Ocean Protocol Compute-to-Data (C2D) — это революционный подход для RAG-систем и машинного обучения на приватных данных. Вместо копирования медицинских, финансовых и корпоративных данных в облако, вычисления запускаются непосредственно у владельца данных. Это решает проблемы GDPR, HIPAA и корпоративной безопасности при работе с чувствительной информацией.

Ocean Protocol предлагает другой путь — Compute-to-Data (C2D). Вместо того чтобы вывозить данные к модели, мы отправляем вычисления к данным. Модели обучаются и выполняют запросы прямо там, где живут приватные датасеты, а наружу возвращается только результат. Это делает Ocean интересной платформой для RAG-чатботов по закрытым базам и для обучения моделей на чувствительных данных.

Общий обзор протокола, токена OCEAN и базовой архитектуры мы уже разбирали в вики-материале «Ocean Protocol: децентрализованный рынок данных». В этом гайде сфокусируемся именно на Compute-to-Data для RAG и обучения: архитектура, типичные кейсы, примерные бюджеты и практические советы для разработчика.

1. Ocean Protocol и идея Compute-to-Data

Ocean Protocol — открытый протокол для обмена и монетизации данных, построенный поверх Ethereum и совместимых сетей. Доступ к датасетам регулируется через Data NFT и datatokens (ERC-20), а рыночную инфраструктуру обеспечивают децентрализованные маркетплейсы.

Compute-to-Data — ключевая фича Ocean. Вместо прямой раздачи датасета потребителям реализуется сценарий:

• данные остаются у владельца (on-prem, в его облаке или в защищённом дата-центре);
• потребители присылают алгоритмы (контейнеры, скрипты, ML-пайплайны) и оплачивают выполнение;
• вычисления оркестрируются C2D-средой, а наружу возвращается только результат: обученные веса модели, метрики, агрегированные отчёты;
• сырые данные никогда не покидают контур владельца.

Такой подход хорошо ложится на регуляторные рамки (GDPR и др.), потому что контроль над данными остаётся у их владельца, а доступ ограничивается вычислительными задачами с аудируемыми правилами.

2. Почему классический RAG и обучение на приватных данных — проблема

Базовый RAG-стек выглядит красиво на диаграммах: документы складываются во векторное хранилище, LLM забирает релевантные куски и отвечает, не «забывая» про свежие данные. На практике у компаний с приватными данными возникает сразу несколько проблем:​

• Легальная. Нельзя просто вытащить клиентскую историю болезни или банковские транзакции в облачное векторное хранилище за пределами инфраструктуры компании.
• Техническая. Типовой RAG хранит эмбеддинги и исходный текст в одном кластере. В случае компрометации — утечка сразу всего.
• Безопасность LLM. Атаки вроде prompt injection могут заставить модель раскрыть части приватного контекста, если он не изолирован.
• Операционная. Настроить изолированные кластеры, VPN/VPC, ключи, право-роли и одновременно поддерживать гибкость разработки — дорого и долго.

С обучением ситуация ещё сложнее: нужно либо перевозить копию датасета в облако провайдера, либо строить дорогой on-prem кластер. Compute-to-Data как раз отвечает на эти боли: данные остаются там, где они уже лежат, а вы отправляете к ним только вычисления.

3. Архитектура C2D Compute-to-Data в Ocean Protocol

Упрощённо в C2D участвуют четыре роли:​

• Data Owner / Publisher — владелец данных (больница, банк, корпорация);
• Data Consumer — тот, кто хочет обучать модели или запускать аналитику на этих данных;
• Compute Provider / Ocean Node — узел, который запускает контейнеры с задачами рядом с данными (часто сам data owner);
• Ocean Network — блокчейн-уровень с Data NFT, datatokens и логикой разрешений.

Высокоуровневая схема типичной C2D-архитектуры для RAG/обучения выглядит так:

[Data Owner infra] ├─ Хранилище данных (DB / Data Lake) ├─ Векторное хранилище / фичи └─ Ocean Node (Compute-to-Data) ▲ | (доступ к данным только локально) | [Ocean Network / Marketplace] ├─ Data NFT + datatokens (доступ к датасету) └─ Algorithm assets (образы задач) [Data Consumer] ├─ Регистрирует алгоритм (контейнер для RAG или обучения) └─ Покупает compute-job за OCEAN/datatokens Поток: 1) Consumer → Ocean Network: запрос на compute-job. 2) Ocean Network → Ocean Node: оркестрация задачи. 3) Ocean Node запускает контейнер рядом с данными. 4) Результат (модель, эмбеддинги, отчёт) → Consumer. 5) Сырые данные никуда не выводятся. 

Контроль доступа реализуется через Data NFT и datatokens, а также политики C2D-среды (allowlist алгоритмов, лимиты по ресурсам и др.). Маркетплейс выступает только точкой обнаружения и биллинга — он не хранит сами данные.

4. Compute-to-Data для RAG: где живут документы и эмбеддинги

RAG-архитектуру можно разложить на четыре блока: ingestion (загрузка документов), индексация (эмбеддинги + векторное хранилище), retrieval (поиск по векторке) и генерация (LLM). Ocean позволяет сделать так, чтобы ingestion, индексация и retrieval выполнялись внутри C2D-среды, а наружу уходили только агрегированные результаты.

4.1. Паттерн 1: RAG внутри C2D, LLM снаружи

Подходит, когда вы хотите использовать внешний LLM-провайдер (или свой крупный кластер), но не готовы выносить документы:

1. Документы и векторное хранилище живут в инфраструктуре data owner’а. Для векторки можно использовать open-source решения вроде Qdrant — см. наш обзор «Qdrant: векторная база данных для AI-продуктов».
2. В C2D-среде запускается контейнер, который по запросу consumer’а делает retrieval: получает вопрос, достаёт из векторки k релевантных фрагментов и возвращает их в анонимизированном виде.
3. LLM снаружи получает только куски текста (опционально — уже очищенные от PII) и генерирует ответ.

Плюсы: эмбеддинги и полный текст никогда не уходят за периметр; можно комбинировать внутреннюю векторку с внешними моделями. Минус — сложнее реализовать end-to-end наблюдаемость: часть пайплайна скрыта внутри C2D.

4.2. Паттерн 2: полный RAG внутри C2D

Более жёсткий, но и более безопасный подход:

• внутри C2D-среды живут и векторное хранилище, и сама LLM (или несколько моделей);
• наружу отдаётся только финальный ответ и, возможно, краткий отчёт по использованным источникам;
• ни один внешний сервис не имеет прямого доступа ни к текстам, ни к эмбеддингам.

Такой сценарий востребован там, где чувствительны даже «анонимизированные» фрагменты: регуляторы всё чаще рассматривают эмбеддинги и промежуточные представления как потенциально восстанавливаемые.

5. Compute-to-Data для обучения моделей на приватных данных

Для обучения моделей C2D работает ещё очевиднее:

1. Data owner публикует asset «dataset» с включённым Compute-to-Data.
2. Data consumer описывает «algorithm asset» — Docker-образ с тренинг-скриптом (PyTorch, XGBoost, RAG-инфраструктура и т.д.).
3. Через маркетплейс создаётся compute-job: «запусти алгоритм X на датасете Y в окружении Z с лимитами по GPU/CPU».
4. Ocean Node скачивает образ, монтирует датасет, запускает обучение и по завершении возвращает артефакты: веса модели, отчёты, метрики.
5. Данные физически не покидают среду data owner’а; журналы и артефакты контролируются политиками.

Дополнительно можно использовать аппаратные доверенные среды (TEE) и другие механизмы конфиденциальных вычислений — о них подробнее в отдельном гайде «Конфиденциальные вычисления и TEE». В сочетании с TEE C2D-подход позволяет строить RAG и обучение на уровне требований enterprise-безопасности.

6. Compute-to-Data vs альтернативы: что выбирать для приватного RAG

Рассмотрим, чем C2D отличается от классических подходов к приватным данным.

В реальных проектах часто комбинируют подходы: часть публичных и синтетических данных обучает модель в облаке, а приватные слои докручиваются через C2D-обучение или RAG-слой внутри инфраструктуры владельца данных.

7. Типичные кейсы Ocean Protocol для RAG и обучения

7.1. Медицинские RAG-ассистенты

Healthcare — один из первых таргетов Ocean. Платформа активно продвигает сценарии, где больницы и исследовательские центры делятся медицинскими датасетами (МРТ, ЭКГ, лабораторные показатели) через C2D, не раскрывая сами данные.

Пример пайплайна:

• больница публикует датасеты (истории болезней, структурированные записи) с включённым C2D;
• исследовательский центр присылает RAG-алгоритм: «чатбот для врачей», который отвечает по локальной документации и клиническим рекомендациям;
• обучение эмбеддингов, построение векторки и retrieval происходят внутри инфраструктуры больницы; наружу уходит только модель или ответы;
• модель помогает врачам искать похожие случаи, проверять дозировки, смотреть локальные протоколы.

7.2. DeFi-аналитика и риск-модели

Ocean участвует в инициативах Open DeFi Alliance и продвигает идею безопасного обмена рыночными и пользовательскими данными между DeFi-проектами, фондами и брокерами.

Типичный кейс:

• платформы стейкинга и кредитования не хотят раскрывать сырые ряды транзакций и позиций;
• через C2D они открывают обучающие и аналитические задачи: оценка риска ликвидаций, fraud-скоры, стресс-тесты;
• аналитические компании присылают модели (градиентный бустинг, deep learning, RAG-брокеры по внутренней документации), которые обучаются прямо на закрытых данных;
• возвращаются веса моделей и отчёты, без выгрузки самих транзакций.

7.3. Промышленные и IoT-датасеты

Сенсоры на заводах, в сетях «умного города», транспорте генерируют тонны данных. Они ценны для предиктивной аналитики, но часто используются только локально, а компании боятся делиться ими даже с подрядчиками.

С Ocean можно:

• упаковать тайм-серии в C2D-датасет;
• разрешить запускать на них алгоритмы прогнозирования и anomaly detection;
• обучать модели неисправностей без передачи «сырого» журнала сторонним организациям;
• дальше использовать модели в RAG-ассистентах для инженеров: «почему растёт вибрация на этом узле», «какие типичные причины такого паттерна».

7.4. Корпоративные data-коалиции

Ocean Enterprise — отдельный продукт для компаний и госструктур, позволяющий поднимать приватные data-экосистемы: несколько организаций делятся между собой данными через C2D, сохраняя контроль и соответствие комплаенсу.

В такой коалиции можно обучать общие модели (например, scoring для кредитных союзов или ESG-аналитику для цепочек поставок), не собирая все исходные данные в одном месте.

8. Стек разработчика: как собрать C2D-пайплайн под RAG/обучение

На практике сборка пайплайна выглядит так:

1. Разворачиваем инфраструктуру. Data owner поднимает Ocean Node/Compute-to-Data окружение рядом со своими данными (on-prem или в своём облаке).
2. Публикуем датасет. Создаём Data NFT и datatokens, описываем метаданные, включаем C2D-фичу (список разрешённых алгоритмов, лимиты по ресурсам).
3. Определяем алгоритмы. Data consumer (или тот же data owner) публикует «algorithm assets»: Docker-образы для RAG-retrieval, обучения моделей, векторизации, отчётов.
4. Описываем пайплайн. Пишем код/конфиг, который:
   • запускает ingestion и индексацию документов внутри C2D;
   • по запросу пользователя создаёт compute-job на retrieval/обучение;
   • получает результаты и передаёт их в LLM или downstream-сервисы.
5. Добавляем мониторинг и биллинг. Считаем, сколько job’ов, сколько OCEAN и ресурсов тратится на один запрос, где можно закэшировать и оптимизировать.

Архитектурно это хорошо сочетается с уже существующими RAG-фреймворками и векторными базами (Qdrant, Pinecone, Weaviate и др.) — вы просто переносите их внутрь C2D-окружения и управляетесь через Ocean как внешним контуром доступа.

9. Стоимость OCEAN токена: за что платим и как оценивать бюджет

Экономика Ocean строится вокруг токена OCEAN и datatokens. OCEAN используется для стейкинга, управления и оплаты операций в экосистеме, datatokens — как «пропуска» к конкретным датасетам.

На уровне смарт-контрактов сейчас действуют правила:

• Публикация датасета на маркетплейсе не облагается отдельной publish-комиссией (платите только gas сети).
• Потребление данных (в том числе C2D-job) оплачивается потребителем: он покупает datatokens или платит напрямую через встроенный прайсинг.
• Комиссии делятся между data owner’ом, провайдером C2D-узла, маркетплейсом и, в ряде случаев, стейкерами, которые курируют датасет.

Цена токена OCEAN рыночная и плавающая. По данным крупных агрегаторов (CoinMarketCap, CoinGecko, Coinbase и др.) в 2025 году OCEAN торгуется примерно в районе $0,20–0,30 за токен (порядка $0,25 на момент подготовки материала, с суточными колебаниями). Конкретные значения важно уточнять по рыночным сводкам на момент расчётов.

Удобно мыслить бюджет так:

• фиксируете «цену одного job’а» (RAG-запроса или тренинг-рана) в OCEAN/datatokens;
• оцениваете, сколько запросов/обучений в месяц ожидается;
• закладываете сверху запас на газ-комиссии и инфраструктуру (GPU/CPU, storage);
• сравниваете с альтернативами: классические LLM-API, свой кластер, другие privacy-решения.

Важно: Ocean не навязывает конкретный тариф; каждая площадка и каждый data owner могут выстраивать свою модель монетизации. Для RAG-и обучающих пайплайнов это означает, что стоимость сильно зависит от: сложности задач (время работы контейнера), используемого железа, политики самого владельца данных.

10. Типичные ошибки при проектировании C2D-пайплайнов

• «Утащили всё в C2D». Иногда команды пытаются запихнуть вообще всю логику внутрь C2D, включая простой бизнес-код и интерфейсы. Это делает решение дорогим и громоздким. Лучше держать в C2D только те части, которые реально нуждаются в доступе к приватным данным.
• Нет явной модели угроз. C2D снижает риски, но не отменяет их. Нужен документированный список угроз: кто может атаковать, какие данные нельзя видеть даже внутри job’а, какие лог-события запрещены.
• Безлимитные job’ы. Если не поставить ограничения по времени, памяти и размерам вывода, можно получить неожиданные счета или DoS-сценарии. Лимиты на уровне C2D-конфигурации — must have.
• Отсутствие аудит-трейла. Для регуляторов критично иметь журнал: какие алгоритмы, когда и кем запускались на данных. Ocean даёт базовый след в блокчейне, но логировать внутренние события узла тоже необходимо.
• Путаница между C2D и TEE. Compute-to-Data — это архитектурный паттерн, TEE — аппаратный механизм. Они дополняют друг друга, но не заменяют: TEE защищает среду выполнения, C2D — схему доступа к данным и экономическую модель.

11. Чек-лист: как запустить RAG или обучение на приватных данных через Ocean

• Определили, какие данные принципиально не могут покинуть периметр (PII, транзакции, медицинские записи).
• Выбрали сценарий: RAG-ассистент, обучение модели, аналитические job’ы или их комбинация.
• Нарисовали целевую архитектуру: какие части пайплайна внутри C2D, какие — снаружи.
• Развернули Ocean Node/Compute-to-Data вокруг существующего хранилища данных и векторки.
• Создали Data NFT и datatokens, настроили политики C2D (allowlist алгоритмов, лимиты ресурсов, аудит-лог).
• Опубликовали алгоритмы как assets, контейнеризовали RAG/обучающие пайплайны.
• Наладили мониторинг по ключевым метрикам: стоимость job’а, latency, error rate, качество ответов/моделей.
• Сравнили итоговую стоимость и риски с альтернативами (облако, on-prem без Ocean, другие privacy-решения).

FAQ: 5 вопросов про Ocean Protocol и Compute-to-Data

Ключевые выводы:

• Compute-to-Data позволяет обучать модели на приватных данных без их выгрузки
• Идеально для RAG-систем с медицинскими и финансовыми данными
• OCEAN токен используется для оплаты вычислений в сети

Полезные материалы

• Оптимизация стоимости LLM и ML-пайплайнов — как считать бюджет RAG/обучения и где экономить.
• Pinecone и Qdrant — материалы о векторных базах, которые можно использовать внутри C2D-окружения.