Semua orang tahu bahwa hambatan terbesar dalam penerapan model AI besar ke dalam skenario aplikasi vertikal seperti keuangan, kesehatan, dan hukum adalah masalah "ilusi" yang dihasilkan oleh AI yang tidak dapat memenuhi kebutuhan akurasi dalam skenario aplikasi yang nyata. Bagaimana cara mengatasinya? Baru-baru ini, @Mira_Network meluncurkan jaringan pengujian publik, memberikan satu set solusi, saya akan menjelaskan apa yang terjadi:
Pertama, alat model AI besar memiliki situasi "ilusi", yang dapat dirasakan oleh semua orang, dengan dua alasan utama:
Data pelatihan AI LLM tidak cukup lengkap, meskipun ukuran data sudah sangat besar, tetapi masih tidak dapat mencakup informasi dari beberapa bidang niche atau profesional, pada saat ini AI cenderung melakukan "pelengkapan kreatif" yang kemudian mengakibatkan beberapa kesalahan real-time;
2、AI LLMs pada dasarnya bergantung pada "pengambilan sampel probabilitas", yang mengenali pola statistik dan korelasi dalam data pelatihan, bukan benar-benar "memahami". Oleh karena itu, sifat acak dari pengambilan sampel probabilitas, ketidakkonsistenan hasil pelatihan dan inferensi, dll., dapat menyebabkan AI memiliki bias saat menangani masalah fakta yang memerlukan akurasi tinggi.
Bagaimana cara menyelesaikan masalah ini? Di platform ArXiv Universitas Cornell, sebuah artikel diterbitkan yang memverifikasi metode untuk meningkatkan keandalan hasil LLMs melalui beberapa model.
Pemahaman sederhana adalah, pertama-tama, biarkan model utama menghasilkan hasil, kemudian gabungkan beberapa model verifikasi untuk melakukan "analisis suara mayoritas" terhadap masalah tersebut, sehingga dapat mengurangi "ilusi" yang dihasilkan model.
Dalam serangkaian pengujian, ditemukan bahwa metode ini dapat meningkatkan akurasi output AI hingga 95,6%.
Dengan demikian, pasti diperlukan sebuah platform verifikasi terdistribusi untuk mengelola dan memverifikasi proses interaksi kolaboratif antara model utama dan model verifikasi. Mira Network adalah jaringan middleware yang secara khusus dibangun untuk memverifikasi AI LLMs, yang membangun lapisan verifikasi yang dapat diandalkan antara pengguna dan model AI dasar.
Dengan adanya jaringan lapisan verifikasi ini, layanan terintegrasi seperti perlindungan privasi, jaminan akurasi, desain yang dapat diperluas, dan antarmuka API standar dapat diwujudkan. Hal ini juga dapat memperluas kemungkinan penerapan AI dalam berbagai skenario aplikasi dengan mengurangi ilusi yang dihasilkan oleh AI LLMs, dan merupakan praktik di mana jaringan verifikasi terdistribusi Crypto dapat berfungsi dalam proses implementasi AI LLMs.
Misalnya, Mira Network membagikan beberapa contoh dalam keuangan, pendidikan, dan ekosistem blockchain yang dapat membuktikan:
Setelah Gigabrain mengintegrasikan Mira, sistem dapat menambahkan satu lapisan untuk memverifikasi akurasi analisis pasar dan prediksi, menyaring saran yang tidak dapat diandalkan, sehingga meningkatkan akurasi sinyal perdagangan AI dan membuat AI LLMs lebih dapat diandalkan dalam skenario DeFai;
2）Learnrite menggunakan mira untuk memverifikasi soal ujian standar yang dihasilkan AI, memungkinkan lembaga pendidikan untuk memanfaatkan konten yang dihasilkan AI secara besar-besaran, sambil tetap menjaga akurasi konten ujian pendidikan, demi menjaga standar pendidikan yang ketat;
Proyek blockchain Kernel memanfaatkan mekanisme konsensus LLM Mira yang diintegrasikan ke dalam ekosistem BNB, menciptakan jaringan verifikasi terdesentralisasi DVN, sehingga akurasi dan keamanan pelaksanaan komputasi AI di blockchain terjamin hingga tingkat tertentu.
Di atas.
Sebenarnya, Mira Network menyediakan layanan jaringan konsensus middleware, dan itu jelas bukan satu-satunya cara untuk meningkatkan kemampuan aplikasi AI. Faktanya, ada jalur alternatif seperti peningkatan melalui pelatihan di sisi data, peningkatan melalui interaksi model besar multimodal, serta peningkatan komputasi privasi melalui teknik kriptografi potensial seperti ZKP, FHE, TEE, dan lain-lain. Namun dibandingkan, solusi Mira berharga dalam praktik yang cepat dan memberikan hasil langsung.
Lihat Asli
Konten ini hanya untuk referensi, bukan ajakan atau tawaran. Tidak ada nasihat investasi, pajak, atau hukum yang diberikan. Lihat Penafian untuk pengungkapan risiko lebih lanjut.
Apakah Mira Network dapat menyelesaikan masalah "ilusi" pada model AI besar?
Tulisan oleh: Haotian
Semua orang tahu bahwa hambatan terbesar dalam penerapan model AI besar ke dalam skenario aplikasi vertikal seperti keuangan, kesehatan, dan hukum adalah masalah "ilusi" yang dihasilkan oleh AI yang tidak dapat memenuhi kebutuhan akurasi dalam skenario aplikasi yang nyata. Bagaimana cara mengatasinya? Baru-baru ini, @Mira_Network meluncurkan jaringan pengujian publik, memberikan satu set solusi, saya akan menjelaskan apa yang terjadi:
Pertama, alat model AI besar memiliki situasi "ilusi", yang dapat dirasakan oleh semua orang, dengan dua alasan utama:
2、AI LLMs pada dasarnya bergantung pada "pengambilan sampel probabilitas", yang mengenali pola statistik dan korelasi dalam data pelatihan, bukan benar-benar "memahami". Oleh karena itu, sifat acak dari pengambilan sampel probabilitas, ketidakkonsistenan hasil pelatihan dan inferensi, dll., dapat menyebabkan AI memiliki bias saat menangani masalah fakta yang memerlukan akurasi tinggi.
Bagaimana cara menyelesaikan masalah ini? Di platform ArXiv Universitas Cornell, sebuah artikel diterbitkan yang memverifikasi metode untuk meningkatkan keandalan hasil LLMs melalui beberapa model.
Pemahaman sederhana adalah, pertama-tama, biarkan model utama menghasilkan hasil, kemudian gabungkan beberapa model verifikasi untuk melakukan "analisis suara mayoritas" terhadap masalah tersebut, sehingga dapat mengurangi "ilusi" yang dihasilkan model.
Dalam serangkaian pengujian, ditemukan bahwa metode ini dapat meningkatkan akurasi output AI hingga 95,6%.
Dengan demikian, pasti diperlukan sebuah platform verifikasi terdistribusi untuk mengelola dan memverifikasi proses interaksi kolaboratif antara model utama dan model verifikasi. Mira Network adalah jaringan middleware yang secara khusus dibangun untuk memverifikasi AI LLMs, yang membangun lapisan verifikasi yang dapat diandalkan antara pengguna dan model AI dasar.
Dengan adanya jaringan lapisan verifikasi ini, layanan terintegrasi seperti perlindungan privasi, jaminan akurasi, desain yang dapat diperluas, dan antarmuka API standar dapat diwujudkan. Hal ini juga dapat memperluas kemungkinan penerapan AI dalam berbagai skenario aplikasi dengan mengurangi ilusi yang dihasilkan oleh AI LLMs, dan merupakan praktik di mana jaringan verifikasi terdistribusi Crypto dapat berfungsi dalam proses implementasi AI LLMs.
Misalnya, Mira Network membagikan beberapa contoh dalam keuangan, pendidikan, dan ekosistem blockchain yang dapat membuktikan:
2）Learnrite menggunakan mira untuk memverifikasi soal ujian standar yang dihasilkan AI, memungkinkan lembaga pendidikan untuk memanfaatkan konten yang dihasilkan AI secara besar-besaran, sambil tetap menjaga akurasi konten ujian pendidikan, demi menjaga standar pendidikan yang ketat;
Di atas.
Sebenarnya, Mira Network menyediakan layanan jaringan konsensus middleware, dan itu jelas bukan satu-satunya cara untuk meningkatkan kemampuan aplikasi AI. Faktanya, ada jalur alternatif seperti peningkatan melalui pelatihan di sisi data, peningkatan melalui interaksi model besar multimodal, serta peningkatan komputasi privasi melalui teknik kriptografi potensial seperti ZKP, FHE, TEE, dan lain-lain. Namun dibandingkan, solusi Mira berharga dalam praktik yang cepat dan memberikan hasil langsung.