Le FET de Fetch.ai, un jeton utilitaire, constitue la base de la découverte, de la création, du déploiement et de la formation des jumeaux numériques.
Fetch.ai, a platform harnessing artificial intelligence, collective learning, and digital twins, is set to unlock 3,390,000 FET tokens on December 28th. This allocation constitutes approximately 0.13% of the currently circulating supply.
Fetch.ai, une plateforme exploitant l'intelligence artificielle, l'apprentissage collectif et les jumeaux numériques, devrait débloquer 3 390 000 jetons FET le 28 décembre. Cette allocation constitue environ 0,13 % de l’offre actuellement en circulation.
As an integral part of the Fetch.ai platform, FET tokens serve as a utility token, enabling users to build and deploy digital twins on the network. These twins are then empowered with machine-learning capabilities, allowing them to autonomously learn and collaborate within the network. Moreover, validation nodes can stake FET tokens to facilitate network validation, enhancing their reputation in the process.
En tant que partie intégrante de la plateforme Fetch.ai, les jetons FET servent de jeton utilitaire, permettant aux utilisateurs de créer et de déployer des jumeaux numériques sur le réseau. Ces jumeaux sont ensuite dotés de capacités d’apprentissage automatique, leur permettant d’apprendre et de collaborer de manière autonome au sein du réseau. De plus, les nœuds de validation peuvent mettre en jeu des jetons FET pour faciliter la validation du réseau, améliorant ainsi leur réputation.
The Fetch.ai platform is underpinned by four distinct technological components. Firstly, the Digital Twin Framework provides modular components for teams to construct marketplaces, skills, and intelligence for digital twins. Secondly, the Open Economic Framework offers search and discovery capabilities for digital twins. Thirdly, the Digital Twin Metropolis comprises smart contracts that maintain an immutable record of agreements between digital twins on a WebAssembly (WASM) virtual machine. Finally, the Fetch.ai Blockchain utilizes multi-party cryptography and game theory to ensure secure, censorship-resistant consensus and rapid chain-syncing for digital twin applications.
La plateforme Fetch.ai repose sur quatre composants technologiques distincts. Premièrement, le Digital Twin Framework fournit des composants modulaires permettant aux équipes de créer des marchés, des compétences et des informations pour les jumeaux numériques. Deuxièmement, le cadre économique ouvert offre des capacités de recherche et de découverte pour les jumeaux numériques. Troisièmement, Digital Twin Metropolis comprend des contrats intelligents qui conservent un enregistrement immuable des accords entre jumeaux numériques sur une machine virtuelle WebAssembly (WASM). Enfin, la blockchain Fetch.ai utilise la cryptographie multipartite et la théorie des jeux pour garantir un consensus sécurisé et résistant à la censure et une synchronisation rapide en chaîne pour les applications de jumeaux numériques.
The platform also features a learner component, where each participant represents a unique private dataset and machine learning system. Collectively, they contribute to the formation of a global market, which in turn generates a machine learning model that is trained by the collective effort of the learners. Additionally, the Fetch.ai Blockchain supports smart contracts for secure and auditable coordination and governance. Lastly, the platform incorporates a decentralized data layer based on IPFS, enabling the sharing of machine learning weights among all learners involved.
La plateforme comporte également un composant d'apprenant, où chaque participant représente un ensemble de données privé unique et un système d'apprentissage automatique. Collectivement, ils contribuent à la formation d’un marché mondial, qui à son tour génère un modèle d’apprentissage automatique formé par l’effort collectif des apprenants. De plus, la blockchain Fetch.ai prend en charge les contrats intelligents pour une coordination et une gouvernance sécurisées et vérifiables. Enfin, la plateforme intègre une couche de données décentralisée basée sur IPFS, permettant le partage des pondérations d'apprentissage automatique entre tous les apprenants impliqués.
