明天的工作場所將依靠數量驚人的數據來運作。為了理解這一切，企業、開發人員和個人將需要更好的人工智慧 (AI) 系統、訓練有素的人工智慧工作人員和更有效率的數位處理伺服器。

儘管大型科技公司擁有滿足這些需求的資源和專業知識，但它們仍然超出了大多數中小企業和個人的能力範圍。為了滿足這一需求，Concordia 領導的國際研究團隊開發了一個新框架，使複雜的人工智慧任務對使用者來說更容易存取和透明。

框架，在一篇文章中描述發表在日記中資訊科學，專門提供解決方案深度強化學習（DRL）請求。DRL 是機器學習的子集，它結合了深度學習，它使用分層神經網路在巨大的數據集中尋找模式，以及強化學習，其中代理學習如何透過基於獎勵/懲罰系統與其環境互動來做出決策。

DRL 用於遊戲、機器人、醫療保健和金融等多種行業。

該框架將具有特定但無法滿足的人工智慧需求的開發人員、公司和個人與擁有他們所需的資源、專業知識和模型的服務提供者配對。該服務是眾包的，建立在區塊鏈上，並使用智能合約（程式碼中內建有一組預定義條件的合約）來將用戶與適當的服務提供者相匹配。

「眾包訓練和設計 DRL 的過程使該過程更加透明且更容易實現，」博士艾哈邁德·阿拉加 (Ahmed Alagha) 說。吉娜科迪工程與計算機科學學院的候選人，也是該論文的主要作者。

“透過這個框架，任何人都可以註冊並建立歷史記錄和個人資料。根據他們的專業知識、培訓和評級，他們可以分配用戶請求的任務。”

民主化 DRL

他的合著者兼論文導師、康科迪亞資訊系統工程研究所教授 Jamal Bentahar 表示，這項服務將 DRL 的潛力向比以前更廣泛的人群開放。

「為了訓練 DRL 模型，你需要計算資源，但並非每個人都可以獲得這些資源。你還需要專業知識。這個框架提供了這兩方面的資源，」他說。

研究人員相信，他們的系統設計將透過區塊鏈分配計算工作來降低成本和風險。透過讓數十或數百台其他機器處理相同問題，可以減輕伺服器崩潰或惡意攻擊的潛在災難性後果。

「如果集中式伺服器發生故障，整個平台就會癱瘓，」Alagha 解釋道。“區塊鏈給你分配和透明度。一切都記錄在上面，所以很難篡改。”

透過使用現有模型，只需進行一些相對較小的調整即可滿足使用者的特定需求，可以縮短訓練模型正常工作的困難且昂貴的過程。

「例如，假設一個大城市開發了一種模型，可以自動執行交通號誌順序，以優化交通流量並最大限度地減少事故。較小的城市或城鎮可能沒有資源自行開發該模型，但他們可以使用大城市的模型開發並根據自己的情況進行調整。

更多資訊：Hadi Otrok 等人，基於區塊鏈的眾包深度強化學習即服務，資訊科學(2024)DOI：10.1016/j.ins.2024.121107