Mindsync es, en esencia, un mercado descentralizado de software / datos y anfitrión de concursos para empresas de ciencias de datos, científicos de datos e ingenieros de software.
Mindsync implementará la plataforma usando Ethereum en contratos inteligentes. Los contratos inteligentes de Ethereum podrán proporcionar seguridad, tolerancia a fallas, descentralización real y alojar una comunidad de desarrolladores que desarrollarán tareas, concursos y características en la plataforma. Habrá servicios fuera de la cadena: IPFS y proveedores de poder de cómputo para almacenar y probar datos / soluciones / modelos. Los proveedores y los nodos IPFS se comunicarán con los usuarios en la plataforma y también tendrán en juego reputaciones y tokens MAI. Básicamente, la plataforma Mindsync utilizará el consenso de dos capas (también tercera capa para los resultados de cada competencia) con mineros en la primera capa de y prueba de reputación en contratos inteligentes. Bastará con los objetivos de la plataforma de integridad, seguridad, equidad, transparencia y disponibilidad.
Componentes de la plataforma: la plataforma Mindsync consta de la aplicación web Mindsync, servidores web, servidores de fondo, granjas mineras con el software Mindsync que se ejecuta en ellas para tareas de minería y aprendizaje automático, nodos IPFS y contratos inteligentes en la red Ethereum.
Vista previa de la interfaz de usuario de la aplicación web Mindsync (https://demo.mindsync.ai)
Solución
Una solución puede ser pública o privada (en el caso de una competencia en la que el cliente no desea publicar o revender la solución). Si la solución es pública, se coloca en el mercado de IA. La solución puede ser pagada o gratuita. La solución paga puede comprarse con el código fuente o alquilarse y llamarse a través de la API o ejecutarse directamente desde el mercado.
Una solución consta de cuatro partes básicas:
Código fuente*
2. modelo ML
3. imagen de Docker
4. Documentación
El código debe ser legible y reproducible; en otras palabras, si tiene datos y código fuente, puede obtener el mismo modelo ML.
La solución se coloca en un contenedor acoplable. Esto permite reutilizar la solución sin tener que repetir la preparación de datos y los procedimientos de capacitación del modelo.
