前三天開始想說到這系列的尾聲，開始去思考一下還沒有形塑到DeSci的一塊，但我個人覺得是去中心化科學未來發展實質上很關鍵的一環，目前都在以解決發表、資金分配、社群為主，而接者就是需要進入科學很重要的資料共享與計算，近幾年機器學習的熱潮，在落地的時候其實也發現很多實際問題，以醫院為例，單一間醫院的資料量，其實是小的，但要串連一群醫院一起做一些大規模運算，各醫院又會因為資料隱私和不希望公開的關係，而不易形成合作，當時就開始有一套所謂的聯邦式學習架構的提出，其實這塊的概念就很適合跟區塊鏈結合在一起。

這概念在2017年於Google AI提出一個架構叫做聯邦式學習Federated Learning，當初的架構其實是可以讓手機閒置的運算資源可以被使用，然後共享結果。

OpenMined這項目也大概是2017年左右成立，也是一個開源軟體項目，目的是在打造一個好用的聯邦學習工具，歷經大概四年多，已有350多個開發人員，具有完整的教學課程，整體做得非常完善。

這邊的影片可以看到OpenMined的出發點，如何解決和創造一個巨大資料和運算的方法。

目前主要由兩個工具組成：PyGrid和PySyft。

• PyGrid:主要是提供一個資料網絡，讓模型可以跟其索取，用來進行運算。底層是利用flask為主的架構來形成資料網絡。
• PySyft:則是進行聯邦學習的主要工具。

閱讀參考：
Coin.AI: A Proof-of-Useful-Work Scheme for Blockchain-Based Distributed Deep Learning
https://www.mdpi.com/1099-4300/21/8/723

Proof-of-Learning: A Blockchain Consensus Mechanism Based on Machine Learning Competitions
https://ieeexplore.ieee.org/document/8783030

BlockML: a useful proof of work system based on machine learning tasks
https://dl.acm.org/doi/10.1145/3366624.3368156

我們的基因體時代是我經營的部落格，如有對於合成生物學、生物資訊、檢驗醫學、資料視覺化、R語言有興趣的話，可以來交流交流！