ملخص كتاب المليونير الفوري : حكاية حكمة وثروة مارك فيشر

كيف يمكن استخدام التعلم الآلي ML مع تقنية البلوك تشين Blockchain؟

اثارت تقنية البلوك تشين ضجة خلال السنوات الأخيرة. تتيح هذه التقنية للأفراد التعامل مباشرة مع بعضهم البعض بطريقة آمنة من خلال نظام لامركزي وآمن للغاية دون أي وسيط. بالإضافة إلى قدراته الخاصة يمكن أن يساعد التعلم الآلي في معالجة العديد من القيود المفروضة على الأنظمة القائمة على البلوك تشين. 

يمكن أن يوفر الجمع بين هاتين التقنيتين (التعلم الآلي وتقنية Blockchain) نتائج قوية ومفيدة. اليوم في هذه المقالة من موقع شغف سوف نفهم تقنية البلوك تشين ونستكشف كيف يمكن دمج قدرات التعلم الآلي في نظام قائم على تقنية البلوك تشين. سنغطي أيضًا كيف يمكن استخدام التعلم الآلي ML مع تقنية البلوك تشين Blockchain؟. 

تكنولوجيا البلوك تشين

الفكرة الأساسية وراء تقنية البلوك تشين هي اللامركزية في تخزين البيانات بحيث لا يمكن امتلاكها أو إدارتها من قبل أي جهة فاعلة معينة. يمكن تحديثه من خلال ورقة المعاملات حيث لا يمكن تغيير المعاملة بمجرد تدوينها في الورقة. بعد ذلك يجب التحقق من المعاملة القادمة قبل دخول المجلة من قبل الطرف المعتمد. 

الاختلاف الوحيد هو أن مجموعة السجلات الجديدة يتم فحصها من خلال البنية اللامركزية للعقد. ليست هناك حاجة إلى طرف مركزي محدد للتحقق من السجلات.على الرغم من أن آلية تقنية البلوك تشين معقدة ويمكن اعتبارها مجموعة من الكتل المختلفة المرتبطة ببعضها البعض حيث يتم الحفاظ على تدفق البيانات. 

في هذه السلسلة تحتوي الكتلة الحالية على تجزئة الكتلة السابقة وما إلى ذلك. إن استخدام هذا النوع من آلية البلوك تشين للنظام يجعل نفسه قابلاً للتتبع من حيث البيانات والمعاملات. بدلاً من ذلك يقاومون التغييرات حيث لا يمكن تغيير البلوك تشين القديم وهناك دائمًا تغييرات يتم إجراؤها في الكتلة. مما يعني التغييرات في التجزئة الخاصة بهم. يتكون البلوك تشين من ثلاثة مكونات مهمة مدرجة أدناه 

عناصر تقنية البوك تشين 

1. الكتل (Blocks): كما يوحي الاسم تتكون البلوك تشين من العديد من الكتل حيث تحتوي كل كتلة على ثلاثة عناصر أساسية:

• بيانات.
• Nonce وهو عدد صحيح 32 بت. يتم إنشاؤه بشكل عشوائي مع إنشاء كتلة مما يؤدي إلى إنشاء تجزئة رأس الكتلة.
• Hash وهو رقم 256 بت صغير جدًا ومتصل بـ nonce.

في كل مرة يتم إنشاء كتلة في سلسلة يُنشئ nonce تجزئة التشفير التي يتم توقيعها وربطها بالبيانات الموجودة في الكتلة. يجعل استخراج البيانات من الكتلة من الممكن فصل nonce والتجزئة عن البيانات.

2. عمال المناجم (Miners): عمال المناجم مسؤولون عن إنشاء كتل جديدة على السلسلة من خلال عملية تسمى التعدين.تتكون كل كتلة من عناصرها الفريدة من نوعها nonce و hash. ويشير تجزئة الكتلة الحالية إلى تجزئة الكتلة السابقة المتصلة في السلسلة مما يجعل من الصعب استخراج الكتلة خاصة على السلاسل الكبيرة.

يحتاج عمال المناجم إلى تقنيات خاصة لحل الرياضيات المعقدة المتمثلة في العثور على nonce مسؤول عن إنشاء تجزئة مقبولة. نظرًا لأن قيمة nonce تقدر ب 32 بتًا فقط وقيمة التجزئة هي 256. فهناك ما يقرب من المليارات من التركيبات الممكنة من nonce و hash التي يجب تعدينها حتى يتم العثور على المجموعة الصحيحة. 

غالبًا ما يُشار إلى عمال المناجم الذين لديهم المجموعة الصحيحة على أنهم يمتلكون "علامة ذهبية". نظرًا لأن العثور على nuncios الذهبي يتطلب قدرًا هائلاً من الوقت وقوة الحوسبة. يصبح من الصعب إجراء تغييرات في الكتل وهذا يجعل تقنية البلوك تشين مقاومة للتغييرات

3. العقد (Nodes): كما رأينا فإن أحد أهم المفاهيم وراء إنشاء البلوك تشين هو لامركزية البيانات في كتل مختلفة. وبالتالي لا يمكن لأي شخص على وجه الخصوص امتلاك جميع المعلومات. هذا يسمح للسلسلة بأن تكون مملوكة للعديد من الأشخاص أو المنظمات. يمكن اعتبار العقد على أنها جهاز يحمل نسخة من البلوك تشين ويدير السلسلة أو الشبكة في الاتجاهات المطلوبة.

تمتلك كل عقدة نسخة من blockchain. ويتم تكوين الشبكة للموافقة على أي كتلة تم تعدينها حديثًا للسلسلة كما تم تحديثها واعتمادها والتحقق منها. تتيح شفافية سلاسل الكتل التحقق أو تصور كل إجراء في دفتر الأستاذ. لكل مشارك في السلسلة رقم معرف فريد يوضح معاملاته في السلسلة. يمكن أن يكون هناك العديد من تطبيقات تقنية البلوك تشين بعضها مدرج أدناه:

• تبادل آمن للبيانات.
• تحويل الأموال عبر الحدود.
• نظام تشغيل إنترنت الأشياء في الوقت الحقيقي.
• سلسلة التوريد وتتبع الخدمات اللوجستية.
• تبادل العملات المشفرة.
• أمن الهوية الشخصية.

البلوك تشين للتعلم الآلي

يسير التعلم الآلي وتقنية البلوك تشين جنبًا إلى جنب عندما يتعلق الأمر بالتعاون الفعال واللامركزية الآلية. إن الجمع بين تحليل ML وهذا المستوى من الثقة في البيانات المقدمة من البلوك تشين هو ما يتيح اتخاذ قرارات أكثر ذكاءً وزيادة الثقة. والمزيد من الأتمتة والذكاء اللامركزي. نتيجة لذلك يؤثر التعلم الآلي و البلوك تشين الثنائي بشكل إيجابي على العمليات التجارية ويحسن الأداء المالي.

نحن نعلم بالفعل أن التعلم الآلي يمكن أن يكون مختلفًا لأنه يقدم مجموعة متنوعة من الحلول لمشاكل الأعمال الحديثة. هناك أيضًا تعلم عميق وتعلم معزز. كل هذه الأساليب هي جوهر تحليل البيانات الضخمة. تشكل شبكات البلوك تشين بدورها نظامًا لتخزين البيانات الضخمة ومشاركتها باستخدام العقود الذكية.

يشير هذا إلى أن ML و blockchain يمكنهما بناء شراكة قوية تدور حول البيانات ومصداقيتها وجميع القرارات المستندة إلى البيانات المتضمنة في العملية. على هذا النحو تضمن البلوك تشين أن البيانات آمنة. وبالتالي ، يمكن أن تعزز مشاركة البيانات أثناء تدريب واختبار نموذج ML. بالإضافة إلى ذلك يمكن استخدام البلوك تشين لتخصيص قوة الحوسبة. وبناء شبكات إنترنت الأشياء (IoT). وبناء نماذج تنبؤية عبر الإنترنت بمصادر بيانات مختلفة.

التعلم الآلي للبلوك تشين

يمكن أن تؤثر البلوك تشين وتغير النهج التقليدي للتعلم الآلي وتسهيله. ومع ذلك فإن هذا التعاون يعمل في كلا الاتجاهين. يمكن أن يكون ML مفيدًا أيضًا لتقنية البلوك تشين. نظرًا لأن أنظمة البلوك تشين تنتج كميات كبيرة من البيانات من مصادر مختلفة. فإن هذه الأنظمة الموزعة أكثر صعوبة في التتبع والتحكم من الأنظمة المركزية.

كيف يمكن أن يساعد ML في حل هذه المشكلة؟ يُعرف التعلم الآلي بقدراته الكبيرة في التنبؤ بسلوكيات النظام (مثل التنبؤ بالأعمال) وطرق تحليل البيانات الفعالة. والتي تعد ضرورية لتحسين آليات البلوك تشين. بالإضافة إلى ذلك يمكن استخدام نماذج ML لتحسين إجراءات التحقق من البيانات وكذلك لاكتشاف الهجمات الضارة أو المعاملات الاحتيالية في البلوك تشين.

لذلك من المهم دراسة كيفية ترابط التقنيتين ويمكنهما تغيير الطريقة التي نتفاعل بها ونعتمد على البيانات. يمكن أن تكون القدرة التحليلية للتعلم الآلي والقوة اللامركزية لـلبلوك تشين طفرة حقيقية في الذكاء الاصطناعي. ومع ذلك يتم دمج دفتر الأستاذ الموزع واللامركزي وغير القابل للتغيير الذي يسجل البيانات مع عملية صنع القرار في الجهاز وهي عملية مركزية في جوهرها. نتيجة لذلك ، لدينا قرارات تستند إلى بيانات موثوقة وعملية معالجة بيانات أكثر اتساقًا ووضوحًا وقابلية للإدارة.

- تعلم آلي  خاضع للإشراف مع غير الخاضع للإشراف

• تصنيف كيانات المعاملة

يعد التعرف على الكيانات وراء العقد غير المشروعة أمرًا أساسيًا في شبكة Bitcoin. تُعرف إحدى هذه العمليات الكامنة وراء تحديد الكيانات خلف عناوين العقدة بتجميع العناوين. ومع ذلك  كيف يعمل هذا في blockchain؟

تُستخدم خوارزميات التعلم الخاضع للإشراف لتصنيف كيانات المعاملات التي قد تكون مرتبطة بالجرائم الإلكترونية. يتم تدريب نماذج التصنيف. بما في ذلك Random Forest (دقة 77.38٪) ، و Extremely Random Forest (دقة 76.47٪) ، والتعبئة (دقة 78.46٪) ، و Gradient Boost (دقة 80.76٪) ، باستخدام حالات ذات معرفات فئوية.

• توقع سعر البيتكوين

Crypto هو مكان متقلب لذا فإن التنبؤ الدقيق بالأسعار هو حاجة ملحة لاتخاذ قرارات استثمارية مستنيرة. ولكن كيف تتنبأ بأسعار العملات المشفرة؟ يمكن أن يكون التعلم الآلي إستراتيجية قابلة للتطبيق للتنبؤ بسعر البيتكوين. ولكن يجب مراعاة التكرار وبنية البيانات عند اختيار خوارزمية ML الصحيحة لتنبؤات البيتكوين الأكثر دقة. خلاف ذلك يمكن أن يؤدي إلى فرط تجهيز.

يتم استخدام قطعة منفصلة من البيتكوين. UTXO (مخرجات المعاملات غير المنفقة) لتتبع عدد عملات البيتكوين المشاركة في المعاملة. ومعلومات الشراء والبيع للتنبؤ بسعر البيتكوين. ومع ذلك فإن الخصائص الطوبولوجية للعملات المشفرة الأخرى يمكن أن تؤثر أيضًا على سعر البيتكوين.

يتم تطبيق نماذج ML مثل Random Forest و XGBoost والتحليل التربيعي المميز وآلة المتجهات الداعمة والانحدار البايزي والذاكرة طويلة المدى للتنبؤ بسعر البيتكوين. إنها أكثر فاعلية من الطرق الإحصائية (بمعدل دقة 67.2٪). تتضمن النماذج الأخرى نموذج عنوان معاملة الكتلة (BT-A) ونموذج عنوان كيان معاملة الكتلة (BT-EA). وبالتالي  يبدو أن تداول البيتكوين الآلي عبر خوارزميات التعلم الآلي أصبح حقيقة واقعة اليوم.

- التعلم العميق مع الخوارزميات الخاضعة للإشراف

• الحفاظ على السرية والأمان

تعد أساليب التعلم العميق في طليعة التعامل مع مشاكل العالم الحقيقي. مثل تصنيف الصور أو التعرف على الكلام. من ناحية أخرى فإن البلوك تشين عبارة عن تقنية موزعة ولامركزية يمكن الوصول إليها والتحكم فيها من قبل جميع المشاركين في النظام. على الرغم من كونها تقنية شفافة وقوية. إلا أن البلوكتشين قد يتطلب تدابير إضافية لتعزيز الخصوصية والأمان.

التعلم العميق الذي يحافظ على الخصوصية مناسب تمامًا لـلبلوك تشين. ينظم DL الإنصاف والسرية والدقة. ويساعد على اكتشاف وعزل الأطراف ذات المساهمة المنخفضة. وبالتالي تعزيز المشاركة المسؤولة. على سبيل المثال يمكن استخدام إطار عمل الحفاظ على الخصوصية المستند إلى البلوك تشين لتأمين عملية مشاركة التحديثات في التعلم الفيدرالي. هذا يضمن أمان مشاركة البيانات وتحديثها.

• تخصيص قوة الحوسبة

تشكل خوارزمية المزاد المستند إلى DL و blockchain نهجًا فعالاً لتحسين تخصيص موارد الحوسبة القصوى ودعم أنشطة التعدين المتنقلة. يمكن لمعدني الأجهزة المحمولة استخدام البنية المطورة لإرسال ملفات تعريف تقييم عروض الأسعار الخاصة بهم إلى مزود خدمة حوسبة رائد واحد لشراء المزيد من قوة الحوسبة. تولد آلية المزاد المستندة إلى التعلم العميق المزيد من الإيرادات وتتقارب مع القيمة المثلى بشكل أسرع من طرق المزاد التقليدية.

• قوة العملة المشفرة والتنبؤ بالأسعار

كيف تتنبأ بالعملات المشفرة بالتعلم العميق؟ تتضمن بعض خوارزميات التنبؤ بالعملات المشفرة المستندة إلى DL والمستخدمة على نطاق واسع الشبكات العصبية المتكررة (RNN) وشبكات الذاكرة قصيرة المدى (LSTMs). يمكن لنموذج LSTM التعرف على التبعيات طويلة المدى مقارنة بنموذج RNN.

من الواضح أنك بحاجة إلى جمع مجموعة من بيانات العملة المشفرة والتي تتضمن عادةً الخصائص التالية ، مثل سعر الفتح ، والارتفاع اليومي ، والمنخفض اليومي ، وسعر الإغلاق ، ومعدل التجزئة ، وصعوبة الاستخراج. يمكن للمرء أيضًا إنشاء وتدريب شبكة عصبية عميقة LSTM ثنائية الاتجاه للتنبؤ بأسعار التشفير في المستقبل استنادًا إلى البيانات التاريخية باستخدام إطار عمل DL ، TensorFlow.

- تعزيز التعلم

• شبكات إنترنت الأشياء

خذ على سبيل المثال إطار العمل القائم على البلوك تشين المصمم لتأمين جمع البيانات ومشاركتها بين محطات المحمول (MTs) على شبكة إنترنت الأشياء. يعتمد هذا الإطار على التعلم التعزيزي متعدد الوكلاء لتحسين جمع البيانات. بمجرد أن يتم جمع البيانات والتحقق منها من قبل المرجع المصدق (CA). فإنها تتلقى توقيعًا رقميًا وتتم مشاركتها عبر شبكة البلوك تشين مثل Ethereum. 

لذلك يمكن لكل محطة متنقلة بث طلب المعاملة الخاص بها. بما في ذلك التوقيع والبيانات والمفتاح العام إلى العقد الأخرى في نظام البلوك تشين لمزيد من إجراءات التحقق من الصحة. بفضل التعلم المعزز فإن MTs هذه قادرة على جمع المزيد من البيانات ولكنها تستهلك أيضًا المزيد من الطاقة. حتى في حالة هجوم رفض الخدمة يمكن لهندسة مشاركة البيانات القائمة على البلوك تشين الاحتفاظ بجميع البيانات المرسلة بواسطة الأجهزة المحمولة.

• التعدين بيتكوين

يتطلب تعدين العملات المشفرة قدرة حاسوبية كبيرة لحل وظيفة على البلوك تشين من خلال تخمين مجموعة من القيم. إذا قام المُعدِّن بحل الوظيفة. فيمكنه إضافة معاملات صالحة معلقة إلى البلوك تشين. الهدف من تعدين البيتكوين هو تحديث شبكة البلوك تشين بالمعاملات المعلقة والحصول على المكافآت (مثل عملات البيتكوين). ومع ذلك فإن دمج البلوك تشين في نظام محمول يكاد يكون مستحيلًا نظرًا لكمية موارد الحوسبة.

يمكن تطبيق تقنيات التعلم الآلي لحل المشكلات المتعلقة بتعدين العملات المشفرة. بما في ذلك تحسينها ومنع تحويل موارد التعدين. على وجه الخصوص يتم استخدام التعلم المعزز لتحسين استراتيجيات تعدين البيتكوين وتحقيق أرباح عالية. تقترح خوارزميات RL التقليدية استراتيجيات لزيادة عدد المكافآت التي يمكن للوكلاء الحصول عليها في بيئة معينة. 

ومع ذلك نظرًا لأن شبكة البلوك تشين هي نظام ديناميكي فمن الصعب تطوير نموذج تمثيلي. تقترح بعض الدراسات خوارزمية RL متعددة الأبعاد لتحسين تعدين البيتكوين باستخدام Q Learning (طريقة خالية من النماذج).

• تجارة

تم دمج خوارزميات التعلم الآلي في روبوتات التداول التقليدية المستخدمة في سوق الأوراق المالية الحديثة. لا عجب إذن أن التعلم الآلي في تداول العملات المشفرة هو نهج شائع لبناء أنظمة تتداول في أسواق العملات المشفرة. من خلال التعلم المعزز يمكن للمرء أن يبني نموذجًا للتنبؤ بالأسعار ونظامًا يتكيف خلال فترة زمنية محددة. هذه إستراتيجية مجدية إذا كنت ترغب في تحسين استراتيجيات تداول العملات الرقمية الحالية لجعلها أكثر ربحية وتكيفًا.

التعلم الآلي في التطبيقات القائمة على البلوك تشين

تتمتع خوارزميات التعلم الآلي بقدرات تعليمية مذهلة. يمكن تطبيق هذه القدرات في البلوك تشين لجعل السلسلة أكثر ذكاءً من ذي قبل. يمكن أن يكون هذا التكامل مفيدًا في تحسين أمان دفتر الأستاذ الموزع على البلوك تشين. بالإضافة إلى ذلك يمكن استخدام قوة الحوسبة في ML لتقليل الوقت اللازم للعثور على Golden Nonce. ويمكن أيضًا استخدام ML لتحسين طرق مشاركة البيانات.

 

علاوة على ذلك يمكننا إنشاء العديد من نماذج التعلم الآلي الأفضل باستخدام ميزة هندسة البيانات اللامركزية لتقنية البلوك تشين. يمكن لنماذج التعلم الآلي استخدام البيانات المخزنة في شبكة البلوك تشين للقيام بالتنبؤ أو لتحليل البيانات. لنأخذ مثالاً على أي تطبيق ذكي يعتمد على BT. حيث يتم جمع البيانات بواسطة مصادر مختلفة مثل المستشعرات والأجهزة الذكية وأجهزة IoT .

البلوك تشين في هذا التطبيق يعمل كجزء لا يتجزأ من التطبيق حيث يمكن أن يكون نموذج التعلم الآلي على البيانات تم تطبيقها لتحليل البيانات أو التنبؤات في الوقت الفعلي. يساعد تخزين البيانات في شبكة البلوك تشين في تقليل الأخطاء في نماذج ML لأن بيانات الشبكة لن تحتوي على قيم مفقودة أو نسخ مكررة أو ضوضاء. وهو مطلب أساسي لنموذج التعلم الآلي يعطي دقة أكبر. 

مجالات تطبيقات التعلم الآلي وأنظمة البلوك تشين 

تحدد هذه الفقرة مجالات التطبيق الرئيسية التي تركز عليها أطر التعلم الآلي الحديثة المدعومة من البلوك تشين لضمان تكامل البيانات. تشمل الفئات الرئيسية الرعاية الصحية ، IoV ، إدارة المرور ، الأمن والحماية.

1. رعاية صحية

الرعاية الصحية هي مجال آخر حيث بيانات المريض مهمة للغاية. تُستخدم البيانات الصحية التي تشمل الأطباء الذين يستعرضون الصور والمسح الضوئي لأغراض البحث لتدريب نماذج التعلم العميق للتنبؤ بالأمراض المعدية وغير المعدية مثل COVID-19 والسرطان ، وتحديد طرق جديدة لتشخيص المرض ، وتحسين جودة الرعاية الصحية الخدمات وتحسين التجارب السريرية.

تتكون البيانات الصحية من السجلات المتعلقة بالأمراض وأعراض المرض والملف الشخصي الطبي للمريض الذي يساعد نماذج التعلم العميق على التنبؤ بالحالة الصحية للمريض في المستقبل. يعد الأمان العالي والدقة لهذه البيانات الصحية من أعلى متطلبات الصناعة الصحية لأنها تؤثر بشكل مباشر على حياة الإنسان. 

تخزين هذه البيانات على أنظمة مركزية يجعلها عرضة للهجمات. لذلك يمكن لتقنية البلوك تشين في هذه الحالة. أن تلعب دورًا حيويًا في الحفاظ على جميع البيانات لأنها لا مركزية بطبيعتها وتوفر حلاً لتهديدات أمان البيانات. تضمن البلوك تشين أن البيانات آمنة من الخسارة المخطط لها أو العرضية.

2. إنترنت الأشياء

أدت الشعبية المتزايدة لإنترنت الأشياء (IoT) كتقنية أجهزة للمركبات إلى زيادة سريعة في قدرات الشبكات للأجهزة الحالية. عادةً ما يتم تجهيز المركبات في أنظمة النقل الحديثة بأجهزة ذكية وأجهزة استشعار وبرامج للاتصال وتبادل البيانات مع بعضها البعض. من خلال إدخال البلوك تشين إلى شبكة إنترنت المركبات (IoV). يمكن مشاركة البيانات بشكل آمن بين الكيانات.

يسمح وضع الاتصال V2V لأنظمة النقل الذكية للمركبة بمشاركة البيانات حول موقع السيارة وسرعتها وطريقها المزدحم وزاوية العنوان وحالة الطريق مع المركبات الأخرى. تتخذ المركبات قرارات مختلفة. مثل إيجاد المسار الأمثل بناءً على هذه البيانات. يسمح نموذج V2I للمركبات بمشاركة البيانات التي تم التقاطها مع الوحدات على جانب الطريق. مثل قارئات وكاميرات RFID ، وعلامات الممرات وأضواء الشوارع لتحسين السلامة العامة والكفاءة والراحة.

3. إدارة المرور

يعد الازدحام المروري أحد أكبر المشكلات في المناطق الحضرية ويمكن أن يؤدي إلى خسائر مالية وبيئية كبيرة بسبب زيادة انبعاثات ثاني أكسيد الكربون. يعد التعهيد الجماعي أحد الأساليب الأكثر استخدامًا للتنبؤ بكثافة حركة المرور باستخدام بيانات الوقت الفعلي. ومع ذلك فإن نماذج التعهيد الجماعي الحالية غير عملية بسبب التخزين المركزي للبيانات ومخاوف الأمن البشري.

4. الأمن والحماية

إن تقنية البلوك تشين معروفة وقابلة للتطبيق في مختلف المجالات نظرًا لميزة الأمان التي توفرها من حيث ثبات البيانات. يمكن أن يساعد التمييز بين خصائص تقنية البلوك تشين وخصائص تخزين البيانات اللامركزية في تأمين مجالات التطبيق المختلفة. ومع ذلك فإن هجوم 51٪ على البلوك تشين الذي يمكن أن يؤثر على سلامة البيانات لا يزال محتملاً. يمكن حماية البيانات من مثل هذه الهجمات باستخدام أساليب التعلم الآلي. التوقيعات هي بصمة التعليمات البرمجية الضارة وتساعد في الكشف عن البرامج الضارة والتعرف عليها.

5. التنبؤ بالجريمة

يمكن أن تكون المخالفات المرورية من عدة أنواع. بما في ذلك السرعة أو القيادة في حالة سكر أو تغيير الحارات بشكل غير قانوني أو عدم التوقف عند الإشارة الحمراء. تلعب البلوك تشين ودمج التعلم الالي العميق دورًا رئيسيًا في توقع انتهاكات السائق. على سبيل المثال يمكن للمصنف القائم على التعلم العميق استخدام بيانات البلوك تشين عالية الأمان للتنبؤ بحوادث المرور. يمكن تسجيل هذه البيانات بشكل ثابت على البلوك تشين ويمكن استخدامها من قبل إدارة الطرق لتخطيط شبكة الطرق وشركات التأمين لتقييم الأضرار وتنفيذ القانون لرسم خرائط الطريق.

6. إكتشاف عيب خلقي

يتعامل اكتشاف العيوب مع تحديد البيانات التي تنحرف عن السلوك الطبيعي. استنادًا إلى البيانات والمعاملات المستندة إلى البلوك تشين. يمكن لشبكة التشفير وفك التشفير في التعلم العميق أن تتعلم السلوك الطبيعي لظاهرة العالم الحقيقي. يمكنه اكتشاف الشذوذ على الفور بناءً على تحليل البيانات. علاوة على ذلك يمكن أيضًا تمييز هذه الحالات الشاذة بالنموذج.

7. إدارة مرور البيانات

يمكن أن يؤدي التنبؤ بحركة البيانات باستخدام أساليب التعلم العميق في الشبكات الخلوية إلى تحسين موثوقية الشبكة وكفاءتها. يمكن تكوين أنظمة 4G LTE الحالية على الشبكة الخلوية القائمة على البلوك تشين من خلال تخصيص نقاط الوصول كعقد البلوك تشين للتعامل مع حركة البيانات الخلوية. يمكن إرسال كل كتلة تم إنشاؤها حديثًا إلى جميع عقد البلوك تشين تسمى شبكة الوصول إلى راديو Blockchain (B-RAN).

8. توقعات EHR

تشير السجلات الصحية الإلكترونية إلى النسخة الرقمية لبيانات المريض مثل نتائج المختبر والتاريخ الطبي والحساسية والأدوية الموصوفة. عادةً ما يستخدم المرضى إطار عمل مفتوحًا لتنظيم وإدارة ومشاركة بياناتهم الطبية مع العائلة والأصدقاء والأطباء. سلامة البيانات وحماية البيانات والخصوصية كلها مخاوف رئيسية في مثل هذا السياق. تساعد تنبؤات السجلات الصحية الإلكترونية باستخدام تقنيات التعلم الالي في التنبؤ بالحالات الصحية في منطقة معينة وتسهيل خدمات الرعاية الصحية في تلك المنطقة.

9. أنواع البيانات

تحدد السمات نوع البيانات التي يمكن قبولها ومعالجتها بواسطة نماذج التعلم الالي المدعومة بتقنية البلوك تشين المبتكرة. نماذج التعلم العميق التي تدعمها البلوك تشين بشكل عام  تأخذ البيانات في شكل صور ونص.

10. بيانات الصورة

تقبل CNN الصورة كمدخلات وتستخرج الميزات العميقة والضحلة لتصنيف البيانات. يمكن أن يؤدي تخزين وحماية الصور التي تستخدمها نماذج CNN لأغراض التدريب باستخدام البلوك تشين إلى زيادة ثقة المستخدم في البيانات. لتحقيق الاستخدام الأمثل لسعة دفتر الأستاذ يمكن لـلبلوك تشين تخزين تجزئة غير قابلة للتغيير للبيانات المخزنة على نظام تخزين تابع لجهة خارجية مثل IPFS. بهذه الطريقة يمكن تتبع البيانات من خلال التجزئة الثابتة للصور المخزنة على البلوك تشين.

11. بيانات نصية

تتطلب البيانات النصية سعة تخزين أقل من بيانات الصورة. ومع ذلك يجب تخزين هذه البيانات على النحو الأمثل على البلوك تشين لضمان قابلية تطوير النظام الأساسي. أخذت معظم الأنظمة القائمة على التعلم الالي في الاعتبار البيانات النصية لحركة المرور أو التنبؤ بالأمراض.

12. خدمة عملاء محسنة

كما نعلم جميعًا أن رضا العملاء هو حاجة أساسية لأي مؤسسة تخدم العملاء باستخدام نموذج التعلم الآلي أو نوع من إطار عمل AutoML على تطبيق قائم على البلوك تشين يمكننا جعل الخدمة أكثر كفاءة وأتمتة.

13. تداول البيانات

يمكن للشركات التي تستخدم البلوك تشين تداول البيانات في جميع أنحاء العالم جعل الخدمة أسرع باستخدام نماذج ML blockchain. حيث تكون وظيفة نماذج ML هي إدارة طرق التجارة للبيانات. بدلاً من ذلك قد نستخدمها أيضًا للتحقق من صحة البيانات وتشفير البيانات.

14. تصنيع المنتج 

في السيناريو الحالي بدأت معظم وحدات التصنيع أو المنظمات الكبيرة في العمل بإجراءات قائمة على البلوك تشين لتحسين الإنتاج والأمان والشفافية وضوابط الامتثال. يمكن أن يكون تكامل خوارزميات تعلم الآلة أكثر فائدة لوضع خطط مرنة في فترات محددة لصيانة الماكينة. بدلاً من هذا التكامل يمكن أن يساعد ML في أتمتة اختبار المنتج ومراقبة الجودة.

15. المدن الذكية 

في الوقت الحاضر تساعد المدن الذكية في تحسين مستوى معيشة الناس. حيث تلعب تقنيات التعلم الآلي وتقنيات البلوك تشين دورًا مهمًا في إنشاء مدن ذكية. على سبيل المثال يمكن مراقبة المنازل الذكية من خلال خوارزميات التعلم الآلي وتخصيص الجهاز المستند إلى البلوك تشين. يمكن أن تحسن نوعية سبل العيش.

16. نظام المراقبة: 

الأمن هو مصدر قلق كبير للناس بسبب زيادة معدل الجريمة في السيناريو الحالي. يمكن استخدام ML و BT للمراقبة حيث يمكن استخدام BT لإدارة البيانات المستمرة ويمكن استخدام ML لتحليل البيانات.

فوائد دمج التعلم الآلي في التطبيقات القائمة على البلوك تشين 

يمكن أن يكون لاستخدام نماذج التعلم الآلي في تقنية البلوك تشين العديد من الفوائد بعضها مدرج أدناه:

• تكون مصادقية المستخدم لأي مستخدم مصرح له سهلة عند محاولة إجراء تغييرات على البلوك تشين.
• باستخدام ML يمكننا ضمان أن توفر BT مستوى عالٍ من الأمان والثقة.
• يمكن أن يساعد دمج نماذج ML في ضمان استدامة الشروط والأحكام التي تم الاتفاق عليها من قبل.
• يمكننا إنشاء نموذج ML محدث بناءً على بيئة سلسلة BT.
• يمكن أن تساعد النماذج في استخراج بيانات جيدة من المستخدم النهائي. والتي يمكن حسابها بشكل مستمر وبناءً على ذلك يمكننا منح مكافآت للمستخدم
• باستخدام إمكانية تتبع BT يمكننا أيضًا تقييم الأجهزة من أجهزة مختلفة بحيث لا يمكن لنماذج ML أن تتباعد عن مسار التعلم المخصص لها في البيئة.
• يمكننا تنفيذ عملية دفع موثوقة في الوقت الفعلي في بيئة البلوك تشين.

حالات استخدام التعلم الآلي باستخدام تقنية البلوك تشين 

في سيناريو اليوم هناك العديد من الشركات الكبيرة والصغيرة التي طبقت كلتا الطريقتين إما مدمجة مع بعضها البعض أو مدمجة في أعمال مختلفة لنظام يعمل على تقديم نتيجة واحدة. بعض حالات استخدام التعلم الآلي وتقنية البلوك تشين مذكورة أدناه:

- أطلقت شركة IBM بالتعاون مع Twiga Foods. إستراتيجية للتمويل الصغير القائم على البلوك تشين لبائعي المواد الغذائية. حيث قاموا بتنفيذ بعض تقنيات ML بنجاح. حيث تتم معالجة البيانات المشتراة باستخدام البلوك تشين من الأجهزة المحمولة باستخدام تقنيات ML لتحديد درجات الائتمان والتنبؤ بالجدارة الائتمانية لمختلف المستخدمين. بحيث يمكن للمقرضين تسهيل القروض والسداد باستخدام تقنية البلوك تشين.

- تعتبر شركة بورش وهي شركة سيارات شهيرة. من أوائل المتبنين للتقنية حيث تم دمج ML و BT لتحسين قدرة السيارة وسلامتها. تستخدم الشركة تقنية البلوك تشين لتبادل البيانات بشكل أكثر أمانًا مما يمنح مستخدميها راحة البال. من خلال تسهيل وقوف السيارات وإعادة الشحن والوصول المؤقت لطرف ثالث إلى سيارتهم.

- تستخدم شركة مقرها نيويورك أيضًا الابتكار القائم على blockchain لتمكين إنتاج الطاقة والتجارة للمجتمعات المحلية. تستخدم التكنولوجيا عدادات ذكية صغيرة تعمل على نماذج التعلم الآلي والعقود الذكية القائمة على blockchain لتتبع وإدارة معاملات الطاقة.

- تستخدم بعض الشركات الأخرى ذات الصلة بالصناعات الغذائية مثل Unilever و Nestlé blockchain و ML للتعامل مع الكوارث الغذائية مثل هدر الطعام والتلوث للحفاظ على سلسلة التوريد الخاصة بهم بكفاءة.

استنتاج اخير 

في المقالة كان لدينا نظرة عامة على تقنية البلوك تشين مع مكوناتها وتطبيقاتها. بعد ذلك استكشفنا إمكانية دمج تقنية البلوك تشين مع التعلم الآلي. هناك العديد من المزايا والتطبيقات لهذا التكامل حيث يمكننا استخدامها معًا لتغطية عيوبها. هناك العديد من التطبيقات وحالات الاستخدام لإدماجها والتي غطيناها في هذه المقالة. 

اتمنى ان ينال موضوع كيف يمكن استخدام التعلم الآلي ML مع تقنية البلوك تشين Blockchain؟ اعجابك.