ในฐานะบริษัทเทคโนโลยีที่ผสมผสานเทคโนโลยีบล็อกเชนและปัญญาประดิษฐ์เข้าด้วยกันอย่างลึกซึ้ง Fetch.AI มีเป้าหมายที่จะสร้างเศรษฐกิจอัจฉริยะแบบกระจายอำนาจและบรรลุเป้าหมายแบบกระจายด้วยการรวมเทคโนโลยีปัญญาประดิษฐ์ บล็อกเชน และ Internet of Things เป้าหมายของบริษัทคือการให้ธุรกิจและผู้บริโภคมีวิธีการใหม่ทั้งหมดในการโต้ตอบทางเศรษฐกิจ ทำให้ธุรกรรมมีประสิทธิภาพ ปลอดภัย และชาญฉลาดยิ่งขึ้น

ด้วยสถาปัตยกรรมอัจฉริยะแบบเปิดของบล็อกเชน AI+ ทำให้ Fetch.AI มีสถานการณ์การใช้งานที่หลากหลาย รวมถึงโลจิสติกส์ ซัพพลายเชน การเงิน พลังงาน การรักษาพยาบาล และสาขาอื่นๆ สถาปัตยกรรมทางเทคนิคของ Fetch.AI ส่วนใหญ่ประกอบด้วยสองส่วน ได้แก่ Fetch.AI สายหลักและตัวแทนอัจฉริยะ Fetch.AI สายหลัก Fetch.AI เป็นบัญชีแยกประเภทแบบกระจายที่ใช้เทคโนโลยีบล็อกเชน ซึ่งใช้ในการบันทึกธุรกรรมและสัญญาอัจฉริยะ และรับรองความปลอดภัยและความน่าเชื่อถือของธุรกรรม ตัวแทนอัจฉริยะ Fetch.AI เป็นสัญญาอัจฉริยะที่มีความสามารถด้านปัญญาประดิษฐ์ที่สามารถทำงานโดยอัตโนมัติ ประสานงานทรัพยากร และโต้ตอบกับตัวแทนอัจฉริยะอื่น ๆ เพื่อให้เกิดปฏิสัมพันธ์ทางเศรษฐกิจแบบอัตโนมัติ ชาญฉลาด และกระจายอำนาจ

ชื่อระดับแรก

ให้โหนดเครือข่ายจัดการตัวเอง: Autonomous Economic Agent Architecture (AEA)

บนเครือข่าย Fetch.ai บุคคลหรือบริษัทที่มีข้อมูลจะถูกเป็นตัวแทนโดยตัวแทนของพวกเขา ซึ่งติดต่อกับตัวแทนของบุคคลหรือบริษัทที่ต้องการข้อมูล หน่วยงานดำเนินงานภายใต้ Open Economic Framework (OEF) สิ่งนี้ทำหน้าที่เป็นกลไกการค้นหาและค้นพบซึ่งตัวแทนที่เป็นตัวแทนของแหล่งข้อมูลสามารถโฆษณาข้อมูลที่พวกเขาสามารถเข้าถึงได้ ในทำนองเดียวกัน บุคคลหรือบริษัทที่กำลังมองหาข้อมูลสามารถใช้ OEF เพื่อค้นหาตัวแทนที่สามารถเข้าถึงข้อมูลที่เป็นปัญหาได้

สถาปัตยกรรม AEA ของ Fetch.AI เป็นสถาปัตยกรรมตัวแทนอัจฉริยะแบบกระจายสำหรับการสร้างเครือข่ายตัวแทนอัจฉริยะแบบอิสระและการทำงานร่วมกัน AEA ย่อมาจาก Autonomous Economic Agentแนวคิดหลักของบริษัทคือการรวมปัญญาประดิษฐ์และเทคโนโลยีบล็อกเชนเพื่อสร้างเศรษฐกิจอัจฉริยะแบบกระจายอำนาจ และตระหนักถึงปฏิสัมพันธ์ทางเศรษฐกิจที่ชาญฉลาด เป็นอิสระ และกระจายอำนาจ

ส่วนประกอบหลักของสถาปัตยกรรม AEA ส่วนใหญ่ประกอบด้วยสี่โมดูลต่อไปนี้:

• ตัวแทน AEA (ตัวแทน):เอเจนต์ AEA คือเอเจนต์อัจฉริยะที่ตั้งโปรแกรมได้แบบอิสระพร้อมความสามารถในการตัดสินใจแบบอิสระ การทำงานร่วมกันแบบอิสระ และการเรียนรู้แบบอิสระ เอเจนต์เป็นองค์ประกอบหลักของ AEA และเป็นตัวแทนของเอนทิตีอิสระที่มีความสามารถในการตัดสินใจและการกระทำแบบอิสระ ตัวแทน AEA แต่ละคนมีที่อยู่กระเป๋าเงิน ข้อมูลประจำตัว และสัญญาอัจฉริยะของตนเอง และสามารถโต้ตอบและร่วมมือกับตัวแทนรายอื่นได้

• การสื่อสาร AEA (การเชื่อมต่อ):การสื่อสาร AEA เป็นโปรโตคอลการสื่อสารแบบจุดต่อจุดซึ่งใช้เทคโนโลยีบล็อกเชน ซึ่งใช้ในการรับส่งข้อมูลและการโต้ตอบระหว่างตัวแทน การสื่อสารของ AEA สามารถรับประกันความปลอดภัยและความน่าเชื่อถือของการโต้ตอบ AEA ของ Fetch.AI รองรับการเชื่อมต่อหลายวิธี รวมถึงการเชื่อมต่อ WebSocket และ HTTP

• ทักษะ AEA (ทักษะ):ทักษะ AEA เป็นโมดูลที่เสียบได้ซึ่งใช้เพื่อขยายการทำงานและความสามารถของตัวแทน AEA แต่ละทักษะประกอบด้วยสัญญาอัจฉริยะและแพ็คเกจ Python สำหรับการใช้งานฟังก์ชันเฉพาะของตัวแทน เช่น การประมวลผลภาษาธรรมชาติ การเรียนรู้ของเครื่อง การตัดสินใจ เป็นต้น ทักษะสามารถประกอบด้วยหลายโปรโตคอลและแบบจำลอง เพื่อให้ตัวแทนสามารถเข้าใจและตอบสนองต่อคำขอจากตัวแทนอื่นๆ

• โปรโตคอล AEA (โปรโตคอล):โปรโตคอล AEA เป็นกลไกความร่วมมือสำหรับความร่วมมือและปฏิสัมพันธ์ระหว่างตัวแทน โปรโตคอล AEA กำหนดรูปแบบข้อความ โฟลว์ของโปรโตคอล และกฎการโต้ตอบระหว่างตัวแทน เพื่อให้ตระหนักถึงการทำงานร่วมกันระหว่างตัวแทน โปรโตคอลคือกฎและแนวทางสำหรับการสื่อสารระหว่างตัวแทน โปรโตคอลกำหนดวิธีที่ตัวแทนควรแลกเปลี่ยนข้อมูล ตอบสนองต่อคำขอ และจัดการกับข้อผิดพลาด AEA ของ Fetch.AI รองรับหลายโปรโตคอล รวมถึง Agent Communication Language (ACL) ของ Fetch.AI และโปรโตคอล HTTP

ลองนึกภาพว่าบริษัทกำลังมองหาข้อมูลเพื่อฝึกแบบจำลองการคาดการณ์ เมื่อตัวแทนของบริษัทเชื่อมต่อกับตัวแทนที่เป็นตัวแทนของแหล่งข้อมูล ก็จะขอข้อมูลเกี่ยวกับข้อกำหนดทางการค้า จากนั้นตัวแทนที่ทำงานในนามของผู้ให้บริการข้อมูลจะเสนอเงื่อนไขที่ตนยินดีขายข้อมูล ตัวแทนขายการเข้าถึงข้อมูลอาจแสวงหาราคาที่สูงที่สุดเท่าที่จะเป็นไปได้ ในขณะที่ตัวแทนที่ซื้อการเข้าถึงข้อมูลต้องการจ่ายในราคาที่ต่ำที่สุดเท่าที่จะเป็นไปได้ แต่หน่วยงานที่ขายข้อมูลรู้ดีว่าหากคิดค่าบริการมากเกินไปก็จะพลาดข้อตกลง เนื่องจากผู้รับมอบฉันทะที่ค้นหาข้อมูลจะไม่ยอมรับข้อกำหนดและจะพยายามซื้อข้อมูลจากแหล่งอื่นบนเว็บแทน หากตัวแทนซื้อพบเงื่อนไขที่ยอมรับได้ ก็จะจ่ายเงินให้ตัวแทนขายตามราคาที่ตกลงกันผ่านธุรกรรมบนบัญชีแยกประเภท Fetch.ai หลังจากได้รับการชำระเงินแล้ว ตัวแทนขายข้อมูลจะส่งข้อมูลที่เข้ารหัสผ่านเครือข่าย Fetch.ai

ชื่อระดับแรก

หัวใจสำคัญของการทำให้โหนดมีความชาญฉลาด: โมดูลทักษะ AEA และกลไกการเรียนรู้แบบกลุ่ม (Colearn)

ในสี่โมดูลข้างต้น โมดูลที่สำคัญที่สุดคือโมดูลทักษะ AEA ซึ่งเป็นโมดูลสำคัญสำหรับการทำให้โหนดมีความชาญฉลาด ทักษะ AEA เป็นโมดูลที่เสียบได้สำหรับใช้ฟังก์ชันการเรียนรู้ด้วยตนเองแบบกลุ่มของเจ้าหน้าที่ ทักษะการเรียนรู้แต่ละอย่างประกอบด้วยสัญญาอัจฉริยะและแพ็คเกจ Python สำหรับการใช้งานการเรียนรู้ประเภทต่างๆ เช่น การเรียนรู้แบบเสริมแรง การเรียนรู้แบบมีผู้สอน การเรียนรู้แบบไม่มีผู้สอน เป็นต้น เมื่อตัวแทนต้องการเรียนรู้ ก็สามารถเลือกทักษะการเรียนรู้ที่เหมาะสมกับตนเองและบันทึกผลการเรียนรู้ไว้ในสถานะของตนเอง ตัวแทนสามารถปรับพฤติกรรมและกลยุทธ์ได้เองตามผลการเรียนรู้ ทำให้มีปฏิสัมพันธ์ทางเศรษฐกิจที่ชาญฉลาดขึ้น มีประสิทธิภาพมากขึ้น และยั่งยืนมากขึ้น

หลักการเรียนรู้โดยรวมของ Fetch.AI ประกอบด้วยขั้นตอนต่อไปนี้:

การแบ่งปันข้อมูล:ตัวแทนต่างๆ รวบรวมข้อมูลของตนเองและอัปโหลดไปยังฐานข้อมูลที่ใช้ร่วมกันในเครือข่ายบล็อกเชน ข้อมูลเหล่านี้อาจเป็นข้อมูลเซ็นเซอร์ ข้อมูลข้อความ ข้อมูลรูปภาพ เป็นต้น ตัวแทนทั้งหมดที่เข้าร่วมในการเรียนรู้แบบรวมสามารถเข้าถึงข้อมูลในฐานข้อมูลที่ใช้ร่วมกันและใช้ข้อมูลเหล่านี้สำหรับการฝึกอบรม

การฝึกอบรมแบบจำลอง:ตัวแทนใช้ข้อมูลจากฐานข้อมูลที่ใช้ร่วมกันสำหรับการฝึกอบรมแบบจำลอง โมเดลสามารถเป็นโมเดลแมชชีนเลิร์นนิง โมเดลการเรียนรู้เชิงลึก หรืออัลกอริทึมประเภทอื่นๆ ตัวแทนสามารถได้รับการฝึกฝนโดยใช้แบบจำลองต่างๆ เพื่อเรียนรู้งานหรือปัญหาต่างๆ

การเลือกรุ่น:หลังจากการฝึกโมเดลเสร็จสิ้น ตัวแทนจะอัปโหลดโมเดลไปยังเครือข่ายบล็อกเชน ตัวแทนทุกคนที่เข้าร่วมในการเรียนรู้ร่วมกันสามารถเข้าถึงโมเดลเหล่านี้และเลือกโมเดลที่เหมาะกับพวกเขาตามความต้องการ กระบวนการคัดเลือกอาจขึ้นอยู่กับปัจจัยต่างๆ เช่น ประสิทธิภาพของตัวแทน ความต้องการของงาน และข้อจำกัดด้านทรัพยากร

การรวมโมเดล:ระบบโบนัส:

ระบบโบนัส:ในกระบวนการของการเรียนรู้ร่วมกัน ตัวแทนสามารถรับรางวัลได้โดยการให้ข้อมูลและแบบจำลองของตนเอง รางวัลสามารถจัดสรรตามปัจจัยต่างๆ เช่น ประสิทธิภาพของตัวแทน การมีส่วนร่วม และประสิทธิภาพการใช้ทรัพยากร กลไกการให้รางวัลสามารถกระตุ้นให้ตัวแทนมีส่วนร่วมอย่างจริงจังในการเรียนรู้ร่วมกันและปรับปรุงประสิทธิภาพของระบบโดยรวม

สมมติว่ามีตัวแทนสองคน A และ B ที่ต้องร่วมมือกันทำงานให้เสร็จ เช่น การขนส่งสินค้าตัวแทน A รับผิดชอบในการจัดส่งสินค้าและตัวแทน B รับผิดชอบในการให้บริการขนส่ง ในการโต้ตอบเริ่มต้น ทั้งตัวแทน A และตัวแทน B สามารถนำกลยุทธ์พฤติกรรมสุ่มมาใช้เพื่อให้งานสำเร็จ เช่น การเลือกเส้นทางการขนส่งหรือวิธีการขนส่งแบบสุ่ม

ในขณะที่การโต้ตอบดำเนินไป ตัวแทน A และตัวแทน B สามารถเรียนรู้ข้อมูลประวัติการโต้ตอบด้วยทักษะการเรียนรู้ และปรับกลยุทธ์พฤติกรรมโดยอัตโนมัติตามผลการเรียนรู้ ตัวอย่างเช่น ตัวแทน A สามารถเรียนรู้ข้อมูล เช่น การจัดหาสินค้าและต้นทุนการขนส่งผ่านทักษะการเรียนรู้ เพื่อที่จะเลือกกลยุทธ์ความร่วมมือที่เหมาะสมที่สุดโดยอิสระตามความต้องการสินค้าและราคาตลาดในปัจจุบัน เจ้าหน้าที่ B ยังสามารถเรียนรู้ข้อมูล เช่น ประสิทธิภาพและต้นทุนของเส้นทางการขนส่งและวิธีการขนส่งผ่านทักษะการเรียนรู้ เพื่อที่จะเลือกกลยุทธ์การขนส่งที่เหมาะสมที่สุดโดยอิสระตามสภาพการจราจรในปัจจุบันและราคาพลังงาน

ในขณะที่การโต้ตอบดำเนินต่อไปและผลลัพธ์การเรียนรู้ได้รับการปรับปรุงอย่างต่อเนื่อง ตัวแทน A และตัวแทน B สามารถเพิ่มประสิทธิภาพกลยุทธ์พฤติกรรมของตนเองอย่างค่อยเป็นค่อยไปเพื่อให้ได้ปฏิสัมพันธ์ทางเศรษฐกิจที่มีประสิทธิภาพมากขึ้น ชาญฉลาดขึ้น และยั่งยืนมากขึ้น กระบวนการเรียนรู้ด้วยตนเองนี้สามารถทำซ้ำและปรับให้เหมาะสมอย่างต่อเนื่องเพื่อให้ได้ประโยชน์ทางเศรษฐกิจและคุณค่าทางสังคมที่ดีขึ้น

ควรสังเกตว่าฟังก์ชันการเรียนรู้ด้วยตนเองต้องการให้เอเจนต์มีพลังการประมวลผลและทรัพยากรข้อมูลที่เพียงพอ เพื่อให้บรรลุผลการเรียนรู้ที่ดี ดังนั้นในการใช้งานจริง จึงจำเป็นต้องเลือกทักษะการเรียนรู้ที่เหมาะสมและการจัดสรรทรัพยากรตามสถานการณ์จริงและความต้องการของตัวแทน เพื่อให้บรรลุผลการเรียนรู้ที่ดีที่สุด

ตัวแทนทางเศรษฐกิจที่เป็นอิสระหลัก (AEA) ของ Fetch.ai บรรลุเป้าหมายด้านข่าวกรอง อิสระ และการกระจายอำนาจในแง่ของปฏิสัมพันธ์ทางเศรษฐกิจ ข้อได้เปรียบของมันอยู่ที่การผสานรวมอย่างลึกซึ้งของปัญญาประดิษฐ์และเทคโนโลยีบล็อกเชนและการออกแบบตัวแทนทางเศรษฐกิจที่เป็นอิสระ ตัวแทน AEA เหล่านี้สามารถเรียนรู้อย่างอิสระ ตัดสินใจ และโต้ตอบได้อย่างอิสระในสภาพแวดล้อมแบบกระจายอำนาจ ปรับปรุงประสิทธิภาพและประสิทธิภาพของปฏิสัมพันธ์ทางเศรษฐกิจ . ระดับของสติปัญญา นอกจากนี้ กลไก Collearn ของ Fetch.AI ยังสนับสนุนการมีส่วนร่วมของตัวแทนเพื่อปรับปรุงประสิทธิภาพของระบบทั้งหมดด้วยการแบ่งปันข้อมูลและแบบจำลอง

ชื่อระดับแรก

Summary

ข้อมูลอ้างอิง:

ข้อมูลอ้างอิง:

[ 1 ] Fetch.AI Developer Documentation

[ 2 ] Melanie Mitchell: AI 3.0 

[ 3 ] Alexey Potapov: Basic Atomese Features required

ข้อจำกัดความรับผิดชอบ: บทความนี้มีไว้สำหรับข้อมูลการวิจัยเท่านั้น และไม่ถือเป็นคำแนะนำหรือคำแนะนำในการลงทุนใดๆ กลไกโครงการที่แนะนำในบทความนี้เป็นเพียงความเห็นส่วนตัวของผู้เขียนเท่านั้น และไม่มีส่วนได้ส่วนเสียกับผู้เขียนบทความนี้หรือแพลตฟอร์มนี้ การลงทุนในบล็อกเชนและสกุลเงินดิจิทัลนั้นขึ้นอยู่กับความไม่แน่นอนต่างๆ เช่น ความเสี่ยงด้านตลาดที่สูงมาก ความเสี่ยงด้านนโยบาย และความเสี่ยงทางเทคนิค ราคาของโทเค็นในตลาดรองผันผวนอย่างรุนแรง นักลงทุนควรตัดสินใจอย่างรอบคอบและแบกรับความเสี่ยงในการลงทุนอย่างอิสระ ผู้เขียนบทความนี้หรือแพลตฟอร์มนี้จะไม่รับผิดชอบต่อความสูญเสียใดๆ ที่เกิดจากนักลงทุนที่ใช้ข้อมูลที่ให้ไว้ในบทความนี้