In questi ultimi mesi si è assistito a un’esplosione dell’interesse per il fenomeno dell’AI (Intelligenza Artificiale). Piattaforme come ChatGPT hanno sperimentato un aumento esponenziale della propria base utenti, e le più importanti compagnie software stanno investendo in modo massiccio in questo nuovo macro trend.
Su questo filone si inserisce la proposta di Bittensor, che mira a offrire un servizio di API per interrogare modelli di Machine Learning. La differenza disruptive della proposta di Bittensor Foundation è che l’infrastruttura non viene gestita sulla farm di uno specifico vendor, ma su una blockchain decentralizzata.
Due problemi risolti dalla blockchain
L’aver scelto di distribuire modelli e API AI su blockchain offre a tutto l’ecosistema degli interessanti vantaggi: gli utenti finali possono beneficiare di un ambiente in cui privacy e assenza di censura sono garantiti; gli sviluppatori e gli investitori si trovano davanti a una piattaforma in grado di rispondere a due assillanti problemi delle attuali infrastrutture AI: costi e tempi di apprendimento dei modelli.
Il primo grosso scoglio, quello dei costi, riguarda il consumo elettrico degli attuali server: l’attuale gestione di piattaforme AI come ChatGPT o Bard è molto dispendiosa, con importanti costi giornalieri legati all’elettricità. Il secondo problema, invece, è legato ai tempi di apprendimento: spesso, quando un modello viene aggiornato, l’AI non riesce a utilizzare quanto già appreso in precedenza, ma deve riapprendere tutto da zero.
Per entrambe le problematiche, la proposta di una rete decentralizzata risulta utile perché:
- Permette di distribuire i costi su una rete capillare di nodi, non gestiti da un unico provider, e finanziabili attraverso sistemi di mining o di delega;
- Offre una base di modelli da sfruttare per l’apprendimento esponenzialmente maggiore. Alimentando una rete neurale scalabile grazie al suo protocollo open source, i modelli sono distribuiti a livello globale e decentralizzati, offrendo così una scalabilità dell’apprendimento superiore agli altri competitor.
La rete neurale può essere fruita per mezzo di apposite API, ed è quindi aperta in modo friendly alla fruizione da parte di agent di terze parti o di ISV che desiderino impiegare i modelli di Bittensor nelle proprie piattaforme di intelligenza artificiale.
Una criptovaluta per alimentare la collaborazione
Rispetto a un servizio SAAS, l’utente beneficia di una maggiore garanzia di privacy, dell’assenza di censura, e della sicurezza offerte da una soluzione decentralizzata di gestione delle informazioni. Sfruttando gli incentivi digitali e premiando direttamente i partecipanti per i loro contributi di risorse computazionali, Bittensor stabilisce un ecosistema completo e open source di competenze di intelligenza artificiale basato sulla valuta nativa, la coin TAO, che costituisce sia ricompensa sia valuta per pagare le fee di accesso alla rete.
L’architettura di bittensor è strutturata in due componenti (layer) principali:
- Il layer blockchain
- Il layer AI
Il layer blockchain è basato su Polkadot Substrate e offre tre ruoli distinti con cui interagire nell’ecosistema:
- Miner
- Validatore
- Fruitore
Il Miner è l’utente che conia la valuta digitale tramite un sistema POW (Proof Of Work), simile a quello del Bitcoin, che prevede l’impiego di una soluzione hardware/software di proprietà in grado di risolvere in tempo utile gli algoritmi preposti alla validazione del conio.
Il Validatore è un utente che, avendo accumulato valuta TAO e avendola depositata in Staking, contribuisce al controllo della rete e può usufruirne nativamente, sfruttandone al massimo le prestazioni. Il Fruitore è un utente che effettua una chiamata alle API di Bittensor, pagando una contenuta fee nella valuta della rete, per interrogare i modelli di apprendimento disponibili e ricevere un output intelligente.
Le chiamate API sono estremamente semplici. L’API Bittensor consente ai client di interrogare la rete attraverso gli endpoint che sono stati resi accessibili dai validatori di rete. L’endpoint predefinito a cui si accede tramite l’API appartiene a Opentensor Foundation, tuttavia, qualsiasi validatore di rete è in grado di fornire un punto di ingresso univoco. L’installazione della libreria Bittensor richiede competenze di base di Github e Python, dopoché è possibile iniziare a interrogare gli endpoint.
Il repository ufficiale di Github contiene l’API Python di Bittensor, che può essere utilizzata per i seguenti scopi: interrogazione della rete Bittensor come client, esecuzione e creazione di miner e validatori Bittensor, gestione di wallet TAO.
Il layer AI è focalizzato sulla gestione di modelli di apprendimento ed è responsabile dell’astrazione del kernel Bittensor e della compatibilità di input/output della rete neurale di un nodo con il resto dei peer della rete.
Una rete tra pari per aumentare l’efficienza
Attualmente, la rete Bittensor è focalizzata sulla modellazione di linguaggi di grandi dimensioni, che sono sottoposti a un continuo processo di messa a punto, pur essendo completamente distribuiti sul web in modo trust-less (ossia senza la necessità di un intermediario che validi le transazioni).
Il protocollo Bittensor utilizza un’architettura MoE con ciascun peer remoto che agisce come singolo nodo. Un’architettura MoE (Mixture of Experts) è una tecnica di machine learning in cui vengono utilizzate più reti di nodi (“esperti” o “discenti”) per dividere una richiesta (“spazio problematico”) in sottosezioni (“regioni omogenee”) in modo da ridurre il numero di modelli da eseguire per completare un task. Questa strategia permette alla rete Bittensor di offrire migliori performance e maggiore scalabilità.
La rete Bittensor è stata lanciata ufficialmente nel novembre 2021. Al momento della stesura di questo documento, la rete contiene 4096 peer; tutti eseguono un modello linguistico che interagisce con gli altri peer sulla rete, eseguendo query e ricevendo un output sotto forma di risposte in testo normale. Ogni peer esegue un modello linguistico personalizzato o un modello pre-addestrato come GPT-J, GPT-Neo, o GPT-2. La road map di Bittensor prevede una prossima implementazione di funzionalità di creazione di immagini da prompt testuali.
