تقنية blockchain Phoenix Global (PHB) على تشغيل Nex-Gen DApps المصممة لتناسب تجربة العملاء. تعد تطبيقات PHB اللامركزية (DApps) بقابلية التوسع والمرونة المحسنة عبر السلاسل الجانبية للمؤسسات والعقود الذكية متعددة trac . يعد تشفير البيانات عالي المستوى وآلية الإجماع ذات شقين لتحسين السرعة والأداء والأمان والتفاعلات المتقدمة من المزايا الأخرى.
ما هي أدوار التعلم الموحد وإنترنت الأشياء في عمليات نشر PHB؟
التعلم الموحد – نظرة عامة سريعة
التعلم الموحد، الذي يشار إليه غالبًا باسم الذكاء الاصطناعي الموزع/التعلم الآلي، هو نهج يسهل التعلم التعاوني من مجموعات البيانات الكبيرة التي تنتمي إلى مالكين مختلفين دون المساس بخصوصية البيانات الأولية لكل فرد.
بمعنى آخر، فإنه يستخدم القوة الحاسوبية للعديد من مصادر التعلم لتعزيز كفاءة التعلم للنموذج مع تقديم حلول خصوصية ممتازة لجميع مالكي البيانات.
تكون FL مفيدة بشكل خاص إذا لم تكن البيانات المطلوبة مفتوحة المصدر أو متاحة بسهولة لأسباب استراتيجية أو قانونية. بالإضافة إلى ذلك، فهو يسعى إلى معالجة مشكلات الخصوصية وإدارة البيانات الوشيكة من خلال اعتماد نهج تدريب نموذجي تعاوني دون الكشف عن البيانات الحساسة.
- على سبيل المثال، تتطلب السيارات ذاتية القيادة مجموعات كبيرة من بيانات العالم الحقيقي لتسريع عملية التعلم - وقد يؤدي استخدام النهج السحابي التقليدي إلى فرض تحديات تتعلق بالسلامة. يمكن لـ FL ضمان أمان البيانات والتعلم سريع الخطى.
- تمتعت تقنيات التعلم الآلي (ML) بالاعتماد enj نطاق واسع في الصناعة 4.0 والأنظمة الصحية المتقدمة لتحسين سلامة العمليات وفعاليتها وكفاءتها. ومع ذلك، خصوصية البيانات ليست مضمونة، ولكن مع خوارزميات FL، يتم الحفاظ على البيانات الحساسة آمنة.
إنترنت الأشياء (IoT) – نظرة سريعة
تخترق إنترنت الأشياء (IoT) جميع جوانب الحياة بسرعة مع تزايد التطبيقات المدعمة بالذكاء الاصطناعي وغيرها من الخدمات الذكية.
فهو يسهل اتصال مليارات الأجهزة التي تدعم الشبكة - "الأشياء" - ويستخدم كميات هائلة من نقاط البيانات المركزية.
نظرًا لقابلية التوسع والمخاوف المتزايدة بشأن الخصوصية، قد لا تجد تقنيات الذكاء الاصطناعي التقليدية حالات استخدام حقيقية في شبكات إنترنت الأشياء الناشئة.
التعلم الموحد وإنترنت الأشياء – Phoenix Global في هذا المزيج
في حين أن إيجابيات إنترنت الأشياء لا يمكن إنكارها، إلا أن المخاوف المتعلقة بقابلية التوسع والأمن والخصوصية المحيطة بها (إنترنت الأشياء) تظل صالحة. ومع ذلك، فقد ظهر التعلم الموحد (FL) كنهج ذكاء اصطناعي تعاوني وتوزيعي (AI) لحل هذه التحديات.
ومع وجود العديد من المحادثات الجارية في مجال بلوكتشين، والكميات الكبيرة من البيانات التي يتم جمعها في كل مرة، وظهور المؤسسات الاستهلاكية الكبيرة والطيارين، أصبح من dent بشكل متزايد أن التعلم الموحد سيعمل على تسريع قدرات الذكاء الاصطناعي وحالات الاستخدام.
يمكن رؤية تطبيق سريع النمو لـ FL في الظاهرة التي تحركها الصين. بالإضافة إلى ذلك، استمرت الحاجة إلى الرؤى القائمة على الذكاء الاصطناعي في الظهور من جديد، خاصة مع النمو الهائل في الطلب على تطبيقات الذكاء الاصطناعي المبنية على البيانات.
من المقرر أن تقدم شركة Phoenix Global – وهي شركة dent في السوق، بالتعاون مع Seneca ESG وAPEX Technologies، للمستهلكين اعتمادًا مبكرًا للمؤسسات من خلال دمج FL مع Phoenix Oracle ونماذج وأنظمة الذكاء الاصطناعي الحالية مثل APEX IQ.
سيضمن التكامل مع Oracle الجاهزة للمؤسسات أن تعمل تطبيقات التعلم الموحد على حل المشكلات المتعلقة بأمان بيانات المستهلك وسلامتها وشفافيتها مع تعظيم الفوائد الكاملة لـ Blockchain.
تعمل FL بالتساوي مع إنترنت الأشياء. أحدث الإصدارات التجريبية هي في مجال التعاون بين الشركات (B2B)، حيث تكون عقد البيانات عبارة عن أجهزة ذكية أو عقد محلية، كما هو الحال في حوسبة الحافة. استمر هذا النوع من حالات الاستخدام في اكتساب trac في مجال التكنولوجيا وبلوكتشين، وهنا يأتي PHB إلى المزيج مرة أخرى.
تقدم FL & IoT العديد من الفرص المثيرة، ومن المقرر أن يستفيد PHB بشكل كبير من خلال تأهيل المستهلكين وأجهزتهم.
افكار اخيرة
لا يمكن إنكار سلبيات إنترنت الأشياء، وكذلك الإيجابيات. يوفر التعلم الموحد آلية تعلم الآلة خالية من العيوب وفعالة لحل المخاوف الحالية حول سعة الأجهزة وخصوصية البيانات والاتصال بأجهزة إنترنت الأشياء. تسعى Phoenix Global إلى دعم أنظمة Nex-Gen للبيانات اللامركزية الشاملة مع تحسين الإدارة والشفافية للذكاء الاصطناعي والبيانات.
