IA + Web3 : La meilleure tentative de marketplace IA décentralisée
TechFlow SélectionTechFlow Sélection
IA + Web3 : La meilleure tentative de marketplace IA décentralisée
Quelle est la meilleure approche pour un marché d'IA ?
Dédié à des analyses Web3 approfondiesAuteur : Ian@Foresight Ventures
TL;DR
-
Un marketplace d'IA décentralisé réussi doit étroitement combiner les avantages de l'IA et du Web3, en exploitant les valeurs ajoutées que sont la distribution, la propriété des actifs, la répartition des revenus et la puissance de calcul décentralisée, afin d'abaisser les barrières à l'accès aux applications d'IA, encourager les développeurs à téléverser et partager leurs modèles, tout en protégeant la confidentialité des données des utilisateurs, et en construisant une plateforme conviviale pour les développeurs et répondant aux besoins des utilisateurs en matière d'échange et de partage de ressources d'IA.
-
Les marketplaces d’IA basées sur les données ont un potentiel plus grand. Les marketplaces centrées uniquement sur les modèles nécessitent un grand nombre de modèles de haute qualité, mais les plateformes naissantes manquent souvent d'utilisateurs et de ressources premium, ce qui affaiblit l'incitation offerte aux meilleurs fournisseurs de modèles et rend difficile l'attraction de modèles de qualité. En revanche, une marketplace fondée sur les données peut accumuler d'importantes ressources, notamment des données privées, grâce à une collecte décentralisée et distribuée, à une conception efficace de la couche d'incitation et à la garantie de la propriété des données. Toutefois, les marchés de données doivent relever le défi de la protection de la vie privée, par exemple en proposant des stratégies plus flexibles permettant aux utilisateurs de définir eux-mêmes leur niveau de confidentialité.
-
Le succès d’un marketplace d’IA décentralisé repose sur l’accumulation de ressources utilisateurs et sur un fort effet réseau : la valeur tirée par les utilisateurs et les développeurs depuis le marché doit excéder celle qu'ils pourraient obtenir en dehors de celui-ci. Au début, l'accent doit être mis sur l'accumulation de modèles de qualité pour attirer et fidéliser les utilisateurs. Une fois une bibliothèque de modèles de qualité et une barrière de données établie, il faut se concentrer sur l’acquisition et la rétention d’utilisateurs finaux. Un bon marketplace d’IA doit trouver un équilibre entre les intérêts de toutes les parties prenantes et gérer correctement des facteurs clés tels que la propriété des données, la qualité des modèles, la confidentialité des utilisateurs, la puissance de calcul et les algorithmes d’incitation.
I. Le Marketplace d’IA dans le Web3
1.1 Retour sur le secteur de l’IA dans le Web3
Commençons par rappeler deux grandes directions d’intégration entre l’IA et la crypto que j’ai mentionnées précédemment : ZKML et les réseaux de puissance de calcul décentralisés :
ZKML
ZKML rend les modèles d’IA transparents + vérifiables, c’est-à-dire garantit que l’architecture du modèle, ses paramètres, poids et entrées peuvent être vérifiés par l’ensemble du réseau. L’intérêt du ZKML est de créer, sans sacrifier la décentralisation ni la confiance minimale (trustless), de la valeur pour le monde Web3 à la prochaine étape, en ouvrant la voie à davantage d’applications et de possibilités.
Réseaux de puissance de calcul
La puissance de calcul sera le prochain champ de bataille décennal ; les investissements futurs dans les infrastructures de calcul haute performance augmenteront exponentiellement. Les cas d'utilisation des réseaux de calcul décentralisés se divisent en inférence et entraînement de modèles. La demande est la plus forte pour l'entraînement de grands modèles d’IA, mais cela pose également les défis techniques les plus importants, notamment en matière de synchronisation complexe des données et d’optimisation du réseau. L’inférence de modèles présente davantage de perspectives de déploiement concret, avec un potentiel de croissance suffisamment élevé.
1.2 Qu’est-ce qu’un marketplace d’IA ?
Le concept de marketplace d’IA n’est pas nouveau. Hugging Face est probablement le marketplace d’IA le plus réussi (bien qu’il ne dispose pas encore de mécanisme de transaction ou de tarification). Dans le domaine du traitement du langage naturel (NLP), Hugging Face fournit une plateforme communautaire extrêmement importante et active où développeurs et utilisateurs peuvent partager et utiliser divers modèles pré-entraînés.
À partir du succès de Hugging Face, on peut identifier plusieurs éléments essentiels à tout marketplace d’IA :
a. Ressources en modèles
Hugging Face propose un grand nombre de modèles pré-entraînés couvrant diverses tâches de NLP. Cette richesse attire massivement les utilisateurs et constitue la base d’une communauté active et de l’accumulation d’utilisateurs.
b. Esprit open source + partage
Hugging Face encourage les développeurs à publier et partager leurs propres modèles. Cet esprit ouvert renforce la vitalité de la communauté et permet une diffusion rapide des dernières avancées scientifiques vers un large public, accélérant ainsi la validation et la généralisation des recherches.
c. Convivialité pour les développeurs + facilité d’utilisation
Hugging Face offre des API et une documentation faciles à utiliser, permettant aux développeurs de comprendre rapidement et d’utiliser les modèles proposés. Cela abaisse les barrières d’entrée, améliore l’expérience utilisateur et attire davantage de développeurs.
Bien que Hugging Face ne dispose pas de mécanisme de transaction, il reste une plateforme clé pour le partage et l’utilisation des modèles d’IA. On voit donc bien que les marketplaces d’IA peuvent devenir des ressources précieuses pour toute l’industrie.
En résumé, un marketplace d’IA décentralisé :
Sur la base des éléments ci-dessus, un marketplace d’IA décentralisé s'appuie sur la technologie blockchain pour donner aux utilisateurs la propriété de leurs données et de leurs modèles. La valeur apportée par le Web3 réside aussi dans les mécanismes d’incitation et de transaction, permettant aux utilisateurs de choisir librement — ou via un système de mise en relation — les modèles adaptés, ou de monétiser leurs propres modèles entraînés.
Les utilisateurs possèdent leurs actifs d’IA, tandis que le marketplace lui-même n’a aucun contrôle sur les données ou les modèles. Son développement dépend entièrement du nombre d’utilisateurs et de l’accumulation de modèles et de données qui en découle. Ce processus est long, mais il permet progressivement de construire des barrières à l’entrée, soutenues par le volume et la qualité des modèles et des données téléchargés par les utilisateurs.
1.3 Pourquoi s’intéresser au marketplace d’IA dans le Web3 ?
1.3.1 Alignement avec la grande tendance des applications de puissance de calcul
En raison de contraintes liées à la communication, l’entraînement de modèles de base sur des réseaux de calcul décentralisés pourrait être difficile, mais le fine-tuning (ajustement fin) y est beaucoup plus réalisable. Il devient ainsi l’un des scénarios les plus prometteurs pour le déploiement de réseaux de calcul centralisés.
L’entraînement des modèles d’IA se divise en pré-entraînement (pretraining) et ajustement fin (fine-tuning). Le pré-entraînement exige de grandes quantités de données et de puissance de calcul — voir mon analyse précédente. Le fine-tuning, quant à lui, s’appuie sur un modèle de base et utilise des données spécifiques à une tâche pour ajuster les paramètres, améliorant ainsi les performances sur cette tâche. Les ressources nécessaires sont bien moindres, pour deux raisons principales :
-
Volume de données : lors du pré-entraînement, le modèle est formé sur des jeux de données massifs pour apprendre une représentation générale du langage. Par exemple, BERT a été pré-entraîné sur Wikipedia et BookCorpus, contenant des milliards de mots. En revanche, pour le fine-tuning, seuls des jeux de données restreints sont nécessaires. Par exemple, un jeu de données pour l’analyse des sentiments peut contenir quelques milliers à dizaines de milliers de commentaires.
-
Nombre d’étapes d’entraînement : le pré-entraînement nécessite des millions, voire des milliards d’étapes, alors que le fine-tuning en requiert seulement quelques milliers à dizaines de milliers. Le pré-entraînement apprend la structure et la sémantique du langage, tandis que le fine-tuning ajuste simplement certains paramètres pour une tâche spécifique.
Prenons GPT-3 comme exemple : son pré-entraînement a utilisé 45 To de texte, contre environ 5 Go pour le fine-tuning. Le temps d’entraînement passe de plusieurs semaines ou mois à quelques heures ou jours.
1.3.2 Point de départ de la convergence IA et crypto
Pour juger si un projet Web3 est pertinent, il est crucial de savoir s’il utilise la blockchain « pour la blockchain » ou s’il tire pleinement parti de la valeur ajoutée du Web3. Clairement, le Web3 apporte ici des avantages irremplaçables : preuve de propriété, redistribution des revenus et puissance de calcul décentralisée.
Je pense qu’un excellent marketplace d’IA Web3 doit fusionner étroitement IA et crypto. L'idéal n'est pas que le marché d’IA apporte des applications ou infrastructures au Web3, mais plutôt que le Web3 apporte quelque chose au marché d’IA. Ainsi, chaque utilisateur peut posséder ses modèles et ses données (par exemple via des NFT), les vendre ou les louer, exploitant pleinement la valeur du Web3. Cela incite les développeurs d’IA et les fournisseurs de données, tout en élargissant les usages de l’IA. Plus un modèle est performant, plus son propriétaire aura envie de le partager.
De plus, un marketplace d’IA décentralisé peut introduire de nouveaux modèles économiques : vente ou location de modèles et de données, crowdsourcing de tâches, etc.
1.3.3 Abaisser les barrières d’accès à l’IA
Chacun devrait pouvoir former son propre modèle d’IA. Cela nécessite une plateforme accessible, offrant des ressources telles que des modèles de base, des outils, des données et de la puissance de calcul.
1.3.4 Offre et demande
Les grands modèles, bien que puissants en inférence, ne sont pas universels. Des ajustements spécifiques à certaines tâches ou contextes donnent souvent de meilleurs résultats et plus de praticité. Du côté de la demande, les utilisateurs ont besoin d’un marché pour trouver des modèles efficaces selon les scénarios ; du côté de l’offre, les développeurs ont besoin d’une plateforme riche en ressources pour créer des modèles et tirer profit de leurs compétences.
II. Basé sur les modèles vs basé sur les données
2.1 Marché des modèles
Modèle économique
Misant sur les outils (tooling) comme principal atout, le projet doit attirer dès le départ suffisamment de développeurs de modèles pour assurer l’offre du marché.
Dans ce modèle, l’attrait pour les développeurs réside principalement dans des infrastructures et outils pratiques. Quant aux données, elles dépendent de la capacité individuelle du développeur — c’est là que les experts dans un domaine peuvent créer de la valeur, en collectant eux-mêmes des données et en affinant des modèles performants.
Réflexion
J’ai récemment vu de nombreux projets combinant marketplace d’IA et Web3. Mais je me demande : créer un marché décentralisé de modèles d’IA est-il un faux problème ?
Posons-nous d’abord la question : quelle valeur le Web3 peut-il vraiment apporter ?
Si ce n’est que des incitations par jetons ou une simple narration autour de la propriété des modèles, cela ne suffit pas. En réalité, les modèles de haute qualité sont le cœur du produit. Or, ces modèles ont une très forte valeur économique. Du point de vue des fournisseurs, ils doivent avoir suffisamment d’incitations pour déployer leurs modèles sur le marketplace. Mais les incitations via jetons ou droits de propriété atteignent-elles leurs attentes en termes de valorisation ? Sur une plateforme naissante, sans base d’utilisateurs, clairement non. Sans modèles exceptionnels, le modèle économique ne tient pas. La question devient donc : comment faire en sorte que les fournisseurs de modèles soient suffisamment rémunérés dès le début, alors qu’il n’y a pas encore d’utilisateurs finaux ?
2.2 Marché des données
Modèle économique
Basé sur une collecte décentralisée de données, ce modèle vise à intégrer davantage de fournisseurs de données et d’utilisateurs annotant les données, grâce à une couche d’incitation et à la narration autour de la propriété des données. Avec le soutien de la crypto, la plateforme peut accumuler rapidement de grandes quantités de données précieuses, surtout des données privées aujourd’hui rares.
Ce qui m’enthousiasme le plus, c’est que ce modèle ascendant ressemble à une forme de financement participatif. Même les experts ne peuvent pas disposer de données complètes dans un domaine. Or, l’un des atouts du Web3 est la collecte ouverte et décentralisée de données. Ce modèle permet de rassembler des connaissances spécialisées et des données variées, tout en offrant des services d’IA à un large public. Comparé aux données d’un seul utilisateur, ces données collectives proviennent de scénarios réels et multiples, reflétant mieux la complexité et la diversité du monde réel, renforçant ainsi la capacité de généralisation et la robustesse des modèles, qui peuvent ainsi performer dans divers environnements.
Par exemple, une personne expérimentée en nutrition peut avoir accumulé beaucoup de données, mais celles-ci ne suffisent pas à entraîner un excellent modèle. En partageant ses données, elle peut aussi exploiter celles d’autres utilisateurs du même domaine présents sur la plateforme, améliorant ainsi considérablement l’efficacité du fine-tuning.
Réflexion
Sous cet angle, un marché de données décentralisé semble être une piste intéressante. En tant que « produit », les données ont une barrière d’entrée plus faible, une chaîne de production plus courte et une densité de fournisseurs plus élevée, ce qui permet de mieux exploiter la valeur du Web3. Des mécanismes d’incitation et de propriété des données motivent les utilisateurs à les partager. Actuellement, les données sont souvent traitées comme un bien jetable — utilisées une fois, puis sans valeur. Dans un marketplace d’IA décentralisé, les données peuvent être réutilisées et génératrices de revenus à long terme.
Partir des données pour accumuler des utilisateurs semble donc judicieux. L’un des cœurs et barrières des grands modèles réside dans la qualité et la multidimensionnalité des données. Après avoir intégré de nombreux fournisseurs de données, ceux-ci peuvent ensuite devenir utilisateurs finaux ou fournisseurs de modèles. Un tel marketplace peut ainsi offrir une valeur fondamentale aux bons modèles, incitant les ingénieurs algorithmiques à contribuer.
Cette dynamique représente un changement de paradigme, car aujourd’hui, les grandes entreprises, grâce à leurs masses de données, forment des modèles plus précis, mettant en difficulté les petites structures et les développeurs individuels. Même si un utilisateur détient des données très précieuses dans un domaine, ces données isolées peinent à créer de la valeur. Dans un marché décentralisé, tous peuvent accéder aux données. Ces experts apportent des données à valeur ajoutée, améliorant ainsi la qualité et la quantité des données disponibles, permettant à chacun de former de bons modèles et même de stimuler l’innovation en IA.
Les données constituent en effet un excellent levier concurrentiel pour un tel marketplace. D’abord, une bonne couche d’incitation et une protection solide de la vie privée encouragent davantage d’utilisateurs à contribuer. Ensuite, avec l’augmentation du nombre d’utilisateurs, la qualité et la quantité de données s’améliorent continuellement, créant un effet communautaire et réseau qui augmente la valeur offerte par le marché, attirant ainsi toujours plus d’utilisateurs — c’est ainsi que se construit une barrière à l’entrée durable.
Fondamentalement, pour réussir un marketplace d’IA piloté par les données, quatre éléments sont cruciaux :
-
Couche d’incitation : concevoir un algorithme capable d’encourager efficacement les utilisateurs à fournir des données de qualité, tout en équilibrant intensité de l’incitation et durabilité du marché.
-
Vie privée : protéger la confidentialité des données tout en assurant leur efficacité d’utilisation.
-
Utilisateurs : accumuler rapidement les utilisateurs et collecter davantage de données précieuses dès le début.
-
Qualité des données : les données proviennent de sources variées ; il faut donc mettre en place des mécanismes efficaces de contrôle qualité.
Pourquoi les fournisseurs de modèles ne figurent-ils pas parmi les facteurs clés dans ce scénario ?
Principalement parce que, grâce aux quatre points ci-dessus, l’arrivée de bons fournisseurs de modèles devient inévitable.
2.3 Valeur et défis du marché des données
Données privées
La valeur des données privées réside dans leur information unique et rare dans un domaine spécifique, particulièrement utile pour l’ajustement fin des modèles d’IA. Utilisées intelligemment, elles permettent de créer des modèles plus précis et personnalisés, surpassant en performance ceux entraînés sur des jeux de données publics.
Les modèles de base peuvent aujourd’hui accéder à de vastes données publiques. Le Web3 ne doit donc pas se concentrer sur ces données-là. L’enjeu actuel est d’obtenir et d’intégrer des données privées. En combinant données privées et publiques, on améliore la capacité du modèle à s’adapter à des problèmes variés et aux besoins des utilisateurs.
Par exemple, dans le domaine médical, l’utilisation de données privées permet d’augmenter la précision des prédictions de 10 à 30 %. Selon une étude de Stanford, un modèle d’apprentissage profond utilisant des données médicales privées a surpassé de 15 % un modèle basé sur des données publiques dans la prédiction du cancer du poumon.
Confidentialité des données
La vie privée risque-t-elle de freiner l’alliance IA + Web3 ? Actuellement, les pistes d’implémentation de l’IA dans le Web3 se dessinent clairement, mais chaque application bute sur la question de la confidentialité. Que ce soit pour l’entraînement ou l’inférence, les réseaux de calcul décentralisés doivent garantir la confidentialité des données et des modèles. De même, le ZKML suppose que les modèles ne puissent pas être mal utilisés par des nœuds malveillants.
Le marketplace d’IA repose sur le principe que l’utilisateur contrôle ses données. Ainsi, même si les données sont collectées de manière décentralisée et distribuée, aucun nœud ne doit avoir accès direct aux données brutes pendant leur collecte, traitement, stockage ou utilisation. Les méthodes de chiffrement actuelles rencontrent des limites, comme le chiffrement homomorphe complet (FHE) :
-
Complexité de calcul : le FHE est bien plus complexe que les méthodes traditionnelles, entraînant une augmentation massive des coûts computationnels, rendant l’entraînement de modèles d’IA inefficace, voire impossible. Il n’est donc pas adapté aux tâches gourmandes en calcul, comme l’entraînement de modèles profonds.
-
Erreurs de calcul : dans le FHE, les erreurs s’accumulent progressivement, affectant la précision finale et la performance du modèle d’IA.
La confidentialité existe à différents niveaux — pas besoin d’en faire une obsession
Différents types de données exigent différents niveaux de protection. Seules les données sensibles (dossiers médicaux, informations financières, données personnelles confidentielles) nécessitent une protection maximale.
Dans les discussions sur les marketplaces d’IA décentralisés, il faut donc tenir compte de cette diversité. L’essentiel est l’équilibre. Pour maximiser la participation et la richesse des ressources, il est crucial de concevoir des stratégies flexibles permettant aux utilisateurs de définir eux-mêmes leur niveau de confidentialité. Toutes les données n’ont pas besoin du niveau maximal de protection.
III. Réflexions sur les marketplaces d’IA décentralisés
3.1 Les utilisateurs maîtrisent leurs actifs : un retrait massif pourrait-il faire s’effondrer la plateforme ?
L’avantage d’un marketplace d’IA décentralisé est que les utilisateurs possèdent leurs ressources. Ils peuvent effectivement retirer leurs données ou modèles à tout moment. Mais une fois que les utilisateurs et les ressources (modèles, données) sont suffisamment accumulés, je pense que la plateforme n’en serait pas menacée. Bien sûr, cela implique des investissements massifs en phase initiale pour stabiliser les utilisateurs et les ressources — une tâche ardue pour une jeune startup.
Consensus communautaire
Une fois un fort effet réseau établi, davantage d’utilisateurs et de développeurs deviennent dépendants à la plateforme. L’augmentation du nombre d’utilisateurs améliore continuellement la qualité et la quantité de données et de modèles, rendant le marché plus mature. Plus les utilisateurs sont divers, plus la valeur qu’ils retirent du marché est grande. Même si quelques utilisateurs partent, le rythme d’arrivée des nouveaux utilisateurs ne ralentira pas nécessairement, permettant au marché de continuer à croître et à créer de la valeur.
Mécanismes d’incitation
Si la couche d’incitation est bien conçue, l’intérêt de toutes les parties augmente avec l’afflux d’utilisateurs et l’accumulation de ressources. Le marketplace ne se contente pas d’offrir une place de marché pour les données et modèles, mais permet aussi aux utilisateurs de monétiser leurs actifs — par exemple en vendant leurs données ou en percevant des revenus quand d’autres utilisent leurs modèles.
Pour les développeurs de modèles : sur d'autres plateformes, ils n’auraient pas assez de données pour affiner un modèle performant ;
Pour les fournisseurs de données : ailleurs, l’infrastructure de données est moins développée, et leurs petits volumes de données isolés ne génèrent ni usage ni revenus significatifs ;
Conclusion
Même si, dans un marketplace d’IA décentralisé, l’équipe projet joue seulement un rôle de mise en relation, la véritable barrière réside dans l’accumulation de données et de modèles résultant du nombre d’utilisateurs. Certes, les utilisateurs peuvent quitter le marché, mais sur un marketplace mature, la valeur qu’ils en tirent dépasse largement ce qu’ils obtiendraient ailleurs. Ils n’ont donc aucune incitation à partir.
Toutefois, si une majorité d’utilisateurs ou une partie importante des fournisseurs de modèles ou de données de qualité décident de partir, le marché pourrait en être affecté. Cela correspond à la dynamique normale d’entrée et de sortie observée dans tout système économique.
3.2 L’œuf ou la poule ?
Entre les deux approches, il est difficile de prédire laquelle triomphera, mais clairement, le marketplace basé sur les données est plus cohérent et a un plafond bien plus élevé. La différence majeure est que le marché basé sur les données renforce continuellement sa barrière : accumuler des utilisateurs revient à accumuler des données, et la valeur apportée par le Web3 est d’enrichir une gigantesque base de données décentralisée — un cercle vertueux. En outre, cette plateforme n’a pas besoin de conserver les données, mais simplement de fournir un marché pour les contribuer, ce qui la rend plus légère. En fin de compte, c’est un immense marché de données, dont la barrière est difficilement imitable.
Du point de vue de l’offre et de la demande, un marketplace d’IA doit remplir deux conditions :
-
Un grand nombre de modèles de qualité
-
Des utilisateurs finaux
D’un certain point de vue, ces deux conditions sont interdépendantes. D’un côté, la plateforme a besoin de nombreux utilisateurs pour motiver les fournisseurs de modèles et de données. Seule une base d’utilisateurs suffisante permettra à la couche d’incitation de fonctionner pleinement et de lancer la dynamique de croissance des données, attirant ainsi davantage de fournisseurs de modèles. De l’autre côté, les utilisateurs viennent surtout pour des modèles performants. Le choix d’un utilisateur dépend largement de la qualité des modèles disponibles. En l’absence d’un socle de modèles de qualité, cette demande n’existe pas. Peu importe la sophistication de l’algorithme de routage, sans bons modèles, il ne sert à rien. C’est comme l’App Store, qui ne peut exister sans iPhone.
Une stratégie de développement optimale serait donc :
Stratégie initiale
-
Accumuler des modèles de qualité : la priorité initiale est de constituer une bibliothèque de modèles solide. En effet, quel que soit le nombre d’utilisateurs, sans modèles de qualité à leur disposition, la plateforme n’attire pas, et les utilisateurs ne restent pas. En se concentrant sur la création d’une bibliothèque de qualité, la plateforme garantit que les premiers utilisateurs trouvent ce dont ils ont besoin, établissant ainsi sa réputation et sa crédibilité, et favorisant progressivement l’émergence d’un effet communautaire et réseau.
Stratégie d’extension
-
Attirer les utilisateurs finaux : une fois la bibliothèque de modèles de qualité établie, pivoter vers l’acquisition et la fidélisation d’utilisateurs finaux. Un grand nombre d’utilisateurs motive les développeurs à continuer d’apporter et d’améliorer leurs modèles. En outre, ces utilisateurs génèrent eux-mêmes des données, améliorant davantage l’entraînement et l’optimisation des modèles.
Conclusion
Quelle est la meilleure approche pour un marketplace d’IA ? En un mot : la plateforme doit offrir suffisamment de modèles de qualité et être capable de matcher efficacement les modèles pertinents aux besoins des utilisateurs. Cette phrase résout deux contradictions : d’abord, la plateforme doit offrir une valeur suffisante aux développeurs (producteurs et utilisateurs) pour accumuler des modèles de qualité ; ensuite, ces « produits » doivent fournir des solutions efficaces aux utilisateurs, attirant ainsi davantage d’utilisateurs et assurant la pérennité des intérêts de toutes les parties.
Le marketplace d’IA décentralisé est une direction prometteuse pour l’alliance IA + Web3. Mais tout projet doit clairement identifier la véritable valeur qu’il apporte et savoir comment intégrer massivement des utilisateurs dès le départ. L’enjeu est de trouver un équilibre entre les intérêts de toutes les parties, tout en gérant habilement la propriété des données, la qualité des modèles, la confidentialité des utilisateurs, la puissance de calcul et les algorithmes d’incitation, pour devenir finalement une plateforme de partage et d’échange de données, modèles et puissance de calcul.
Bienvenue dans la communauté officielle TechFlow
Groupe Telegram :https://t.me/TechFlowDaily
Compte Twitter officiel :https://x.com/TechFlowPost
Compte Twitter anglais :https://x.com/BlockFlow_News
Foresight Ventures
