Cieszymy się, że możemy współpracować z @WalrusProtocol i @SuiFoundation, aby wprowadzić zdecentralizowaną, chroniącą prywatność sztuczną inteligencję do ekosystemu @SuiNetwork. Ta integracja łączy zdecentralizowaną warstwę danych Walrus z szyfrowaniem SEAL w stosie uczenia federacyjnego FLock, umożliwiając bezpieczne, wspólnotowe szkolenie modeli.

2/ FLock trenuje modele AI przy użyciu uczenia federacyjnego, gdzie uczestnicy wspólnie trenują bez dzielenia się surowymi danymi. Aby to bezpiecznie skalować, potrzebowaliśmy zdecentralizowanej infrastruktury do przechowywania, nadawania i szyfrowania aktualizacji modeli. Dzięki Walrus i SEAL zyskujemy to wszystko.

3/ Walrus staje się podstawową infrastrukturą dla FLock’s FL Alliance - naszej sieci współpracy w zakresie węzłów szkoleniowych. Zapewnia zdecentralizowane nadawanie i przechowywanie gradientów modeli, parametrów i wyników szkolenia. Brak centralnych serwerów, brak pojedynczego punktu awarii.

4/ SEAL dodaje programowalną szyfrowanie i kontrolę dostępu do procesu. Zapewnia, że tylko zweryfikowani uczestnicy rundy szkoleniowej mogą przeglądać lub wnosić wkład w gradienty. Szyfrowane dane są przechowywane i odzyskiwane w sposób bezpieczny, bez potrzeby ufania jakiemuś pojedynczemu serwerowi lub stronie.

5/ Walrus i SEAL zastępują brakujące elementy w budowaniu naprawdę zdecentralizowanych, bezpiecznych pipeline'ów uczenia federacyjnego. To odblokowuje kluczową inicjatywę: rozwijanie FL Alliance. Teraz możemy wprowadzać więcej twórców do uczenia federacyjnego z wbudowaną prywatnością i decentralizacją.

6/ Razem z Walrus i SEAL budujemy stos dla bezpiecznej, programowalnej i społecznościowo posiadanej sztucznej inteligencji. Patrząc w przyszłość, współpracujemy z @SuiFoundation, aby dostosować model bazowy open-source zoptymalizowany dla agentowej sztucznej inteligencji na Sui. Więcej wkrótce. 💧