위해 다양한 모델을 사용하여 에이전트를 교육할 수 있습니다.
모델 선택:모델 교육이 완료되면 에이전트는 해당 모델을 블록체인 네트워크에 업로드합니다. 집단 학습에 참여하는 모든 에이전트는 이러한 모델에 액세스하고 필요에 따라 적합한 모델을 선택할 수 있습니다. 선택 프로세스는 에이전트 성능, 작업 요구 사항 및 리소스 제약 조건과 같은 요소를 기반으로 할 수 있습니다.
모델 통합:보너스 시스템:
보너스 시스템:집단 학습 과정에서 에이전트는 자신의 데이터와 모델을 제공하여 보상을 받을 수 있습니다. 에이전트 성과, 기여도 및 자원 활용 효율성과 같은 요소에 따라 보상을 할당할 수 있습니다. 보상 메커니즘은 에이전트가 집단 학습에 적극적으로 참여하고 전체 시스템 성능을 개선하도록 장려할 수 있습니다.
상품 운송과 같은 작업을 완료하기 위해 협력해야 하는 두 명의 에이전트 A와 B가 있다고 가정합니다.에이전트 A는 상품 배송을 담당하고 에이전트 B는 운송 서비스 제공을 담당합니다. 초기 상호 작용에서 에이전트 A와 에이전트 B는 운송 경로 또는 운송 방법을 무작위로 선택하는 것과 같은 작업을 완료하기 위해 무작위 행동 전략을 채택할 수 있습니다.
인터랙션이 진행됨에 따라 에이전트 A와 에이전트 B는 스킬을 학습하여 인터랙션 이력 데이터를 학습하고 학습 결과에 따라 자율적으로 행동 전략을 조정할 수 있습니다. 예를 들어 에이전트 A는 스킬 학습을 통해 상품 공급 및 운송 비용과 같은 정보를 학습하여 현재 상품 수요 및 시장 가격에 따라 최적의 협력 전략을 독립적으로 선택할 수 있습니다. 또한 에이전트 B는 학습 스킬을 통해 운송 경로 및 운송 방법의 효율성 및 비용과 같은 정보를 학습하여 현재 교통 상황 및 에너지 가격에 따라 최적의 운송 전략을 독립적으로 선택할 수 있습니다.
상호 작용이 계속되고 학습 결과가 지속적으로 업데이트됨에 따라 에이전트 A와 에이전트 B는 점차 자신의 행동 전략을 최적화하여 보다 효율적이고 스마트하며 지속 가능한 경제적 상호 작용을 달성할 수 있습니다. 이 자체 학습 프로세스는 더 나은 경제적 이익과 사회적 가치를 달성하기 위해 지속적으로 반복되고 최적화될 수 있습니다.
자가 학습 기능은 좋은 학습 효과를 달성하기 위해 에이전트가 충분한 컴퓨팅 성능과 데이터 리소스를 가지고 있어야 한다는 점에 유의해야 합니다. 따라서 실제 적용에서 에이전트의 실제 상황과 요구에 따라 적절한 학습 기술과 리소스 할당을 선택하여 최상의 학습 효과를 달성해야 합니다.
Fetch.ai의 핵심 자율 경제 에이전트(AEA)는 경제적 상호 작용 측면에서 인텔리전스, 자율성 및 분산화의 목표를 달성합니다. 그것의 장점은 인공 지능과 블록체인 기술의 깊은 통합과 자율 경제 에이전트의 설계 실현에 있습니다.이 AEA 에이전트는 분산된 환경에서 독립적으로 학습하고 결정을 내리고 자유롭게 상호 작용하여 경제 상호 작용의 효율성과 효율성을 향상시킵니다. . 지능의 정도. 또한 Fetch.AI의 Collearn 메커니즘은 에이전트의 적극적인 참여를 유도하여 데이터와 모델을 공유하여 전체 시스템의 성능을 향상시킵니다.
첫 번째 레벨 제목
Summary
참조:
참조:
[ 1 ] Fetch.AI Developer Documentation
[ 2 ] Melanie Mitchell: AI 3.0
[ 3 ] Alexey Potapov: Basic Atomese Features required
면책 조항: 이 기사는 연구 정보만을 위한 것이며 투자 조언이나 추천을 구성하지 않습니다. 이 글에서 소개한 프로젝트 메커니즘은 작성자의 개인 의견을 나타낼 뿐이며 이 글의 작성자나 이 플랫폼에 관심이 없습니다. 블록체인 및 디지털 통화 투자는 매우 높은 시장 위험, 정책 위험 및 기술 위험과 같은 다양한 불확실성에 노출되어 있습니다.유통 시장의 토큰 가격은 격렬하게 변동합니다.투자자는 신중한 결정을 내리고 독립적으로 투자 위험을 감수해야 합니다. 이 기사 또는 이 플랫폼의 작성자는 이 기사에서 제공하는 정보를 사용하여 투자자가 입은 손실에 대해 책임을 지지 않습니다.
