本文已根据 Science X 的编辑流程和政策进行审阅。编辑在确保内容可信度的同时强调了以下属性：
经过事实检查
可信来源
校对
明天的工作场所将在令人难以置信的数据量上运行。为了理解这一切，企业、开发人员和个人将需要更好的人工智能 (AI) 系统、训练有素的人工智能工人和更高效的数字处理服务器。
虽然大型科技公司拥有资源和专业知识。为了满足这些需求，它们仍然超出了大多数中小企业和个人的能力范围。为了满足这一需求，Concordia 领导的国际研究团队开发了一个新框架，使复杂的人工智能任务对用户来说更容易访问和透明。
该框架在《Information》杂志上发表的一篇文章中进行了描述Science，专门为深度强化学习 (DRL) 请求提供解决方案。DRL 是机器学习的一个子集，它结合了深度学习（使用分层神经网络在巨大数据集中查找模式）和强化学习（其中代理根据奖励/惩罚系统与环境交互来学习如何做出决策）.
DRL 用于游戏、机器人、医疗保健和金融等多种行业。
该框架将拥有特定但遥不可及的人工智能的开发人员、公司和个人配对拥有所需资源、专业知识和模型的服务提供商的需求。该服务是众包的，建立在区块链上，并使用智能合约（在代码中内置了一组预定义条件的合约），以便将用户与适当的服务提供商相匹配。
“众包培训和服务的过程设计 DRL 使整个过程更加透明、更容易实现。”吉娜科迪工程与计算机科学学院的候选人以及该论文的主要作者。
“通过这个框架，任何人都可以注册并建立历史记录和个人资料。根据他们的专业知识、培训和评级，他们可以分配用户请求的任务。”
据他的合著者、论文导师、康科迪亚信息系统工程研究所教授贾马尔·本塔哈 (Jamal Bentahar) 称，这服务将 DRL 提供的潜力向比以前更广泛的人群开放。
“要训练 DRL 模型，您需要并非每个人都可以获得的计算资源。您还需要专业知识。该框架提供了两者兼而有之。”他说。
研究人员相信，他们的系统设计将通过区块链分配计算工作来降低成本和风险。通过让数十或数百台其他机器处理同一问题，可以减轻服务器崩溃或恶意攻击的潜在灾难性后果。
“如果集中式服务器发生故障，整个平台就会崩溃，”Alagha 解释道。“区块链为您提供了分布和透明度。所有内容都记录在其上，因此很难篡改。”
训练模型使其正常工作的困难且成本高昂的过程可以通过现有的模型来缩短可用的模型只需要进行一些相对较小的调整即可满足用户的特定需求。
“例如，假设一个大城市开发了一种模型，可以自动执行交通灯序列，以优化交通流量并最大限度地减少事故。较小的城市或者城镇可能没有资源自行开发，但他们可以使用大城市开发的资源并根据自己的情况进行调整。”
更多信息：Hadi Otrok 等人，区块链-基于众包的深度强化学习即服务，信息科学（2024）DOI：10.1016/j.ins.2024.121107