Trénování AI se dle Microsoftu dá rozdělit na mikroúlohy a ty by uživatelé mohli zpracovávat na svých PC za nějakou tu odměnu.
Kdysi mnozí na svých počítačích těžili kryptoměny, toto je ale v posledních letech spíše doménou specializovaných čipů ASIC a velkých společností. Propůjčení výpočetní kapacity za odměnu by se ale mohlo vrátit v podobě AI úloh. I když nějaké takové projekty už jsou, mnohdy jsou pochybné a většinou je odměnou nějaká hůře směnitelná kryptoměna.
Boom umělé inteligence ale také vyžaduje obrovské množství výpočetního výkonu a paměti. Té se moc nedostává, nicméně spousta uživatelů má doma hardware, který by pro běh AI úloh mohl být využit, na což se snaží poukázat společnost Microsoft. Ta přichází se způsobem, jak tuto nevyužitou kapacitu z domácích počítačů a mobilních zařízení získat, a podala patent na systém pro distribuovaného trénování AI.
Princip tohoto řešení spočívá v tom, že namísto trénování modelu v jednom obřím datacentru systém rozdělí náročný úkol na mnoho malých mikroúloh. Tyto úkoly jsou následně rozesílány na připojené notebooky, PC nebo chytré telefony, které zrovna nevyužívají svůj plný výkon. Uživatelé by se do programu museli nejprve přihlásit a za poskytnutí svých nevyužitých GPU a CPU by mohli dostat odměnu v podobě peněz, kreditů do obchodů nebo přednostního přístupu k novým AI modelům.
Aby systém neovlivnil běžné používání zařízení, Microsoft by monitoroval využití paměti, zátěž procesoru i grafiky, teplotu, spotřebu energie a propustnost paměti. Výpočty by byly rozděleny na základě analýzy závislostí AI modelu tak, aby se minimalizovaly náklady na přenos dat mezi zařízeními. K určení vhodného času pro nasazení úkolů by systém využíval kombinaci neuronových sítí i dlouhodobých trendů aktivity uživatele. Systém by měl mít stanoveny limity pro maximální využití paměti a automatické zastavení práce při překročení teplotních hranic.
Problémem u takové sítě je ale důvěra, protože zařízení cizích lidí mohou být pomalá nebo mohou vracet chybné výsledky. Řešením je zde kontrola výsledků mezi více zařízeními a systém reputace, kde stroje s lepším záznamem přesnosti dostávají větší váhu.
Je ale třeba připomenout, že jde jen o patent, což neznamená, že se něco takového objeví i v reálu. Otázkou totiž je, zda by se to vůbec mohlo lidem vyplatit. U inference je obvykle mnohem levnější volat modely v cloudu než na vlastním zařízení, protože datová centra jsou ve výsledku mnohem rychlejší a energeticky efektivnější (tedy i levnější).
