Decentralized Artificial Intelligence

Abstract

Kunstig intelligens (KI) vil ha en enorm påvirking på verden. I nyere tid har det kommet flere bekymringer angående personvern, hvordan regulere data og at noen teknologiselskaper kan få monpol på kunstig intelligens og gjøre det umulig for nye firma å etablere seg og konkurrere. Desentralisert kunstig intelligens (DKI) prøver å løse disse problemene ved å lage et nettverk som inneholder millioner av modeller fra hele verden, hvor alle brukere kan bidra. DKI baserer seg på at hver enkelt bruker samler data og lager egen KI som de deler med nettverket. For eksempel kan brukerne prøve å lage en KI som klassifiserer bilder ved hjelp av bildesegmentering for selvkjørende biler. I en DKI må hver modell kunne evalueres når den estimerer en prediksjon, slik at nettverket kan lære hvilke data modellen er spesialisert i. Denne masteren fåreslår å bruke Bayesiske nevral nettverk (BNN) for å returnere en usikkerhet ved et estimat. Denne avhandlingen avdekker bevis som legger til usikkerhet i prediksjonene, og øker muligheten for å finne bedre modeller, og dermed forbedre ytelsen. Policy gradient (PG) blir testet for å utforske og utnytte hvilken modell DKI skal bruke i miljøet. Å kombinere PG med «bagging» kan være løsningen på å løse målet om å gjøre det bedre enn de tradisjonelle «multiarmed bandit algoritmene». PG klarte ikke å forbedre de standardiserte algoritmene. Eksperimentene gir imidlertid et innblikk i hvordan PG fungerer, det har også blitt foreslått metoder som kan øke ytelsen til KDI.

Artificial Intelligence (AI) is making a massive impact on the world; however, it also hasraised concerns regarding privacy, how to regulate data and that a few technology companies canend up having a monopoly on data and making it impossible for startups to compete. Decentral-ized artificial intelligence (DAI) tries to solve these problems by creating a network containingmillions of models from the whole world, where all users can contribute. DAI approach in thisthesis suggests that each user tries to solve the same problem using AI; the users try to create anAI that classifies an image using image segmentation for self-driving cars.In a DAI, each model needs to be able to be evaluated when they make a prediction, such thatthe network can learn where they perform well and use them in a specialized area. This thesissuggests that all models should use the Bayesian neural network (BNN) to return an uncertaintywith there estimation. This thesis reveals evidence adding uncertainty to the scores increases thechance of finding better models, hence improving the performance.Policy gradient (PG) can solve the explore and exploit the problem, regarding which modelsthat DAI should use in the environment. Combining PG with bagging can be the solution to solvethe goal of making it outperform more traditional AI approaches. PG was not able to improvemore standardized approaches; however, the experiments give an insight into how it works; therehave also been suggested methods that could increase the performance.