แปลง DIMO DIMO เป็น Raven Protocol RAVEN

DIMO เป็นโทเค็นอรรถประโยชน์ที่ขับเคลื่อนเศรษฐกิจเครื่องจักรในอนาคต โปรโตคอล DIMO เริ่มต้นด้วยยานพาหนะที่เชื่อมต่อ สร้างข้อมูลประจำตัวบนบล็อกเชนสำหรับรถยนต์ คนขับ แอปพลิเคชัน และเซ็นเซอร์ ทำให้พวกเขาสามารถโต้ตอบ ทำธุรกรรม และประสานงานได้อย่างอัตโนมัติ เจ้าของยานพาหนะสร้างรายได้โทเค็น DIMO โดยการแบ่งปันข้อมูล ขณะที่โทเค็นยังทำหน้าที่เป็นโทเค็นการกำกับดูแลโปรโตคอลที่เกิดขึ้นใหม่นี้สำหรับการโต้ตอบระหว่างเครื่องกับเครื่อง DIMO ถูกสร้างขึ้นด้วยส่วนประกอบโอเพนซอร์สบน Ethereum Virtual Machine โดยมีเป้าหมายเพื่อเพิ่มความโปร่งใส ความเป็นส่วนตัว และความน่าเชื่อถือในเครือข่าย IoT ซึ่งจะช่วยส่งเสริมความไว้วางใจระหว่างผู้ใช้และนักพัฒนา DIMO อาจขยายธุรกิจจากรถยนต์ไปสู่หุ่นยนต์ พลังงาน และหมวดหมู่ IoT อื่นๆ ในอนาคต

Raven Protocol's specific use case is to perform AI training where speed is the key. We're taking a 1M image dataset that takes 2-3 weeks to train on AWS down to 2-3 hours on Raven. AI companies will be able to train models better and faster. Raven Protocol is creating a self-sustaining and dynamic ecosystem for: Customers who want to train their AI engines; and/or Contributors who would like to share their compute resources in the form of Computers, Smartphones, or even a server rack. Raven Tokens (RAVEN) will work as the common ground to facilitate a secure transaction that will take place inside our ecosystem. Enterprise clients who want to rent compute power will do so with RAVEN and contributors of the compute power will be rewarded in RAVEN. Raven is creating a network of compute nodes that utilize idle compute power for the purposes of AI training where speed is the key. A native token is the key to bootstrapping a nascent network. We want to incentivize and reward people all over the world to contribute their compute power to our network. Additionally, we will reward token holders for running masternodes which will be responsible for orchestrating the training of various deep neural networks. Our consensus mechanism is something we call Proof-of-Calculation. Proof-of-Calculation will be the primary guideline for the regulation and distribution of incentives to the compute nodes in the network. Following are the two prime deciders for the incentive distribution: Speed: Depending upon how fast a node can perform gradient calculations (in a neural network) and return it back to the Gradient Collector. Redundancy: The 3 fastest redundant calculation will only qualify for receiving the incentive. This will make sure that the gradients that are getting returned are genuine and of the highest quality.