明天的工作场所将依靠数量惊人的数据来运行。为了理解这一切，企业、开发人员和个人将需要更好的人工智能 (AI) 系统、训练有素的人工智能工作人员和更高效的数字处理服务器。

尽管大型科技公司拥有满足这些需求的资源和专业知识，但它们仍然超出了大多数中小企业和个人的能力范围。为了满足这一需求，Concordia 领导的国际研究团队开发了一个新框架，使复杂的人工智能任务对用户来说更容易访问和透明。

框架，在一篇文章中描述发表在日记中信息科学，专门提供解决方案深度强化学习（DRL）请求。DRL 是机器学习的一个子集，它结合了深度学习，它使用分层神经网络在巨大的数据集中寻找模式，以及强化学习，其中代理学习如何通过基于奖励/惩罚系统与其环境交互来做出决策。

DRL 用于游戏、机器人、医疗保健和金融等多种行业。

该框架将具有特定但无法满足的人工智能需求的开发人员、公司和个人与拥有他们所需的资源、专业知识和模型的服务提供商配对。该服务是众包的，建立在区块链上，并使用智能合约（代码中内置有一组预定义条件的合约）来将用户与适当的服务提供商相匹配。

“众包训练和设计 DRL 的过程使该过程更加透明且更容易实现，”博士艾哈迈德·阿拉加 (Ahmed Alagha) 说。吉娜科迪工程与计算机科学学院的候选人，也是该论文的主要作者。

“通过这个框架，任何人都可以注册并建立历史记录和个人资料。根据他们的专业知识、培训和评级，他们可以分配用户请求的任务。”

民主化 DRL

他的合著者兼论文导师、康科迪亚信息系统工程研究所教授贾马尔·本塔哈 (Jamal Bentahar) 表示，这项服务将 DRL 的潜力向比以前更广泛的人群开放。

“为了训练 DRL 模型，你需要计算资源，但并非每个人都可以获得这些资源。你还需要专业知识。这个框架提供了这两方面的资源，”他说。

研究人员相信，他们的系统设计将通过区块链分配计算工作来降低成本和风险。通过让数十或数百台其他机器处理同一问题，可以减轻服务器崩溃或恶意攻击的潜在灾难性后果。

“如果集中式服务器发生故障，整个平台就会瘫痪，”Alagha 解释道。“区块链给你分配和透明度。一切都记录在上面，所以很难篡改。”

通过使用现有模型，只需进行一些相对较小的调整即可满足用户的特定需求，可以缩短训练模型正常工作的困难且昂贵的过程。

“例如，假设一个大城市开发了一种模型，可以自动执行交通信号灯顺序，以优化交通流量并最大限度地减少事故。较小的城市或城镇可能没有资源自行开发该模型，但他们可以使用大城市的模型开发并根据自己的情况进行调整。”

更多信息：Hadi Otrok 等人，基于区块链的众包深度强化学习即服务，信息科学(2024)DOI：10.1016/j.ins.2024.121107