Блокчейн в сельском хозяйстве обучение: Блокчейн в агропромышленности: новое видение сельского хозяйства

Содержание

Блокчейн в агропромышленности: новое видение сельского хозяйства

Технологии

Блокчейн, несомненно, принес нам больше безопасности в цифровой эпохе, и мы уже увидели влияние технологии на несколько отраслевых ниш и секторов. После банковского и финансового сектора блокчейн был с успехом принят в логистике, розничной торговле, административных секторах, общественной безопасности и так далее. Блокчейн уже используется в сельскохозяйственном секторе, хотя можно считать, что его внедрение все еще находится на начальной стадии. Технология обеспечивает большую прозрачность при сохранении неизменности данных.

Какие же перспективы ждут технологию в сельском хозяйстве? Фактические варианты использования все еще остаются весьма ограниченными, но, учитывая огромное влияние, я постараюсь описать несколько из наиболее эффективных вариантов использования блокчейна в сельском хозяйстве и агропромышленности.

Повышение продуктивности урожая

Глобальный индекс голода по-прежнему демонстрирует, что почти сотня стран испытывают нехватку продовольствия.

Производство продуктов питания с меньшими усилиями при удовлетворении потребностей максимального числа людей давно в центре внимания многих стран, и организации по обеспечению благосостояния работают над сокращением смертности от голода и недоедания. К счастью, технология блокчейна тоже может сыграть важную роль в повышении урожайности.

26-12-2019 11:58:14  |   Технологии

Блокчейн, помогая поддерживать инвентарь и базу данных ресурсов, таких как вода, удобрения и рабочая сила, может упростить доступ к этим ресурсам и запасам и, таким образом, повысить производительность для сельскохозяйственных ферм. «Умный» инвентарь, беспилотники для наблюдения и связанные с ними инструменты ведения сельского хозяйства сегодня производят ценные данные, которые можно использовать для развития механизма контроля за урожайностью — связка Интернета вещей и блокчейна решит много проблем.

Прогресс в цепочке поставок сельскохозяйственной продукции

Помимо оказания помощи фермерам в более эффективном использовании ресурсов и запасов для получения оптимального объема сельскохозяйственной продукции и наилучшей урожайности в сезон, блокчейн играет все более важную роль в улучшении цепочки поставок продовольствия и сельскохозяйственных культур.
Благодаря блокчейну снижается роль посредников и агентов для поставок товаров от производителей до магазинов и реальных потребителей.

Более того, благодаря цепочке поставок, основанной на блокчейне, цены на зерновые культуры, дата производства и сроки годности продуктов становятся по-настоящему прозрачными и доступны для всех заинтересованных сторон. Наконец, просто ведя учет предыдущих транзакций и поддерживая обширную базу данных клиентов, фермеров и магазинов, блокчейн может помочь решить вопрос с доступностью продуктов там, где на них есть самый высокий спрос.

Сельское хозяйство и локальное комьюнити

26-04-2019 13:29:28  |   Технологии

По мере того как агропромышленность, сохраняющая местные традиции и фермерские процессы, становится все более популярной из-за низкого воздействия на окружающую среду, набирает обороты так называемое сельское хозяйство, основанное на комьюнити. Интернет открыл глобальный рынок для местных фермеров и сельскохозяйственных производств. Блокчейн помогает сельским хозяйствам на уровне локального комьюнити получать доступ к возможностям продаж в крупные магазины и маркетплейсы.

Растущее число сельскохозяйственных ферм на базе коммьюнити в настоящее время популярно на большом рынке именно благодаря прозрачным бизнес-процессам, основанным на доступной базе данных о продуктах, которые можно снабжать метками срока годности и другими деталями, занесенными в блокчейн. Благодаря блокчейну фермеры из комьюнити теперь могут напрямую связываться с покупателями в городах и предлагать им качественную продукцию.

Контроль над стихийными бедствиями

25-02-2019 14:15:24  |   Новости

Плохие погодные условия и стихийные бедствия часто являются самыми большими препятствиями на пути к стабильному ведению сельского хозяйства. Именно здесь технология блокчейна предлагает несколько полезных решений. Точные прогнозы о плохой погоде и наступающих природных катаклизмах могут обеспечить своевременные меры для предотвращения ущерба.
Это возможно благодаря передовым технологическим возможностям, основанным на искусственном интеллекте, машинном обучении и блокчейне.

Также известно, что взлеты и падения рыночных цен оказывают пагубное влияние как на маркетинг, так и на доступность сельскохозяйственной продукции в целом. Именно здесь блокчейн может сыграть важную роль, просто поддерживая открытую базу данных в режиме реального времени, которая делает ценообразование прозрачным для всех заинтересованных сторон по всей цепочке поставок.

Вывод

Блокчейн в сельском хозяйстве имеет целый ряд преимуществ и качеств, в которых отрасль так нуждалась. Как только блокчейн проникнет в отрасль на всех уровнях, влияние технологии станет более заметным.

Об авторе

Пол Осборн — технический директор компании Cerdonis Technologies, страстный разработчик приложений с опытом работы более 9 лет. Он разрабатывал приложения для крупных отраслей и предприятий. Пол любит читать о новых технологиях и охотно делится опытом, мыслями и идеями в своих статьях и записях в блогах.

Изображение: Pete Linforth / Pixabay

ИСО — Развитие технологии блокчейн

Данная технология лежит в основе функционирования биткойна, и ее использование распространились далеко за пределами финансового сектора. Она имеет корни в других отраслях, от здравоохранения до сельского хозяйства. Ожидается, что расходы на блокчейн и технологии распределенного реестра (DLT), составят почти 16 миллиардов долларов США к 2023 году, но такой быстрый рост может привести к рискам и путанице, в конечном счете препятствуя внедрению технологи. Новый экспертный комитет ИСО,[1]занимающийся вопросами блокчейна, опубликовал свои первые стандарты и документы в поддержку данной технологии. Многие другие стандарты находятся на стадии разработки.

Блокчейн – это технология распределенных регистров, которые предназначены для защиты от несанкционированного доступа и создания записей, в которые невозможно внести корректировки. Данный подход привлекателен для многих отраслей промышленности и правительств, поскольку позволяет регистрировать сделки прозрачным и безопасным способом, повышая тем самым доверие, ограничивая посредников и снижая издержки.

Однако быстрое развитие технологии блокчейн привело к появлению новой терминологии, которая может сбить с толку многих. Недавно опубликованный стандарт ISO 22739, 

Блокчейн и технология распределенного реестра. Словарь, помогает решить данную проблему, формулируя основные термины, которые относятся к технологиям блокчейна и распределенным регистрам. Нормативный документ позволяет взаимодействовать на едином языке, который может быть использован во всем мире.

Эмили Доусон (Emily Dawson), менеджер комитета, занимающийся разработкой стандарта, отметила, что существует также много других проблем, которые необходимо решить, например, связанные с управлением безопасностью.

«Опасения по поводу сохранения конфиденциальности личной информации, зачастую рассматриваются как основной барьер для принятия блокчейн-решений, поэтому мы разработали техническое руководство, которое поможет обеспечить ясность в данном вопросе».

Недавно опубликованный технический отчет ISO/TR 23244, Блокчейн и технология распределенного реестра. Соображения по защите персональных данных и идентифицирующей информации, выявляет и оценивает известные риски, связанные с конфиденциальностью, а также предлагает способы их минимизации. В нем также рассматривается потенциал повышения конфиденциальности блокчейна и DLT.

Еще одной областью, в которой существуют разногласия, является концепция умных договоров, которые представляют собой компьютерные программы, хранящиеся в распределенных регистрах и, которые предназначены для автоматизации транзакций, основанных на согласованных условиях, а также усиление безопасности системы DLT. Начиная с 1990-х годов, данный термин эволюционировал от своего первоначального значения, и единообразия в то, что не существует на практике. Чтобы пояснить это и предоставить возможность более эффективно пользоваться умными контрактами, комитет опубликовал технический отчет ISO/TR 23455,

Блокчейн и технологии распределенных регистров. Обзор и взаимодействие между смарт-договорами в блокчейн и системами технологий распределенных регистров. В нем представлен обзор на умные договоры, которые описывают, что это такое, как они работают и методы взаимодействия между ними.

Будущие стандарты и документы, которые будут опубликованы комитетом, включают:

  • ISO/TR 3242, Блокчейн и технологии распределенных регистров. Случаи из практики;
  • ISO 23257, Блокчейн и технологии распределенных регистров. Эталонная архитектура;
  • ISO/TS 23635, Блокчейн и технологии распределенных регистров. Руководящие принципы управления.

ISO 22739, ISO/TR 23244 и ISO/TR 23455 доступны у вашего национального члена ИСО или в интернет-магазине ИСО.

Международная научно-исследовательская конференция «Приоритетные направления развития сельского хозяйства, прикладной биотехнологии и промышленного производства»

Перспективные направления развития современной агрономии определяют перспективы эволюции российского общества, связанные с формированием надежной продовольственной базы, становлением цифровой экономики, рациональным природопользованием, применением инновационных технологий, инженерно-техническим обеспечением производства. На повестке дня стоят актуальные задачи повышения биоразнообразия сельского хозяйства, выведения продуктивных пород животных, улучшения использования их генетических ресурсов, создания генетических маркеров и банков моноспецифических сывороток-реагентов, эффективного воспроизводства маточного поголовья, анализа причин падежа на животноводческих предприятиях, разработки тканевых и антимикробных препаратов и изучения сезонности заболеваний, проведения демографических и хозяйственных преобразований, исследования эпизоотии, этиологической структуры и усиления борьбы с инфекционными заболеваниями в отрасли.

Устойчивое развитие агропромышленного комплекса зависит не только от решения классических проблем растениеводства и животноводства, но и от создания их разветвленной, опирающейся на цифровую платформу, экосистемы, а также становления новых направлений научно-практической деятельности, в числе которых садово-парковое и ландшафтное строительство. Повышение продуктивности сельскохозяйственного производства основывается на рациональном размещении культур в системе севооборотов, изучении биоклиматического потенциала поля, осуществлении агроэкологической оценки земель и агроландшафта, проведении агротехнических, противоэрозионных и противодефляционных мероприятий, включающих интенсивное использование земли в севообороте и систему механической обработки почвы. Передовыми предприятиями АПК успешно решаются задачи защиты почв и увеличения их впитывающей способности, уменьшения объема и интенсивности стока, снижения скорости ветра в приповерхностном земельном слое, агротехнической и химической борьбы с сорной растительностью, воспроизводства почвенного плодородия, повышения урожая и качества культур с сохранением благоприятной экологической обстановки.

В наиболее динамично развивающихся отраслях сельского хозяйства – биотехнологии и биофармакологии – в производстве вакцин, гормонов, интерферонов в последнее время получили успешное применение бактериальные культуры, а в биотехнологических методах диагностики, профилактики, лечении заболеваний хорошо прижился модельный эксперимент. Высокими темпами развивается специализированная терапия, при диагностике неоплазм быстро решаются проблемы, связанные с идентификацией моноклональных антител, для лечения инфекционных заболеваний изучаются свойства терапевтических антител, создаются рекомбинантные препараты и вакцины, с помощью биологически активных веществ (белков, аминокислот, ферментов) проводится профилактика различных заболеваний. В последнее время активно развиваются инженерная энзимология, в рамках которой создаются биосенсоры и биочипы, экологическая биотехнология – правопреемница биофармакологии и метаболическая инженерия.

Цель конференции – теоретическое осмысление глобальных вызовов, стоящих перед экосистемой сельского хозяйства, биотехнологии и промышленности, позволяющее разработать практические рекомендации по повышению эффективности внедрения инновационных технологий и обеспечению устойчивых темпов развития профильных предприятий.

В работе конференции примут участие ученые, научно-педагогические работники, специалисты в области сельского хозяйства, промышленности, экономики, биологии, представители органов исполнительной и законодательной власти, аспиранты, магистры, а также все заинтересованные лица.

Конференция предоставляет уникальную возможность научным и педагогическим работникам презентовать результаты своих исследований, обменяться мнениями по актуальным проблемам в сфере научно-технического развития важнейших отраслей материального производства.

Форма проведения: очная и дистанционная (Zoom-конференция).

Организаторы конференции: Ассоциация поддержки научных исследований (г. Барнаул, Россия), Тверская государственная сельскохозяйственная академия (г. Тверь, Россия).

Партнер конференции: Костромская государственная сельскохозяйственная академия (Костромская область, Костромской район, пос. Караваево, Россия).

Председатель Организационного комитета: Мигулев Павел Иванович, к.с.-х.н., доц., врио ректора Тверской государственной сельскохозяйственной академии (г. Тверь, Россия).

Эксперты Центра мониторинга НТР обратили внимание нижегородцев на актуальность онлайн-обучения

Встреча в рамках открытого лектория ОНФ «Реализуй себя в цифровом мире!», которая прошла 30 января на площадке Нижегородской государственной сельскохозяйственной академии, стала яркой иллюстрацией того, как стремительно меняется подход к получению образования. Прежняя практика прикладного обучения в рамках одного вуза с последующим углублением в специальность на рабочем месте уходит в прошлое, уступая место онлайн-обучению. В Нижнем Новгороде выступления лекторов слушали около 90 человек, тогда как число онлайн-просмотров уже в первые полчаса составило десятки тысяч — уникальный показатель для проекта, который реализуется Центром мониторинга НТР Народного фронта совместно с «Молодежкой ОНФ».

Проведение лектория на площадке Нижегородской государственной сельскохозяйственной академии еще раз подчеркнуло ту особую роль, которую в последнее время играет сельское хозяйство в экономике России, став одной из самых перспективных отраслей, в том числе и в структуре экспорта, и те перспективы, которые открываются перед ним в эпоху цифровой экономики. Об этом в тот же день сказал на встрече со своими доверенными лицами Владимир Путин. Он отметил, в частности, что ситуация в сельском хозяйстве в России кардинально поменялась после введения ответных мер на антироссийские санкции в 2014 г.: рост показателей агропромышленного комплекса с тех пор составил 14%, достигнут рекордный урожай зерновых, есть полное обеспечение страны отечественной свининой и мясом птицы. И совершенно закономерно, что такой важной для страны отрасли государство намерено оказывать поддержку, причем не только крупным сельхозпроизводителям, но и малым фермерским хозяйствам.

Первая лекция, которую провел директор по развитию проекта «Лайфхакер» Родион Скрябин, была посвящена тонкостям применения контент-маркетинга, вторая, прочитанная руководителем Центра практического применения блокчейн-технологий «Орбита» Игорем Калгановым, — перспективам использования блокчейна. Руководитель рабочей группы «Честная и эффективная экономика» Нижегородского отделения ОНФ Ирина Войнова высоко оценила лекции экспертов Центра мониторинга НТР: «Трудно переоценить пользу этих лекций для нашей молодежи: так много раскрыто новой, полезной информации! Для меня, например, тема блокчейна была чем-то совершенно далеким, а когда так ясно очерчены возможности ее развития и реализации нас самих в этой сфере, то начинаешь совершенно иначе видеть будущее».

Пожалуй, самым важным результатом встречи с молодежью стало возникшее у многих слушателей понимание, что эпоха цифровой экономики уже наступила и чем быстрее адаптироваться к ней и найти в ней свое место, тем более успешным будет каждый из них. «Для меня очень полезной была лекция, посвященная блокчейну: очевидно, что эти технологии можно применять при дальнейшей реализации своих профессий, поскольку они позволяют автоматизировать отчетность, следить за поставками сырья и так далее, — признался второкурсник факультета перерабатывающих технологий Андрей Вилков. — И тем, кто не присутствовал на сегодняшней встрече, точно стоит посмотреть ее хотя бы в записи в интернете».

Сопредседатель регионального штаба ОНФ в Нижегородской области Соломон Апоян отметил актуальность лекции, посвященной контент-маркетингу.

«Если раньше, чтобы заниматься предпринимательством, необходимо было искать ресурсы для найма площадки и персонала, то сейчас можно продвигать свою продукцию, не выходя из дома – на интернет-площадках, причем предлагая покупателю не просто то, что у тебя есть, а то, что ему действительно нужно, – подчеркнул Соломон Апоян. – Что касается лекции, посвященной блокчейну, то меня поразило, насколько более защищенными и простыми современные технологии делают процессы, например, подсчетов и передачи их результатов: не нужны ни бумажки, ни те, кто с ними работает. Это лишний раз свидетельствует, что в скором времени многие профессии просто исчезнут, и к этому нужно быть готовыми. Возможно, это произойдет и через три-четыре года: мир меняется все быстрее и быстрее».

Выпускник Нижегородского государственного архитектурно-строительного университета Николай Шевцов очень точно сформулировал молодежный запрос на тематику дальнейших лекций: «Наше поколение начинает осознавать необходимость получать не лишь бы какое образование, а то, которое отвечает вызовам времени. Поэтому очень хорошо, что в рамках лектория «Реализуй себя в цифровом мире!» и у студентов, и у молодых предпринимателей появилась возможность знакомиться с наиболее актуальными профессиональными трендами и узнавать, где и как сегодня можно научиться наиболее востребованным в ближайшем будущем специальностям и профессиям».

И это тоже коррелируется с задачами и перспективами в сфере образования, о которых на встрече со своими доверенными лицами говорил Владимир Путин. Он подчеркнул, что дальнейшее развитие страны невозможно без получения ее гражданами хорошего, качественного образования. «Мир меняется, требования к образованию меняются, подходы меняются, и мы не только не должны отставать от этих требований, мы должны всегда быть на шаг впереди», — подчеркнул он. На это, по словам Путина, работает и то, что все российские школы уже обеспечены интернетом, а в ближайшей перспективе получат доступ и к высокоскоростному интернету.

«С окончанием студенческих зимних каникул мы продолжаем работу нашего лектория «Реализуй себя в цифровом мире!»: вслед за первой лекцией в Сургуте прошла и лекция в Нижнем Новгороде, — отмечает руководитель Центра мониторинга НТР Анна Заборенко. — Возобновляется и интернет-трансляция лекций в рамках этого проекта: опыт минувшего года показал, насколько велик у российской молодежи интерес к такому способу получения актуальных знаний о цифровой экономике. Но речь не идет просто о повторе уже прозвучавших лекций. С началом нового сезона появились новые лекторы, предлагающие для офф- и онлайн-слушателей новые темы, актуальные именно в тех важнейших, перспективных отраслях, которые обозначил на своей встрече с доверенными лицами Владимир Путин. Именно в таких отраслевых вузах, именно с этими целевыми аудиториями мы и планируем работать в рамках проекта «Реализуй себя в цифровом мире!».

Пензенский государственный аграрный университет — Пензенский государственный аграрный университет

Расписание

Очное Отделение

Бакалавриат

Агрономический факультет

Агрохимия и агропочвоведение

1 курс   2 курс 3 курс   4 курс

Агрономия
1 курс   2 курс
3 курс   4 курс

Землеустройство и кадастры

1 курс   2 курс 3 курс   4 курс

Лесное дело
1 курс   2 курс
3 курс   4 курс

Инженерный факультет

Агроинженерия

1 курс   2 курс 3 курс   4 курс

Эксплуатация транспортно-технологических
машин и комплексов
1 курс   2 курс
3 курс   4 курс

Технологический Факультет

(Б) Зоотехния

1 курс   2 курс 3 курс   4 курс

Технология производства и переработки
с/х продукции

1 курс   2 курс 3 курс   4 курс

Ветеринарно-санитарная экспертиза

1 курс 2 курс 3 курс  4 курс

Экономический факультет

Менеджмент
1 курс   2 курс
3 курс   4 курс

Экономика

1 курс   2 курс 3 курс   4 курс

Специалитет

Технологический Факультет

Ветеринария
1 курс 2 курс
3 курс 4 курс

Экономический факультет

Экономическая безопасность
1 курс   2 курс
3 курс   4 курс
5 курс

Инженерный факультет

Наземные транспортно-технологические средства
1 курс

Магистратура

Агрономический факультет

Агрохимия и агропочвоведение
1 курс   2 курс

Инженерный факультет

Агроинженерия, Эксплуатация
транспортно-технологических
машин и комплексов
1 курс   2 курс

Технологический Факультет

Зоотехния
1 курс   2 курс

Экономический факультет

Экономика
1 курс   2 курс

Аспирантура

Агрономический факультет

1 курс   2 курс
3 курс

Инженерный факультет

1 курс   2 курс

Технологический Факультет

1 курс   2 курс

Среднее профессиональное
образование

Факультет СПО
На базе основного общего образования

1 курс   2 курс

3 курс   4 курс

На базе среднего общего образования

1 курс   2 курс

3 курс

Очно-заочное Отделение

Специалитет

Технологический Факультет

Ветеринария
1 курс   2 курс
3 курс   4 курс

Заочное Отделение

Бакалавриат, специалитет

Агрономический факультет

1 курс   2 курс
3 курс   4 курс
5 курс

Технологический факультет

1 курс   2 курс
3 курс   4 курс
5 курс

Инженерный факультет

1 курс   2 курс
3 курс   4 курс
5 курс

Экономический факультет

1 курс   2 курс
3 курс   4 курс
5 курс   6 курс

Магистратура

Агрономический факультет

1 курс   2 курс

Технологический факультет

1 курс   2 курс

Инженерный факультет

1 курс   2 курс

Экономический факультет

1 курс   2 курс

Аспирантура

Экономический факультет

1 курс   2 курс

превратите распределенные данные в фактор успеха / Блог компании Hewlett Packard Enterprise / Хабр

В глобальной экономике все более широкое распространение получают цифровые технологии, в основе которых лежат данные. Но чтобы воспользоваться всей мощью данных, необходимо разработать алгоритмы, модели и системы, дающие возможность извлекать из данных знания и пользоваться ими.

Системы машинного обучения (МО) успешно применяются в различных областях, таких как распознавание изображений, обнаружение объектов и машинный перевод. В типичных архитектурах машинного обучения для обработки поступающей первичной информации применяются модели, обученные в частных или публичных облаках на данных собранных из разных источников. Эти модели, развертываемые в облаке или на границе сети, открывают принципиально новые возможности во многих областях, включая здравоохранение, сельское хозяйство, розничную торговлю, транспорт и т. д. Решения искусственного интеллекта (ИИ) привлекают триллионы долларов в глобальной экономической деятельности.

Данные для централизованных решений по машинному обучению собираются в вычислительном центре: именно там происходит их разработка, а затем обучение и тестирование моделей МО. При этом у централизованного подхода есть ряд проблем как технического, так и социально-экономического характера. Владение данными, безопасность и конфиденциальность – все эти факторы могут препятствовать передаче и накоплению огромного объема данных, необходимого для машинного обучения моделей. Кроме того, стоимость централизованной инфраструктуры, необходимой для размещения и обработки собранных данных, может быть недопустимо высокой.

Требуется альтернативное решение. Это решение должно адаптироваться ко все более распределенному характеру данных, рассматривая это, как преимущество. Результаты работы таких моделей должны быть сравнимы по точности с полученными в системах централизованного обучения, однако по ряду параметров, включая безопасность, отказоустойчивость и задержки, такое решение должно быть более совершенным.

Для решения этой проблемы мы разработали новую технологию – роевое обучение.

Роевое обучение – это децентрализованное решение по машинному обучению, использующее вычислительные ресурсы, расположенные либо непосредственно в самих распределенных генераторах данных, либо максимально близко к ним, и опирающееся на безопасность блокчейна. При децентрализованном обучении на границе сети происходит как обучение модели, так и работа обученной модели. Именно на границе сети данные наиболее свежие, а своевременные решения, принятые на основе полученных данных, наиболее востребованы. В полностью децентрализованной архитектуре между участвующими системами машинного обучения производится обмен не необработанными данными, а только извлеченными из данных знаниями, поэтому значительно повышается безопасность и конфиденциальность данных.

Роевое обучение принципиально изменяет парадигму вычислений машинного обучения: вычисления производятся рядом с данными. Благодаря сохранению безопасности и конфиденциальности открываются новые возможности сотрудничества и модели монетизации, выходящие за границы организаций.

Введение

В основе нашей экономики лежат данные. Они поступают от повсеместно используемых датчиков, вычислительных систем и сетей. В различных отраслях, включая здравоохранение, сельское хозяйство, розничную торговлю, транспорт и прочие, каждую секунду образуются петабайты, а то и эксабайты данных. При этом истинная ценность данных заключается в знаниях, которые «спрятаны» в глубине данных, если эти знания позволяют принимать своевременные решения и извлекать прибыль.

Данные обычно собираются в вычислительном центре, в публичном или частном облаке, где эти данные используются для обучения статистических моделей или моделей машинного обучения. После обучения можно развернуть модели в облаке или на границе сети, собрать новые входные данные и получить результат работы модели. Такая архитектура машинного обучения с агрегированием учебных данных называется централизованным машинным обучением.

Многие области применения машинного обучения, где в большинстве случаев применяется централизованный подход к обучению, оказали значительное влияние на множество аспектов нашей работы и жизни, привели к важным открытиям в области мобильности, образа жизни и промышленного производства. Мы празднуем триумф машинного обучения, но не должны забывать о новых технических и социально-экономических проблемах, а также, в частности, об их влиянии на то, как мы обрабатываем данные и извлекаем знания.

Формулировка проблемы

Одна из основных проблем централизованного подхода к обучению заключается в том, что данные все более и более физически распределены, что обусловлено распространением источников данных вокруг нас. Например, автономный автомобиль может быть оборудован лидаром, радаром, системами машинного зрения и множеством других датчиков, образующих петабайты данных каждый день. Данные образуются с беспрецедентной скоростью, в огромных объемах и в самых разных, далеких друг от друга местах, поэтому объединение всех этих данных в едином вычислительном центре, например в облаке, для централизованного машинного обучения – крайне сложная задача, способная свести к нулю все возможные преимущества. С другой стороны, наблюдается тенденция переноса вычислительных ресурсов (и, следовательно, алгоритмов анализа) ближе к данным. Подход с вычислениями на границе сети может открыть новые возможности для предоставления покупателям новых предложений и укрепления конкурентного преимущества, в особенности за счет сокращения задержек между данными и действиями на основе этих данных. Такие возможности заставляют нас изучать альтернативные архитектуры машинного обучения, способные работать с распределенными данными и эффективно пользоваться вычислительными ресурсами устройств на границе сети.

Второе препятствие на пути централизованного машинного обучения – конфиденциальность и безопасность данных. Этот вопрос всегда вызывает наибольшую озабоченность у государственных органов, коммерческих компаний и частных лиц. Объединение данных для централизованного обучения подразумевает перемещение данных. В процессе перемещения данные могут подвергаться различным атакам. Более того, объединение личных сведений о людях и их поведенческих привычках, записанных в различных источниках данных (включая истории болезни, историю посещения веб-сайтов, записи поездок на такси и программы тренировок), повышает уязвимость частной жизни людей. Даже если применяется маскировка и обезличивание таких данных [1].

Мы пытаемся вычленить знания из огромного объема личных и конфиденциальных данных, но нам нужен надежный способ защиты конфиденциальных данных частных лиц и коммерческих компаний. Такое решение должно пользоваться ресурсами, расположенными на границе сети, непосредственно там, где данные образуются и записываются. Система периметра должна обучаться на месте, без необходимости наличия связи с облаком.

Еще одно ограничение централизованного машинного обучения – модель владения данными. Во многих сценариях данные образуются большим количеством частных лиц или организаций и принадлежат им, однако сбор, очистку, анализ и монетизацию данных производит отдельная компания. Такой агрегатор обладает инфраструктурой для хранения данных и их обработки. Большую часть времени агрегатор также является администратором данными. Разделение на субъектов владения данными и субъектов доступа и распоряжения данными приводит к образованию монополий данных, из-за чего значительная часть прибыли, которую можно извлечь из данных, оказывается в кармане агрегатора.

Более того, когда владельцы данных уступают контроль над данными агрегаторам, открывается настоящий ящик Пандоры с точки зрения нарушения конфиденциальности, несмотря на любые соглашения владельцев и агрегаторов об использовании данных и о соблюдении конфиденциальности. Одним из таких примеров является недавний скандал, фигурантами которого стали социальная сеть Facebook и компания Cambridge Analytica.

Модель владения данными обладает неустранимыми изъянами, поэтому обмен данными за пределами организаций вызывает наибольшие затруднения для централизованного машинного обучения. Обычно организации обладают данными, относящимися к определенной отрасли, клиентской базе или географическому расположению. Если объединить такие ресурсы данных, можно извлечь значительно более полезные знания. Например, финансовые учреждения во всем мире понесли в 2017 году убытки от мошенничества с кредитными картами в размере 33,7 млрд долларов.

Текущие модели машинного обучения для обнаружения рисков разрабатываются каждым банком на собственных данных, поэтому количество ложноположительных срабатываний довольно высоко. Проведенное недавно исследование свидетельствует о том, что в 2017 году примерно 6,7 % (1 из 15) держателей банковских карт были затронуты ложноположительными срабатываниями систем борьбы с мошенничеством. В обучающих выборках для моделей систем обнаружения мошенничества количество примеров мошеннических операций обычно ограничено, из-за чего точность модели будет ограничена. Таким образом, использование распределенного обучения и обмен данными об операциях по кредитным картам между финансовыми учреждениями имеет большой потенциал с точки зрения повышения точности обнаружения мошенничества.

Децентрализованная архитектура, способная преодолеть эти затруднения, может оказать значительное влияние на развитие всей отрасли. Важность такого децентрализованного решения в определенной степени подтверждается объемом инвестиций в ИИ и влиянием ИИ на глобальную экономику. Например, компания McKinsey предполагает, что влияние только алгоритмов глубинного обучения на все отрасли к 2020 году будет оцениваться величиной от 3,4 до 5,7 трлн долларов. Компания IDC считает, что расходы на когнитивные системы и ИИ утроятся с 24 млрд долларов, прогнозируемых на 2018 год, до 77,6 млрд долларов в 2022 году. Что предполагает получение значительной прибыли. Согласно данным компании Deloitte, 82 % опрошенных компаний получили финансовую прибыль от вложений в ИИ.

Критерии успешного решения

Недостатки централизованного машинного обучения обусловлены именно централизованной архитектурой. Естественным образом напрашивается применение противоположного подхода – децентрализованного машинного обучения. В частности, нужен подход к децентрализованному машинному обучению со следующими атрибутами.

Децентрализованная система машинного обучения должна обладать точностью, эффективностью и способностью обрабатывать распределенные данные.

Точность. Точность модели у такой системы должна быть близкой или такой же, как у системы с централизованным обучением, поскольку точность – главный показатель извлечения знаний из данных.

Эффективность. Важно рассматривать эффективность со систематической точки зрения и оценивать всю область применения. Система машинного обучения может охватывать передачу данных и параметров модели, обучение и тестирование модели, развертывание и периодические обновления. Для объективного сравнения нужно принимать во внимание не только временную эффективность, но и продуктивное использование существующих вычислительных и сетевых ресурсов, а также систем хранения данных.

Обработка распределенных данных. Децентрализованные системы машинного обучения должны эффективно обрабатывать распределенные данные путем правильного размещения нагрузок, координации работы равноправных систем и синтеза частичных результатов обучения для образования полной модели. Кроме того, сам алгоритм должен уметь работать с ограниченными или несбалансированными выборками данных. В обоих случаях это может быть весьма непросто, поскольку затрудняется согласование модели во время первичного и повторного обучения. Часто бывает, что данные с определенными атрибутами неравномерно распределены между источниками. Кроме того, объем данных может значительно различаться в разных распределенных источниках.

Для децентрализованного машинного обучения требуются функции безопасности, гарантирующие участие в обучении только после проверки подлинности: нужно защитить не только сами распределенные данные, но и параметры и веса модели. Для борьбы с несанкционированными участниками должен быть предусмотрен механизм их исключения. Доступ к данным должен предоставляться только в течение разрешенного периода и только для разрешенной цели. Кроме того, могут потребоваться дополнительные меры, чтобы скрыть сведения о модели машинного обучения.

Один из доводов в пользу децентрализованного обучения – реализация более надежной конфиденциальности. Успешная децентрализованная система машинного обучения должна предоставлять владельцам данных более полный контроль над их конфиденциальными сведениями, а знания должны извлекаться из данных без нарушения конфиденциальности.

При централизованном подходе к машинному обучению есть риск единой точки отказа. У децентрализованного обучения такой риск отсутствует, но требуются средства повышения устойчивости систем: они должны быть рассчитанными на динамическое подключение и отключение распределенных ресурсов данных в процесс обучения модели.

В чём недостатки существующих решений?

За последнее десятилетие системы машинного обучения получили значительное развитие в промышленности и научных исследованиях. Были предприняты усилия по преодолению отдельных проблем централизованного машинного обучения. Тем не менее решения для всех основных проблем централизованного машинного обучения пока не существует.

И для федеративного обучения Google™ [2], и для алгоритмов эластичного усреднения SGD Facebook проводились исследования возможностей сотрудничества локальных решений для улучшения общей модели. В системах Google и Facebook единый сервер параметров осуществляет объединение всех данных и распределение задач для локального обучения. Такая архитектура с топологией «звезда» обладает очевидной единой точкой отказа, что приводит к снижению отказоустойчивости.

Помимо этого недостатка, с децентрализованными системами машинного обучения со множеством участников связывают еще одну, более серьезную проблему — выявление, наказание и исключение посторонних участников. Технические меры помогают обнаруживать посторонних участников и ограничивать их влияние, но обнаружение и восстановление систем занимает время. Чтобы обнаруживать такое злонамеренное поведение, нужно выйти за рамки строго технических мер: у каждого локального участника обучения не должно быть мотивации нарушать установленный порядок, поскольку это повлечет нежелательные последствия.

Для решения проблем с конфиденциальностью в работе Техасского университета в Остине и Корнеллского университета, а также Университета Карнеги-Меллона и корпорации Mitsubishi, к примеру, применяются алгоритмы учета конфиденциальности в многосторонних средах машинного обучения. Это важный шаг на пути к удовлетворению требований конфиденциальности в децентрализованных системах машинного обучения. Поскольку работа сфокусирована на проблеме повышения конфиденциальности, в ней не рассматриваются другие важные проблемы, встречающиеся в обработке распределенных данных у коммерческих компаний, такие как несбалансированные выборки данных, зависимые и идентично распределенные данные. Чтобы избежать возможной нагрузки по перетасовке и реорганизации распределенных данных, требуется децентрализованный подход, изначально разработанный для распределенных данных и способный поддерживать любые инициативы по укреплению конфиденциальности.

Кроме того, есть пробел в возможностях существующих платформ децентрализованного машинного обучения для приложений, используемых в коммерческих компаниях. Например, алгоритм федеративного обучения Google обрабатывает данные конечных пользователей в своей собственной экосистеме. Недавно появившийся принцип децентрализованного машинного обучения (Decentralized ML) [3] также ориентирован на конечных потребителей за счет применения машинного обучения с использованием коллективных ресурсов (краудсорсинга). Огромным потенциалом обладают полные решения децентрализованного машинного обучения для корпораций: в таких решениях вычислительные ресурсы объединены с системами хранения и данными. Это решение должно не только устранять конкретные проблемы коммерческих компаний, но и способствовать появлению новых бизнес-моделей для поощрения сотрудничества между компаниями.

Подход HPE к решению проблему – роевое обучение (Swarm Learning)

Роевое обучение – это вид децентрализованного машинного обучения на основе технологии блокчейна, разработанное специально для предоставления коммерческим компаниям возможности использовать всю мощь распределенных данных при сохранении конфиденциальности и безопасности информации. Роевое обучение использует вычислительные ресурсы, находящиеся непосредственно в распределенных источниках данных или рядом с ними, и обеспечивает безопасность с помощью технологии блокчейна. Для защиты конфиденциальности в решении производится обмен знаниями, добытыми из исходных данных, а не самими необработанными данными.

Платформа безопасности на базе блокчейна дает возможность присоединяться к децентрализованной сети обучения только полноправным участникам. Для каждой стороны действует смарт-контракт, описывающий условия участия и положенное вознаграждение. Смарт-контракт в роевом обучении поддерживает современные бизнес-модели. Вместе с платформой монетизации смарт-контракт также обеспечивает сотрудничество между организациями.

Представляем технологию децентрализованного обучения – роевое обучение

Роевое обучение – это платформа, позволяющая набору узлов (каждый узел обрабатывает часть обучающих данных локально) совместно обучать общую модель машинного обучения без обмена собственно учебными данными. Это достигается следующим образом: отдельные узлы обмениваются параметрами (весами), полученными при обучении модели на локальных данных. За счет этого узлы поддерживают конфиденциальность исходных данных.

Параметры, предоставленные всеми узлами, объединяются для получения глобальной модели. Более того, процесс объединения осуществляется не постоянным центральным координатором или сервером параметров, а временным ведущим узлом, динамически выбираемым среди всех активных узлов, поэтому сеть роя является децентрализованной. За счет этого обеспечивается гораздо более высокая отказоустойчивость, чем в традиционных платформах с серверами параметров. При использовании глобальной модели каждый узел получает в свое распоряжение все знания сети, при этом исходные данные не выходят за пределы узла.

Идея децентрализованного обучения опирается на две проверенные технологии: распределенное машинное обучение и блокчейн. Алгоритм распределенного машинного обучения применяется для обучения общей модели на множестве узлов с подмножеством данных, находящихся в каждом узле (в машинном обучении такой принцип называется парадигмой параллелизма по данным), но без центрального сервера параметров. Блокчейн наделяет систему функциями децентрализованного управления, масштабируемости и отказоустойчивости, чтобы платформа не ограничивалась рамками одной организации. Одновременно блокчейн реализует платформу криптовалюты, защищенной от фальсификации, которую участвующие стороны могут использовать для монетизации своих вкладов в общую модель.

Рабочий процесс роевого обучения

Рабочий процесс роевого обучения можно разделить на три основных этапа:

  1. Инициализация и сбор участников.

  2. Установка и настройка.

  3. Интеграция и обучение.

Все эти операции описаны ниже.

Инициализация и сбор участников

Подготовка – это организационный процесс: стороны, заинтересованные в реализации машинного обучения на базе роя, должны собраться и обсудить эксплуатационные и юридические требования к децентрализованной системе. В частности, необходимо оговорить такие аспекты, как соглашения о совместном использовании данных (параметров), соглашения об обеспечении видимости узлов за пределами границ организаций, а также соглашения о предполагаемых результатах процесса обучения модели. На этом этапе также оговариваются значения настраиваемых параметров роя, например узлы обнаружения участников, необходимые при старте системы, и частота синхронизации между узлами. Наконец, необходимо согласовать общую модель для обучения и систему вознаграждения (при необходимости).

Установка и настройка

По завершении процесса подготовки все участники консорциума загружают и устанавливают платформу роя на свои машины (узлы). На этом этапе также поставляется конфигурация сети роевого обучения, оговоренная на этапе инициализации и подготовки. Затем платформа роевого обучения загружается и инициирует подключение узлов к сети роя, которая представляет собой блокчейновую структуру, наложенную на сетевые подключения между узлами. Загрузка – это упорядоченный процесс, в котором набор узлов, назначенных в качестве узлов обнаружения участников (на этапе инициализации), загружается в первую очередь, после чего загружаются остальные узлы в сети.

Интеграция и обучение

Роевое обучение предоставляет набор простых API для быстрой интеграции с различными платформами. Эти API встраиваются в существующую кодовую базу для быстрого превращения автономного узла машинного обучения в участника роя. Процесс обучения модели можно разделить на следующие этапы (рисунок 1):

РИСУНОК 1. Этапы обучения модели

1. Регистрация

Процесс роевого обучения начинается с регистрации каждого узла в смарт-контракте роя. Это однократный процесс. Каждый узел последовательно записывает в контракте свои атрибуты, например универсальный код ресурса (URI), по которому другие узлы смогут загрузить набор рассчитанных на этом узле параметров.

2. Обучение локальной модели

После этого узлы обучают локальную копию модели в нескольких итеративных циклах; каждый такой цикл называется эпохой. Во время каждой эпохи каждый узел обучает свою локальную модель, используя один или несколько пакетов данных и фиксированное количество итераций. После прохождения заданного количества эпох узел экспортирует значения параметров в файл и отправляет этот файл в общую файловую систему, доступную для других узлов. После этого он оповещает другие узлы о готовности к этапу совместного использования параметров.

3. Раскрытие параметров

Этот этап начинается, когда количество узлов, готовых к этапу раскрытия параметров, достигает определенного минимального порогового значения, указанного при инициализации. Сначала выбирается ведущий узел эпохи, его роль заключается в объединении параметров, полученных после локального обучения на всех узлах. Этот выбор совершается очень быстро и происходит на заключительном этапе каждой эпохи.

На основании заранее определенного алгоритма выбора ведущего, один из узлов становится ведущим узлом. По ссылкам URI всех участников, он загружает файлы параметров из каждого узла, чтобы можно было перейти к этапу объединения параметров. Мы используем топологию «звезда», при которой объединение выполняет один ведущий узел. Также возможны и легко настраиваются другие топологии, например k-стороннее объединение, когда объединение проводится набором узлов.

4. Объединение параметров

После этого ведущий узел объединяет загруженные файлы параметров. Платформа поддерживает множество алгоритмов объединения: среднее, взвешенное среднее, медианное и т. д. Используя выбранный алгоритм, ведущий узел объединяет значения параметров из всех узлов, чтобы создать новый файл с объединенными параметрами, и оповещает другие узлы о доступности этого нового файла. После этого каждый узел загружает этот файл c ведущего узла и обновляет свою локальную модель новым набором значений параметров.

5. Проверка условия остановки

Наконец, узлы апробируют модель с обновленными значениями параметров на локальных данных, проверяя модель по различным критериям (вычисляет проверочные метрики). Значения, полученные на этом этапе, распространяются с помощью переменной состояния, обозначенной в смарт-контракте. Каждый узел, завершив этот этап, оповещает сеть о том, что шаг обновления и проверки завершен. В это время ведущий узел продолжает проверять поступление сигнала «Обновление завершено» от каждого узла. Обнаружив, что все участники объединения сообщили о завершении, ведущий узел объединяет показатели метрик от локальных проверок, чтобы вычислить общие показатели метрик. После этого этап синхронизации отмечается как завершенный.

Политика, определенная на этапе инициализации, поддерживает монетизацию при создании модели. На этом этапе вычисляется и раздается вознаграждение, соответствующее вкладу каждого участника. После этого текущее состояние системы сравнивается с условием остановки. Если это условие выполняется, процесс роевого обучения останавливается. В противном случае этапы обучения локальных моделей, публикация параметров, их объединение повторяются пока не будет выполнено условие остановки.

Архитектура роевого обучения

Архитектуру роевого обучения можно разделить на четыре уровня: API, управление, данные и монетизация. Компоненты являются модульными, поэтому технологии, использованные в их реализации, можно заменять, сообразуясь с конкретными требованиями. Вся платформа может работать как на стандартных, так и на высокопроизводительных машинах, также поддерживается разнородная инфраструктура в сети. Платформу можно развернуть в пределах одного центра обработки данных или в нескольких центрах обработки данных. Реализована встроенная поддержка отказоустойчивой сети, где узлы могут динамически выходить из сети роя и снова входить в нее без нарушения и замедления процесса построения модели.

На рисунке 2 показаны различные уровни роевого обучения с подробным описанием каждого из них:

РИСУНОК 2. Архитектура платформы

В чём преимущества роевого обучения для вашего бизнеса?

Роевое обучение было задумано, чтобы решить дилемму лавинообразного распространения данных и ряд технических, общественных и экономических проблем, связанных с извлечением знаний из данных. Компании, внедрившие роевое обучение, получат следующие конкурентные преимущества.

Эффективность

Знания, содержащиеся в данных, невозможно получить бесплатно. В частности, централизованный подход машинного обучения, связанный с объединением данных в едином центре для обработки, сопряжен с высокими затратами на передачу данных и с вложениями в системы хранения данных и вычислительные мощности для обработки этих объединенных данных. В роевом обучении исключены затраты на передачу необработанных данных, поскольку обучение производится непосредственно в источниках данных или рядом с ними. Наши эксперименты свидетельствуют о том, что объем передаваемых параметров моделей может быть в тысячи раз меньше объема необработанных данных. За счет этого резко снижаются расходы на передачу данных и задержки с их обработкой.

Роевое обучение может дополнительно снизить эксплуатационные расходы, используя существующие системы хранения данных и вычислительные ресурсы, расположенные в источниках данных или рядом с ними. В этом случае нет необходимости вкладывать средства в главный центр обработки данных, локальный или облачный; не нужно платить за централизованное хранение и обработку объединенных данных, объем которых в централизованной среде машинного обучения может стремительно расти.

Соблюдение требований конфиденциальности и безопасности

Принятие и применение регламента GDPR (Общие положения о защите данных) – важная веха в развитии правовых механизмов защиты конфиденциальности данных. Компании во всем мире подвергаются строгим проверкам в отношении прозрачности и подотчетности используемых процедур обращения с данными клиентов. Несоблюдение нормативных требований отрицательно сказывается на имидже бренда и может повлечь серьезные санкции. Например, крупная компания в области социальных сетей недавно добилась досудебного урегулирования разбирательства с правительством США с выплатой беспрецедентно высокой суммы в 5 млрд долларов за нарушение конфиденциальности.

Роевое обучение помогает компаниям соблюдать все регламенты конфиденциальности и безопасности, предоставляя владельцам данных более полный контроль над доступом к данным и их использованием. Это достигается применением смарт-контрактов и исключением необходимости передавать необработанные данные. Строгое соответствие требованиям безопасности и конфиденциальности укрепляет уверенность клиентов, что, в свою очередь, приносит бизнесу больше прибыли.

Отказоустойчивость

В сравнении с централизованным подходом к обучению в роевом обучении децентрализованы как хранилища данных, так и сам процесс обучения. За счет этого исключается единая точка отказа, угрожающая бесперебойной работе бизнеса. Алгоритм роевого обучения отличается высокой эффективностью работы с ограниченными или несбалансированными выборками данных из различных источников. Смарт-контракт надежно обрабатывает ошибки, такие как потеря подключения источника данных к участникам роя.

Своевременное предоставление знаний

Роевое обучение обладает важнейшим преимуществом – снижением задержки между созданием данных и появлением полезных знаний, полученных из этих данных. В роевом обучении повторное обучение модели можно начинать, как только новые данные станут доступными в любом источнике данных. Полученные результаты обучения можно немедленно предоставить всем участникам роя, не дожидаясь передачи, объединения и последующего анализа данных в вычислительном центре. Чем короче путь от данных к знаниям, тем быстрее и точнее можно реагировать на меняющиеся условия рынка. Это – важное конкурентное преимущество.

Новые модели совместной работы и монетизации

Проводя четкую границу между необработанными данными и знаниями, содержащимися в этих данных, роевое обучение отделяет доступ к данным от владения данными. Это разделение вместе с переносом вычислений ближе к данным позволяет получить более полное представление о ценности данных.

Представьте себе мир, в котором личная или конфиденциальная информация всегда (без исключений) находится под непосредственным контролем гражданина или организации. Все службы, опирающиеся на эти данные, заключаются в контейнеры, получают разрешение владельца данных и переносятся к данным. При этом контракт четко описывает предоставление данных, порядок использования, длительность контракта и предполагаемое вознаграждение владельца данных. В этом случае контроль над личными или конфиденциальными данными переходит к владельцам данных, открывается совершенно новая модель сотрудничества при обработке данных и монетизации. Поскольку необработанные данные не выходят за пределы персональных устройств или организаций, продуманные инициативы приведут к образованию бизнес-моделей для совместной работы с данными в различных областях применения (как для конечных потребителей, так и для коммерческих компаний).

В каких областях можно применять роевое обучение?

Роевое обучение – это не только решение проблем, присущих централизованному машинному обучению. Это мощнейший инструмент, позволяющий раскрыть недооцененные возможности, связанные с распределенными данными и расположенными рядом с ними вычислительными ресурсами. Решение роевого обучения может применяться в самых разных отраслях. Мы покажем преимущества этого решения в нескольких сценариях использования.

Здравоохранение

Представьте, что существует три института по исследованию рака груди: один в США, второй в Европе, третий в Азии. Каждый из них обладает собственным, ограниченным набором данных в этой области. У этих исследовательских институтов общая цель: повысить эффективность диагностирования рака груди путем разработки и обучения модели машинного обучения. Поскольку объем данных в каждом институте ограничен, а распределение может иметь демографические отклонения, институтам нужно наладить управляемый обмен данными. В идеале нужно обмениваться только информацией о раке груди.

Однако такая готовность сотрудничать и укреплять здоровье всего человечества сталкивается со значительным риском нарушения нормативных требований при использовании централизованного машинного обучения. При существующих регламентах, действующих для медицинских карт пациентов в соответствующих странах, даже простое получение разрешения на обмен необработанными данными и их передачу в общий вычислительный центр (который находиться за рубежом по отношению к двум из трех институтов) может быть невыполнимой задачей.

При роевом обучении риск нарушения нормативных требований сводится к минимуму, поскольку исключается передача необработанных данных. Не данные передаются в вычислительный центр, а вычислительные ресурсы реализуются рядом с данными. Смарт-контракт между исследовательскими институтами устанавливает правила извлечения, обмена и получения информации из соответствующих наборов данных. Сотрудничество между институтами четко определено, осуществляется по строгим правилам и надежно отслеживается. Таким образом, институты могут сосредоточить больше ресурсов на исследовательском сотрудничестве вместо эксплуатационных издержек.

Городская мобильность

Урбанизация – общемировая тенденция. Увеличение плотности населения городских районов сопряжено с повышением загруженности дорог. Попутчики, автономные автомобили, автомобили с подключением к Интернету и «умные города» – все эти усилия призваны решить проблемы мобильности с различных ракурсов. Для решения проблемы городских дорожных пробок требуется комплексный подход, включающий широкий набор сведений: маршруты поездок жителей на работу, информацию о дорогах и погоде, сведения о публичных и частных меропри-ятиях. Интеллектуальная модель, располагающая всей этой информацией, сможет лучше прогнозировать интенсивность движения и оптимизировать планирование транспортных ресурсов. Как своевременно и без чрезмерных затрат консолидировать всю эту информацию в централизованной системе машинного обучения? Это либо крайне сложно, либо вовсе невозможно.

Вернемся на шаг назад. Даже если вся эта информация доступна для централизованной системы машинного обучения, достаточно ли точно мы рассмотрели проблему, чтобы предложить оптимизированное и эффективное решение? Мы считаем, что здесь отсутствует ключевой элемент, способный в полной мере обрисовать гибкие возможности выбора людей и механизм их вознаграждения, с помощью которого мы могли бы влиять на их выбор и повышать общую производительность системы.

Например, если в вечерний час пик на шоссе возникает пробка, вы согласитесь уйти с работы на 10 минут позже, чтобы снизить нагрузку на дорогу? Вряд ли. А изменится ли ваше решение, если при согласии вы получите право бесплатного проезда по платной магистрали на следующее утро, что позволит вам сэкономить 20 минут поездки? Если вознаграждение убедит вас принять предложение, представьте, как будет формироваться дорожное движение, если индиви-дуальные предложения с подобным выбором можно предоставить миллионам городских жителей децентрализованно и в реальном времени. Роевое обучение может предоставить именно такую возможность.

Роевое обучение с децентрализованной архитектурой и системой вознаграждений – оптимальный механизм для решения комплексных системных проблем со взаимодействием с людьми или организациями. При этом не только решается проблема конфиденциальности и безопасности обмена данными, но и предоставляется возможность управлять индивидуальным или коллективным поведением. В сравнении с существующими интеллектуальными системами, основными задачами которых являются моделирование и прогнозирование, роевое обучение может замкнуть круг и вывести интеллектуальные системы на совершенно новый уровень обучения, действия и развития.

Сотрудничество в открытом космосе

Роевое обучение обладает беспрецедентными преимуществами для областей применения, в которых перемещение и консолидация большого объема данных для централизованного обучения невозможны из-за высоких затрат и длительных задержек. Ничто не демонстрирует этого преимущества роевого обучения лучше, чем сотрудничество в дальнем космосе, где источники данных машинного обучения расположены очень далеко друг от друга и от эффективных средств центрального координирования.

По мере того как мы изучаем все более дальние рубежи Вселенной, исследовательским кораблям потребуется брать с собой большие объемы данных. Проблемы обучения из источников данных, разделенных такими расстояниями, выходят далеко за пределы вопросов надежности, доступности, пропускной способности и стоимости каналов связи. Задержки – это фундаментальная преграда, которую мы не можем преодолеть. Например, задержка при обмене информацией между Марсом и Землей может достигать 40 минут. Такая значительная задержка может оказать решающее значение для успеха или неудачи всего полета. При полете космической эскадры к Марсу было бы практичнее использовать роевое обучение между космическими кораблями, которые будут находиться относительно близко один от другого, чем отправлять данные на Землю с гигантской задержкой.

Заключение

В современной цифровой экономике важным преимуществом является способность быстро и точно реагировать в зависимости от полученных данных. Недорогое и надежное роевое обучение, сочетающее децентрализованное машинное обучение с технологией блокчейна, дает возможность коммерческим компаниям сократить задержки между получением данных и действием на основе добытых из них знаний. Внедрение роевого обучения открывает новые возможности сотрудничества и монетизации собираемых данных. Корпорация Hewlett Packard Enterprise намерена открыть этот новый рубеж вместе с нашими партнерами и заказчиками.

Джованни Каппанели рассказал об эффективности применения блокчейн в сельском хозяйстве Казахстана.

Директор представительства АБР (Азиатский банк развития) в РК Джованни Каппанели рассказал о возможностях цифровизации в достижении целей устойчивого развития в Казахстане, передаёт Bnews.kz.

Он отметил, что приоритетными направлениями в Казахстане могут стать вопросы охраны окружающей среды, государственного управления и развития телекоммуникаций и связи.

В качестве примера использования новых технологий для достижения целей устойчивого развития Каппанели рассказал о применении технологии блокчейн в сельском хозяйстве, а если быть точнее, в животноводстве.

«Использование этой технологии будет способствовать улучшению отслеживаемости и сертификации. Благодаря тому, что данные децентрализованного реестра крупного рогатого скота будут криптографически защищены и каждый блок транзакций будет оставаться неизменным, его будет очень сложно подделать. Таким образом зашифрованная информация может содержать такие данные по идентификации животного, как информация о ферме, происхождении и состоянии здоровья животных», — пояснил Каппанели.

Также среди приоритетных направлений спикер отметил сферу образования, в части электронного обучения и создания модельных школ; здравоохранение – телемедицина и медицинское страхование; социальная защита – национальные удостоверения личности, мобильная интегрированная база данных для социальной защиты; женское предпринимательство; охрана окружающей среды – мониторинг загрязнения воздуха / воды с помощью дистанционных датчиков и раннее предупреждение и управление рисками стихийных бедствий; энергетический комплекс – создание умных сетей с возобновляемой энергией, энергоэффективностью; Smart City и др.

Напоминаем, что в Алматы состоялся ежегодный Международный форум «Цифровая повестка в эпоху глобализации 2.0».

В рамках форума участники сессии «Цифровизация в достижении целей устойчивого развития», организованной ООН, обсудили роль ИКТ и инноваций в реализации Повестки до 2030 года, рассмотрели примеры передовых практик стран-членов ООН в построении национальной инновационной экосистемы.

Автор: KVEDOMOSTI.RU

Источник новости

Блокчейн в сельском хозяйстве и пищевой промышленности

Фон

Обычные методы ведения сельского хозяйства не смогут прокормить мир, поскольку спрос на сельскохозяйственную продукцию увеличивается, а сельскохозяйственные земли остаются ограниченными. Во многих отношениях сегодняшние методы ведения сельского хозяйства неэффективны: орошение приводит к потере около 80-90% используемой воды и примерно 40% хозяйств во всем мире чрезмерно используют удобрения и химикаты, что приводит к пагубным последствиям для почвы и качества воды и, следовательно, урожайности на единицу площади. .Цифровые технологии (DT) могут решать многие проблемы производства и распределения продуктов питания, такие как низкая производительность, высокие транзакционные издержки, ограниченное использование ресурсов и минимальная коммерциализация. Принимая во внимание, что Четвертая промышленная революция (т.е. появление ИКТ или DT) является причиной сбоев во всех секторах и отраслях, сельское хозяйство, одна из старейших отраслей в истории человечества, также развивается быстрее, чем когда-либо. Технология интеллектуального земледелия — это технологическое решение, направленное на создание высокой добавленной стоимости за счет интеграции существующих сельскохозяйственных технологий с передовыми решениями ИКТ, включая Интернет вещей (IoT), большие данные, искусственный интеллект (AI) и технологии дронов.Программа расширения AIT по цифровым революциям в сельском хозяйстве и пищевой промышленности будет представлять собой набор как независимых, так и взаимосвязанных учебных курсов (онлайн, face2face, смешанные), которые были разработаны, чтобы дать вам лучшее понимание, необходимые знания и навыки по цифровым революциям в Сельское хозяйство и пищевая промышленность.

Цели обучения:

  • Получите твердое представление об основных концепциях цифровых сельскохозяйственных технологий (DAT) и ИКТ в сельском хозяйстве на реальных примерах.
  • Получите знания о перспективных технологиях и их возможностях в сельском хозяйстве — искусственный интеллект, дистанционное зондирование, краудсорсинг и аналитика больших данных.
  • Узнайте об инструментах для точного земледелия и цифровых инструментах, повышающих продуктивность хозяйств.
  • Понимать, как расширить возможности мелких фермеров с помощью ИКТ / цифровых инструментов в доступе к рынкам и финансовых услугах.

Целевая аудитория:

  • Сельскохозяйственные деятели, практики, лица, принимающие решения / лица, определяющие политику, и партнеры по развитию.
  • Лица, ответственные или заинтересованные в пересечении ИКТ, цифровых инструментов и сельского хозяйства по всему миру.
  • Предварительный опыт работы с DAT не требуется.

Плата и регистрация:

300 долларов США на человека за курс.

Заинтересованным участникам предлагается сообщить или отправить запросы о крайнем сроке регистрации, групповом регистрационном взносе с / без оплаты кредитной картой, за которым следует обычный регистрационный сбор с оплатой на месте и вариантами банковского перевода.

Учебная платформа:

  • AIT Поделиться
  • AIT Moodle
  • МАСШТАБ
  • Программное обеспечение для совместной работы в Интернете (для мозгового штурма, групповой работы)
  • Виртуальное поле / лабораторные посещения и демонстрации.

Тренеры / координаторы:

Профессора и исследователи из AIT, профессионалы и практики из международных организаций и соответствующих компаний / отраслей.

Сертификат:

Успешный кандидат получит сертификат (посещаемость и завершение) и стенограмму.

Список курсов обучения:

№

График

Учебные курсы

Ключевые модули

Modus Operandi

1

14-23 декабря 2020

AI в сельском хозяйстве и продовольствии

  • Введение в искусственный интеллект (AI)
  • Актуальность ИИ в агробизнесе и пищевой промышленности
  • Будущее искусственного интеллекта в сельском хозяйстве и пищевой промышленности
  • Каждый из курсов будет доставлен через ОНЛАЙН в течение 2-недельного периода, при этом фактическое время контакта будет составлять 18 часов.
  • Участники будут иметь возможность взаимодействовать с тренерами в течение 9 часов, а оставшиеся 9 часов будут предоставлены для обучения, виртуального тура и демонстрации.
  • Остальные 2 недели предназначены для самостоятельного обучения.
  • Экзамен или оценка будет проводиться в конце каждого курса, и участники должны будут сдать их и присутствовать на всех сессиях, чтобы иметь право на получение сертификата / транскрипта.
 • Каждый из курсов будет доставлен через ОНЛАЙН в течение 2 недель, при этом фактическое рабочее время будет составлять 18 часов.

• Участники будут иметь возможность взаимодействовать с тренерами в течение 9 часов, а оставшиеся 9 часов будут предоставлены для обучения, виртуального тура и демонстрации.

• Остальные 2 недели предназначены для самообучения.

• Экзамен или оценка будут проводиться в конце каждого курса, и участники должны будут сдать их и присутствовать на всех сессиях, чтобы иметь право на получение сертификата / транскрипта.

2

07-18 декабря 2020

Блокчейн в сельском хозяйстве и пищевой промышленности

  • Введение в технологию блокчейн (BCT)
  • BCT для агробизнеса и пищевой промышленности
  • Будущее BCT в сельском хозяйстве и пищевой промышленности

3

7-18 декабря 2020

Устойчивое и интеллектуальное сельское хозяйство с использованием передовых технологий и Интернета вещей

  • Система поддержки принятия решений для точного земледелия
  • Применение Интернета вещей в сельском хозяйстве
  • Геопространственные методы для точного земледелия
  • Преимущества интеллектуального земледелия и как Интернет вещей влияет на сельское хозяйство

4

7-18 декабря 2020

Аналитика данных и сельскохозяйственная разведка

  • Цифровые технологии для разработки и анализа инфраструктуры больших данных
  • Автоматизация и анализ больших данных для преобразования сельского хозяйства
  • Аналитика данных для разработки будущих сценариев экстремальных климатических явлений и обеспечения продовольственной безопасности

5

14-23 декабря 2020

Точное земледелие и климатически оптимизированное сельское хозяйство

  • Воздействие изменения климата на посевы и фермеров
  • Precision Farming (PF) и CSA — принципы / столпы, инструменты и методы
  • CSA через комплексный подход к управлению
  • Специальные темы по PF и CSA: мониторинг почвы и сельскохозяйственных культур, распространение цифровых технологий в сельском хозяйстве и т. Д.

Примечание:
Расширение AIT имеет право отложить или отменить любой из учебных курсов в зависимости от обстоятельств.

Регистрация и дополнительная информация:

Доктор Закир Хоссейн, тел .: +66 2 524 5268, электронная почта: [email protected]

Md. Anishur Rahman, тел .: +66 2 524 5294, электронная почта: [email protected]

Центр Legatum в Массачусетском технологическом институте

2017 — 2017
Сектор:
Финансовые услуги
Расположение:
Индонезия

Девин Уолш, кандидат на степень магистра делового администрирования 2018 г., отправляется в Индонезию, чтобы изучить возможности применения блокчейна для расширения доступа производителей к финансовым услугам.

ЗАПИСЬ В БЛОГЕ

Целью моего путешествия по программе Seed Grant Legatum Center было исследование использования криптовалют и технологии блокчейн для повышения финансовой доступности в Индонезии. В Индонезии 64% населения не имеют банковского счета, а миллионы других недостаточно обслуживаются существующими банковскими услугами. В течение месяца я исследовал различные реализации технологии блокчейн — технологии, которая обеспечивает беспрепятственные, прозрачные и безопасные транзакции без посредников, — которые могут улучшить финансовое благополучие этих групп населения.

Я сосредоточился на фермерских деревнях за пределами Джокьякарты. Одно из самых запоминающихся моих интервью было с Тихаром, главой деревни гапоткан (фермерская группа), в фермерской деревне Понгок 2 (поблизости есть Понгок 1). У нас было обстоятельное обсуждение — при посредничестве переводчика, свободно говорящего на английском и индонезийском — о его жизни в деревне, повседневном опыте его соседей и финансовом положении фермы в этой конкретной деревне.

Фермеры покупают большую часть своих запасов в местном фермерском кооперативе koperasi, где продаются семена, удобрения, пестициды и другие товары. koperasi предоставляет финансирование для покупки более дорогих товаров, но только для тех фермеров, у которых есть членство, что требует регулярного внесения средств на сберегательный счет в кооперативе. Многие фермеры уже вносят средства на сберегательный счет в местном банке, поэтому не получают членства и, таким образом, упускают возможности, предоставляемые доступным финансированием.

Работая под руководством Digital Currency Initiative (DCI) в MIT Media Lab, я сосредоточусь на создании платформы на основе блокчейна, которая работает с koperasi — в Понгок 2 и других деревнях — для финансирования кредитов большему количеству людей. фермеров, не требуя дополнительных сбережений.