@OpenGradient La barre de progression est revenue en arrière et cela a changé ce que je regardais

Alors que je testais OpenGradient, j'ai trouvé quelque chose de plus intéressant que le téléchargement de fichiers.

Un des nœuds a simplement cessé de fonctionner.

Le client a réessayé. La barre de progression est vraiment revenue en arrière. Ce n'était pas un retour significatif, mais suffisant pour que je cesse de regarder le téléchargement et que je commence à observer le trafic réseau à la place.

Je pensais que la partie difficile serait de stocker le modèle. C'est parce que les fichiers plus volumineux nécessitent de la puissance de calcul, plus d'équipement et plus d'infrastructure. Cela semble simple.

Ce qui a vraiment attiré mon attention, c'est tout ce qui se passait autour du stockage du modèle.

La plupart des systèmes ne vous montrent pas quand quelque chose ne va pas. Si quelque chose casse, vous ne le voyez pas ou vous recevez un message d'erreur général. Ici, le client qui a réessayé m'a montré quelque chose de différent. Le réseau essayait toujours de trouver un moyen de fonctionner même quand une partie a cessé de fonctionner.

Cela me fait me demander une chose.

Quand les gens parlent d'OpenGradient et d'infrastructure IA décentralisée, pensent-ils en termes de conditions ou de conditions réelles ?

Un réseau n'est pas bon quand chaque nœud fonctionne parfaitement. Un réseau est bon quand un nœud cesse de fonctionner ou quand il faut du temps pour obtenir une réponse ou quand les données arrivent dans le désordre.

Ce qui est intéressant, ce n'est pas que le client ait réessayé. Ce qui est intéressant, c'est qu'OpenGradient semble être conçu pour s'attendre à devoir essayer.

Peut-être que c'est le problème.

Ne pas stocker le modèle. Gérer les moments où le réseau vous rappelle que c'est un réseau.
#OPG @OpenGradient $OPG $LAB $NES