Investigadores presentan un Marco de Blockchain para Democratizar el Aprendizaje Profundo por Reforzamiento

Un equipo de investigadores, liderado por la Universidad de Concordia, anunció ayer un novedoso marco de trabajo basado en blockchain para hacer que el aprendizaje profundo por refuerzo (DRL) sea más accesible.

DRL, una rama de la IA que combina el aprendizaje profundo y el aprendizaje por refuerzo, ha demostrado ser valioso en industrias tales como videojuegos, robótica, salud y finanzas. Sin embargo, debido a su complejidad, sigue estando fuera del alcance de muchas pequeñas empresas y particulares.

Para cerrar esta brecha, los investigadores desarrollaron un marco de DRL como Servicio (DRLaaS) basado en crowdsourcing, que permite a los usuarios acceder a servicios relacionados con DRL, incluyendo el entrenamiento y la compartición de modelos.

Este nuevo marco permite a los usuarios aprovechar la experiencia y las capacidades computacionales de los trabajadores que pueden entrenar modelos DRL en su nombre. Además, los usuarios pueden beneficiarse de modelos preentrenados compartidos por los trabajadores, que luego pueden ser personalizados a través de métodos de transferencia de conocimientos.

Construido sobre un Consorcio Blockchain, este marco garantiza la transparencia y la trazabilidad en la ejecución de tareas. El sistema utiliza contratos inteligentes para gestionar la asignación de tareas, y los modelos se almacenan utilizando el Sistema de Archivos Interplanetario (IPFS) para mantener la integridad de los datos.

Al utilizar la tecnología blockchain, el marco aborda preocupaciones relacionadas con fallos de servidores y manipulación de datos.

Según el autor principal, Ahmed Alagha, el aspecto de crowdsourcing mejora la accesibilidad, permitiendo que más personas participen en el desarrollo de soluciones DRL.

“Con este marco de trabajo, cualquiera puede registrarse y construir un historial y perfil. En función de su experiencia, formación y calificaciones, se les pueden asignar tareas que los usuarios están solicitando”, dijo Alagha.

Las autoras sostienen que la descentralización del sistema también reduce el riesgo de fallos catastróficos y disminuye los costos asociados con la formación de modelos DRL.

Las autoras afirman que al distribuir los esfuerzos computacionales en múltiples máquinas, el sistema ofrece resistencia contra fallas del servidor o ciberataques, una mejora significativa sobre los sistemas centralizados tradicionales.

La coautora Jamal Bentahar, supervisora de la tesis de Alagha, enfatizó que este servicio democratiza el acceso a las soluciones de DRL.

“Para entrenar un modelo de DRL, necesitas recursos computacionales que no están disponibles para todos. También necesitas experiencia. Este marco ofrece ambos,” señaló Bentahar.

Los detalles completos de este marco se pueden encontrar en su artículo de investigación, publicado en Information Sciences, que destaca el diseño del marco y sus posibles aplicaciones.