Что такое токен GNY Подробнее

GNY это первая в мире децентрализованная платформа машинного обучения. Мы используем технологию блокчейн для создания безопасной совместной платформы для машинного обучения, сбора и анализа данных.
Что такое токен GNY КУПИТЬ, ПРОДАТЬ, ОБМЕНЯТЬ можно ЗДЕСЬ
Наша запатентованная технология машинного обучения подготавливает данные для анализа, помогает выбрать, какие алгоритмы обеспечивают наилучшие корреляции, прогнозы и результаты, а затем помогает развернуть эти результаты для руководства будущими действиями. Децентрализовав машинное обучение на блокчейне, мы создаем среду данных для лучшей совместной работы, обеспечивая при этом превосходную безопасность.


Технология машинного обучения оказалась чрезвычайно преобразующей и широко распространенной в бизнесе и государственных службах, таких как здравоохранение. Однако традиционные технологии машинного обучения требуют передачи, хранения и обработки больших пулов данных в центральном месте, называемом озером данных. Эти озера данных часто содержат конфиденциальную информацию и являются главной мишенью для кибермошенничества. Это привело к тому, что эксперты по кибербезопасности, владельцы бизнеса и поставщики услуг стали все больше беспокоиться о безопасности данных. Недавняя статья статья под названием "атаки инверсии модели, использующие конфиденциальную информацию и основные контрмеры" продемонстрировала, насколько успешными могут быть атаки на коммерческий API ML-as-a-service.


GNY использует мощь блокчейна с помощью своей платформы машинного обучения для безопасной записи, обработки и поддержания непротиворечивых данных; данных, которые не нужно передавать в центральный пул и которые можно оставить там, где они существуют. Когда вы находитесь внутри блокчейна, данные надежно распределяются внутри него. В конечном итоге вы получаете надежную платформу машинного обучения, содержащуюся в безопасной платформе для совместной работы.


Наша первая демонстрация полностью децентрализованного машинного обучения

Эта демонстрация отвечает на глобальную пандемию Covid-19 и показывает, как исследователи могут создать частный блокчейн (то есть сайдчейн) для проведения сравнительного анализа ежедневных смертей от Covid-19 в отдельных городах США. Данные надежно передаются по цепочке, и анализ машинного обучения выполняется на них без использования API. Данные не покидают безопасность боковой цепи GNY, и мы избегаем возможности утечки данных через вектор атаки API (API или интерфейс прикладного программирования; программный посредник, который обычно позволяет двум приложениям общаться друг с другом).


Эта демонстрация представляет полную функциональность нашей Mainnet, которая запускается позже в этом году. Mainnet будет включать в себя безопасный доступ к сотням алгоритмов на цепочке, а также нашу собственную подготовку данных. Наш процесс подготовки данных уникален для GNY и децентрализован в соответствии с остальной технологией GNY. Для целей этой демонстрации подготовка данных уже выполнена (это не показано здесь, но является критическим шагом перед запуском машинного обучения по цепочке).


К тому времени, когда мы запустим Mainnet, GNY chain предоставит пользователям сотни функций машинного обучения, надежно работающих в цепочке (включая подготовку данных), а также полнофункциональный проводник, кошельки и кросс-цепные возможности.

Что такое токен GNY КУПИТЬ, ПРОДАТЬ, ОБМЕНЯТЬ можно ЗДЕСЬ


Демонстрационное видео было подготовлено нашим руководителем блокчейн-технологии Лео Ляном, но все члены нашей Telegram-группы Testnet также будут иметь доступ к тестированию. Интересно? Нажмите здесь, чтобы присоединиться.


Как децентрализованное машинное обучение GNY может быть применено к анализу Covid-19?

КОВИД-19-инфекционное заболевание, вызванное новым коронавирусом. Весь мир ищет способы более эффективного сотрудничества, обмена, записи и анализа данных, чтобы помочь тем, кто ищет решение проблемы пандемии Covid-19.

Эта демонстрация показывает, как заинтересованные группы могут безопасно работать вместе, чтобы обмениваться конфиденциальными данными, безопасно анализировать их по цепочке, а затем получать доступ и делиться результатами с ключевыми заинтересованными сторонами.


Проблема: пандемия Covid-19 выводит систему здравоохранения за ее пределы. Чтобы продемонстрировать, как блокчейн машинного обучения GNY может совместно и безопасно использоваться для принятия решений в области общественного здравоохранения, мы выдвинули гипотезу о том, как обмен данными между несколькими заинтересованными сторонами, но децентрализованным способом, может обеспечить реальную ценность и мощные результаты.


Наши гипотетические: отдельные государства в США хотят иметь безопасную систему данных для загрузки своих ежедневных смертей и других данных для проведения анализа машинного обучения, включая сравнительный анализ. Вместо того, чтобы передавать свои данные в центральное расположение, эти наборы данных хранятся государствами отдельно, но безопасно совместно с другими государствами в этой боковой цепи. При обновлении наборов данных боковая цепь обеспечивает проверку обновлений и автоматическое обновление всех наборов данных в боковой цепи. Мы можем представить, что это гипотетически применяется к больницам и другим учреждениям, но мы выбрали Штаты, потому что у них есть лучшие доступные данные через Университет Джона Хопкинса.


В нашем гипотетическом сценарии эти государства решают использовать децентрализованный блокчейн машинного обучения GNY для анализа ежедневных кумулятивных смертей, связанных с Covid-19, в своих городах со следующими целями:

● Согласованность: согласовать общее форматирование и структуры данных для всех государств, чтобы данные были согласованными и обеспечивали высокое качество результатов ML.

● Безопасность: делитесь и храните свои ежедневные данные о Covid-19 безопасным и уверенным образом.

● Совместная работа: делитесь этими данными вместе с алгоритмическими моделями с другими государствами, чтобы безопасно запускать ML-анализ по цепочке.

● Анализ: получите доступ к сравнительному анализу того, как их Штаты борются с этой болезнью, по сравнению с другими штатами США.

● Оставаться в курсе событий: оптимизируйте процесс поддержания актуальности данных. Обновляя данные на своем отдельном узле, каждое состояние в частной боковой цепочке будет автоматически получать обновленную информацию, сохраняя анализ ML актуальным и значимым с минимальными усилиями.

● Аудит: блокчейн сохраняет историческую запись временных рядов о том, когда данные добавляются или обновляются, когда модели изменяются или обновляются, и какие прогнозные результаты создаются на протяжении всего срока службы блокчейна, создавая неизгладимый след аудита данных.


Основываясь на этих параметрах, наша команда децентрализовала SVM (машины опорных векторов) алгоритм по цепочке. SVM получает подготовленные данные, соответствующие временным рядам данных о смертности от Covid-19 в отдельных городах. Модель SVM предсказывает и идентифицирует выбросы, в данном случае города, уровень заражения которых может либо увеличиваться, либо уменьшаться быстрее, чем их сверстники, в зависимости от того, где они находятся в своем цикле заражения. Эти результаты можно рассматривать как систему раннего обнаружения. Вместо того чтобы отдельные государства смотрели на необработанные цифры, они вместо этого получают результаты, которые проанализировали скорость и траекторию в сотрудничестве с другими государствами, борющимися с той же пандемией.


В этом примере децентрализация алгоритма SVM позволяет обрабатывать децентрализованные наборы данных, просматривая различные города США и сравнивая один город с другими. Он может предупреждать государства о положительных или отрицательных отклонениях от текущей нормы потенциально раньше, чем это могут сделать статистические модели. Это может позволить государствам более своевременно наращивать или сворачивать некоторые меры борьбы с пандемией. Это может быть один из тысяч анализов, которые могут провести Штаты и страна. Теперь, как никогда, мы все можем извлечь выгоду из децентрализованных, безопасных моделей для совместной работы и решения проблем, связанных с большими данными.


Заключенные в квадратные скобки данные справа представляют фактический кумулятивный COVID-19 смертей с 17 мая и 18 мая для 6 выборочных городов США. . Положительное или отрицательное целое число над ними является результатом анализа SVM. Положительные представляют города, которые следуют схеме, наблюдаемой в большинстве других городов США, другими словами, прогрессируют в стандартном векторе и представлены красным цветом.

Города, показывающие отрицательные значения единицы, являются выбросами или города, уровень смертности которых изменяется вне диапазона их вектора, помечаются как выбросы (синим цветом).


3148 городов США были проанализированы с использованием децентрализованной модели SVM, и было показано, что 283 являются значительными выбросами, с отклонением 20%+ от общего вектора, показанного всеми городами.


Для целей данного примера мы обезличили городские данные.

Пожалуйста, оставьте свои вопросы в комментариях ниже или присоединяйтесь к нам в нашей телеграмме, чтобы присоединиться к разговору.