Tout le monde sait que le plus grand obstacle à l'application des grands modèles d'IA dans des domaines verticaux tels que la finance, la santé et le droit est un seul : le problème des « hallucinations » des résultats générés par l'IA qui ne peut pas correspondre aux scénarios d'application nécessitant précision. Comment résoudre cela ? Récemment, @Mira_Network a lancé un Testnet, proposant une solution. Laissez-moi vous expliquer ce qui se passe :
Tout d'abord, les outils de grands modèles d'IA présentent des cas d'"hallucination", ce dont tout le monde peut être conscient, principalement pour deux raisons :
Les données d'entraînement des LLMs AI ne sont pas suffisamment complètes, bien que l'échelle des données soit déjà très vaste, elles ne couvrent toujours pas certaines informations de niche ou spécialisées, ce qui pousse l'IA à faire des « complétions créatives », entraînant ainsi des erreurs en temps réel;
Les LLMs d'IA reposent essentiellement sur le « échantillonnage de probabilité », qui consiste à identifier les motifs statistiques et les corrélations dans les données d'entraînement, et non à une véritable « compréhension ». Par conséquent, la nature aléatoire de l'échantillonnage de probabilité, l'incohérence des résultats d'entraînement et d'inférence peuvent conduire à des biais lorsque l'IA traite des questions factuelles de haute précision.
Comment résoudre ce problème ? Une étude a été publiée sur la plateforme ArXiv de l'Université Cornell, proposant une méthode pour améliorer la fiabilité des résultats des LLMs en validant à travers plusieurs modèles.
En d'autres termes, il s'agit d'abord de laisser le modèle principal générer des résultats, puis d'intégrer plusieurs modèles de validation pour effectuer une « analyse par vote majoritaire » sur la question, ce qui peut réduire les « hallucinations » produites par le modèle.
Lors d'une série de tests, il a été constaté que cette méthode peut augmenter la précision de la sortie de l'IA à 95,6 %.
Puisque c'est le cas, un plateforme de validation distribuée est certainement nécessaire pour gérer et vérifier le processus d'interaction collaborative entre le modèle principal et le modèle de validation. Mira Network est un réseau intermédiaire spécialement conçu pour la validation des LLMs d'IA, qui construit une couche de validation fiable entre l'utilisateur et le modèle d'IA de base.
Avec l'existence de ce piège de couche de validation, il est possible de réaliser des services intégrés incluant la protection de la vie privée, la garantie de précision, un design évolutif, des interfaces API standardisées, et d'élargir la possibilité d'application de l'IA dans divers scénarios d'application grâce à la réduction des hallucinations générées par les LLMs AI. Cela représente également une pratique de l'impact des réseaux de validation distribuée Crypto sur le processus de mise en œuvre des LLMs AI.
Par exemple, Mira Network a partagé plusieurs cas dans les domaines de la finance, de l'éducation et de l'écosystème blockchain qui peuvent le prouver :
Gigabrain, une plateforme de trading intégrée à Mira, permet au système d'ajouter une couche de vérification de la précision des analyses et des prévisions du marché, de filtrer les conseils peu fiables, ce qui peut améliorer la précision des signaux de trading AI et rendre les LLMs AI plus fiables dans les scénarios DeFai ;
Learnrite utilise mira pour valider les questions d'examen standardisées générées par l'IA, permettant ainsi aux établissements d'enseignement d'exploiter massivement le contenu généré par l'IA, tout en préservant la précision du contenu des tests éducatifs afin de maintenir des normes éducatives strictes;
Le projet Kernel de la blockchain utilise le mécanisme de consensus LLM de Mira pour l'intégrer dans l'écosystème BNB, créant ainsi un réseau de validation décentralisé (DVN), garantissant à un certain degré l'exactitude et la sécurité de l'exécution des calculs d'IA sur la blockchain.
Au-dessus.
En fait, Mira Network fournit un service de réseau de consensus intermédiaire, ce qui n'est certainement pas la seule voie pour améliorer les capacités des applications AI. En réalité, il existe des voies alternatives telles que l'amélioration par l'entraînement des données, l'interaction via des modèles multimodaux de grande taille, ainsi que l'amélioration de l'informatique privée grâce à des techniques cryptographiques potentielles comme ZKP, FHE, TEE, etc. Cependant, en comparaison, la solution de Mira se distingue par sa mise en œuvre rapide et ses effets immédiats.
Voir l'original
Le contenu est fourni à titre de référence uniquement, il ne s'agit pas d'une sollicitation ou d'une offre. Aucun conseil en investissement, fiscalité ou juridique n'est fourni. Consultez l'Avertissement pour plus de détails sur les risques.
Comment le réseau Mira utilise-t-il la Décentralisation pour résoudre le problème des "hallucinations" des grands modèles ?
Tout le monde sait que le plus grand obstacle à l'application des grands modèles d'IA dans des domaines verticaux tels que la finance, la santé et le droit est un seul : le problème des « hallucinations » des résultats générés par l'IA qui ne peut pas correspondre aux scénarios d'application nécessitant précision. Comment résoudre cela ? Récemment, @Mira_Network a lancé un Testnet, proposant une solution. Laissez-moi vous expliquer ce qui se passe :
Tout d'abord, les outils de grands modèles d'IA présentent des cas d'"hallucination", ce dont tout le monde peut être conscient, principalement pour deux raisons :
Les données d'entraînement des LLMs AI ne sont pas suffisamment complètes, bien que l'échelle des données soit déjà très vaste, elles ne couvrent toujours pas certaines informations de niche ou spécialisées, ce qui pousse l'IA à faire des « complétions créatives », entraînant ainsi des erreurs en temps réel;
Les LLMs d'IA reposent essentiellement sur le « échantillonnage de probabilité », qui consiste à identifier les motifs statistiques et les corrélations dans les données d'entraînement, et non à une véritable « compréhension ». Par conséquent, la nature aléatoire de l'échantillonnage de probabilité, l'incohérence des résultats d'entraînement et d'inférence peuvent conduire à des biais lorsque l'IA traite des questions factuelles de haute précision.
Comment résoudre ce problème ? Une étude a été publiée sur la plateforme ArXiv de l'Université Cornell, proposant une méthode pour améliorer la fiabilité des résultats des LLMs en validant à travers plusieurs modèles.
En d'autres termes, il s'agit d'abord de laisser le modèle principal générer des résultats, puis d'intégrer plusieurs modèles de validation pour effectuer une « analyse par vote majoritaire » sur la question, ce qui peut réduire les « hallucinations » produites par le modèle.
Lors d'une série de tests, il a été constaté que cette méthode peut augmenter la précision de la sortie de l'IA à 95,6 %.
Puisque c'est le cas, un plateforme de validation distribuée est certainement nécessaire pour gérer et vérifier le processus d'interaction collaborative entre le modèle principal et le modèle de validation. Mira Network est un réseau intermédiaire spécialement conçu pour la validation des LLMs d'IA, qui construit une couche de validation fiable entre l'utilisateur et le modèle d'IA de base.
Avec l'existence de ce piège de couche de validation, il est possible de réaliser des services intégrés incluant la protection de la vie privée, la garantie de précision, un design évolutif, des interfaces API standardisées, et d'élargir la possibilité d'application de l'IA dans divers scénarios d'application grâce à la réduction des hallucinations générées par les LLMs AI. Cela représente également une pratique de l'impact des réseaux de validation distribuée Crypto sur le processus de mise en œuvre des LLMs AI.
Par exemple, Mira Network a partagé plusieurs cas dans les domaines de la finance, de l'éducation et de l'écosystème blockchain qui peuvent le prouver :
Gigabrain, une plateforme de trading intégrée à Mira, permet au système d'ajouter une couche de vérification de la précision des analyses et des prévisions du marché, de filtrer les conseils peu fiables, ce qui peut améliorer la précision des signaux de trading AI et rendre les LLMs AI plus fiables dans les scénarios DeFai ;
Learnrite utilise mira pour valider les questions d'examen standardisées générées par l'IA, permettant ainsi aux établissements d'enseignement d'exploiter massivement le contenu généré par l'IA, tout en préservant la précision du contenu des tests éducatifs afin de maintenir des normes éducatives strictes;
Le projet Kernel de la blockchain utilise le mécanisme de consensus LLM de Mira pour l'intégrer dans l'écosystème BNB, créant ainsi un réseau de validation décentralisé (DVN), garantissant à un certain degré l'exactitude et la sécurité de l'exécution des calculs d'IA sur la blockchain.
Au-dessus.
En fait, Mira Network fournit un service de réseau de consensus intermédiaire, ce qui n'est certainement pas la seule voie pour améliorer les capacités des applications AI. En réalité, il existe des voies alternatives telles que l'amélioration par l'entraînement des données, l'interaction via des modèles multimodaux de grande taille, ainsi que l'amélioration de l'informatique privée grâce à des techniques cryptographiques potentielles comme ZKP, FHE, TEE, etc. Cependant, en comparaison, la solution de Mira se distingue par sa mise en œuvre rapide et ses effets immédiats.