Herkesin bildiği gibi, AI büyük modellerinin finans, sağlık, hukuk gibi dikey uygulama alanlarına entegrasyonunda en büyük engel, AI'nın çıktılarında var olan "hayal" sorununu, hassasiyet gerektiren gerçek uygulama alanlarıyla eşleştirmekte yaşanan zorluktur. Peki, bu nasıl çözülecek? Son zamanlarda, @Mira_Network bir kamu test ağı başlattı ve bir çözüm seti sundu, şimdi olanları anlatayım:
Öncelikle, AI büyük model araçlarının "halüsinasyon" durumu vardır, herkes bunu hissedebilir, bunun başlıca iki nedeni vardır:
AI LLM'lerin eğitim verileri yeterince kapsamlı değil, mevcut veri boyutu oldukça büyük olmasına rağmen, bazı niş veya uzmanlık alanlarındaki bilgileri kapsayamamaktadır, bu durumda AI "yaratıcı tamamlama" yapma eğilimindedir ve bu da bazı gerçek zamanlı hatalara yol açar;
AI LLM'lerin çalışma prensibi esasen "olasılık örneklemesi"ne dayanır; bu, eğitim verilerindeki istatistiksel kalıpları ve ilişkileri tanımak anlamına gelir, gerçek bir "anlama" değil. Bu nedenle, olasılık örneklemesinin rastgeleliği, eğitim ve çıkarım sonuçlarındaki tutarsızlıklar gibi unsurlar, AI'nın yüksek hassasiyetli gerçeklik problemlerini ele alırken sapmalara neden olabilir;
Bu sorunu nasıl çözebiliriz? Cornell Üniversitesi ArXiv platformunda, birden fazla modelin birlikte doğrulama yaparak LLM'lerin sonuç güvenilirliğini artırma yöntemini yayınladı.
Basitçe anlaşıldığında, önce ana modelin sonuç üretmesine izin verilir, ardından birden fazla doğrulama modelinin bu sorun üzerinde "çoğunluk oylaması analizi" yapması sağlanır, böylece modelin ürettiği "hayal" durumları azaltılabilir.
Bir dizi testte, bu yöntem AI çıktısının doğruluğunu %95,6'ya çıkarabileceği bulunmuştur.
Buna göre, ana model ve doğrulama modelinin işbirliği etkileşim sürecini yönetmek ve doğrulamak için kesinlikle dağıtık bir doğrulama platformuna ihtiyaç vardır. Mira Network, kullanıcılar ile temel yapay zeka modelleri arasında güvenilir bir doğrulama katmanı oluşturan, AI LLM'lerinin doğrulanması için özel olarak inşa edilmiş bir ara katman ağdır.
Bu doğrulama katmanı ağı sayesinde, gizlilik koruma, doğruluk garantisi, ölçeklenebilir tasarım, standart API arayüzleri gibi entegre hizmetler sağlanabilir. AI LLM'lerin çıktılarındaki illüzyonları azaltarak, AI'nın çeşitli alt uygulama senaryolarında uygulanabilirliğini artırmak mümkündür. Bu aynı zamanda, Crypto dağıtık doğrulama ağının AI LLM mühendislik sürecinde bir uygulama pratiği olarak işlev görebileceği bir durumdur.
Örneğin, Mira Network, finans, eğitim ve blok zinciri ekosisteminde kanıt olabilecek birkaç örnek paylaştı:
Gigabrain bir ticaret platformu Mira ile entegre olduğunda, sistem piyasa analizi ve tahminlerinin doğruluğunu doğrulamak için bir doğrulama halkası ekleyebilir, güvenilir olmayan önerileri filtreleyebilir, bu da AI ticaret sinyallerinin doğruluğunu artırarak AI LLM'lerin DeFai senaryolarında daha güvenilir hale gelmesini sağlar;
Learnrite, yapay zeka tarafından oluşturulan standartlaştırılmış test sorularını doğrulamak için mira'dan yararlanır ve eğitim kurumlarının, titiz eğitim standartlarını korumak için eğitim testlerinin içerik doğruluğundan ödün vermeden yapay zeka tarafından oluşturulan içerikten geniş ölçekte yararlanmasına olanak tanır;
3）Blockchain Kernel projesi, Mira'nın LLM konsensüs mekanizmasını kullanarak BNB ekosistemine entegre etti ve merkeziyetsiz doğrulama ağı DVN'yi oluşturdu. Bu sayede, blockchain üzerinde AI hesaplamalarının doğruluğu ve güvenliği bir ölçüde sağlanmış oldu.
Yukarıda.
Aslında, Mira Network, bir ara katman konsensüs ağı hizmeti sunuyor; kesinlikle AI uygulama yeteneklerini artırmanın tek yolu değil. Aslında, veri tarafındaki eğitim artışı, çok modlu büyük modellerin etkileşim artırımı ve ZKP, FHE, TEE gibi potansiyel kriptografi teknolojilerinin gizlilik hesaplaması artışı gibi seçenekli yollar da mevcuttur. Ancak karşılaştırıldığında, Mira'nın çözümü uygulama pratikliği açısından hızlı olup, doğrudan sonuç verir.
View Original
The content is for reference only, not a solicitation or offer. No investment, tax, or legal advice provided. See Disclaimer for more risks disclosure.
Mira Ağı, AI büyük modellerinin "hayal" sorununu çözebilir mi?
Yazı: Haotian
Herkesin bildiği gibi, AI büyük modellerinin finans, sağlık, hukuk gibi dikey uygulama alanlarına entegrasyonunda en büyük engel, AI'nın çıktılarında var olan "hayal" sorununu, hassasiyet gerektiren gerçek uygulama alanlarıyla eşleştirmekte yaşanan zorluktur. Peki, bu nasıl çözülecek? Son zamanlarda, @Mira_Network bir kamu test ağı başlattı ve bir çözüm seti sundu, şimdi olanları anlatayım:
Öncelikle, AI büyük model araçlarının "halüsinasyon" durumu vardır, herkes bunu hissedebilir, bunun başlıca iki nedeni vardır:
AI LLM'lerin eğitim verileri yeterince kapsamlı değil, mevcut veri boyutu oldukça büyük olmasına rağmen, bazı niş veya uzmanlık alanlarındaki bilgileri kapsayamamaktadır, bu durumda AI "yaratıcı tamamlama" yapma eğilimindedir ve bu da bazı gerçek zamanlı hatalara yol açar;
AI LLM'lerin çalışma prensibi esasen "olasılık örneklemesi"ne dayanır; bu, eğitim verilerindeki istatistiksel kalıpları ve ilişkileri tanımak anlamına gelir, gerçek bir "anlama" değil. Bu nedenle, olasılık örneklemesinin rastgeleliği, eğitim ve çıkarım sonuçlarındaki tutarsızlıklar gibi unsurlar, AI'nın yüksek hassasiyetli gerçeklik problemlerini ele alırken sapmalara neden olabilir;
Bu sorunu nasıl çözebiliriz? Cornell Üniversitesi ArXiv platformunda, birden fazla modelin birlikte doğrulama yaparak LLM'lerin sonuç güvenilirliğini artırma yöntemini yayınladı.
Basitçe anlaşıldığında, önce ana modelin sonuç üretmesine izin verilir, ardından birden fazla doğrulama modelinin bu sorun üzerinde "çoğunluk oylaması analizi" yapması sağlanır, böylece modelin ürettiği "hayal" durumları azaltılabilir.
Bir dizi testte, bu yöntem AI çıktısının doğruluğunu %95,6'ya çıkarabileceği bulunmuştur.
Buna göre, ana model ve doğrulama modelinin işbirliği etkileşim sürecini yönetmek ve doğrulamak için kesinlikle dağıtık bir doğrulama platformuna ihtiyaç vardır. Mira Network, kullanıcılar ile temel yapay zeka modelleri arasında güvenilir bir doğrulama katmanı oluşturan, AI LLM'lerinin doğrulanması için özel olarak inşa edilmiş bir ara katman ağdır.
Bu doğrulama katmanı ağı sayesinde, gizlilik koruma, doğruluk garantisi, ölçeklenebilir tasarım, standart API arayüzleri gibi entegre hizmetler sağlanabilir. AI LLM'lerin çıktılarındaki illüzyonları azaltarak, AI'nın çeşitli alt uygulama senaryolarında uygulanabilirliğini artırmak mümkündür. Bu aynı zamanda, Crypto dağıtık doğrulama ağının AI LLM mühendislik sürecinde bir uygulama pratiği olarak işlev görebileceği bir durumdur.
Örneğin, Mira Network, finans, eğitim ve blok zinciri ekosisteminde kanıt olabilecek birkaç örnek paylaştı:
Gigabrain bir ticaret platformu Mira ile entegre olduğunda, sistem piyasa analizi ve tahminlerinin doğruluğunu doğrulamak için bir doğrulama halkası ekleyebilir, güvenilir olmayan önerileri filtreleyebilir, bu da AI ticaret sinyallerinin doğruluğunu artırarak AI LLM'lerin DeFai senaryolarında daha güvenilir hale gelmesini sağlar;
Learnrite, yapay zeka tarafından oluşturulan standartlaştırılmış test sorularını doğrulamak için mira'dan yararlanır ve eğitim kurumlarının, titiz eğitim standartlarını korumak için eğitim testlerinin içerik doğruluğundan ödün vermeden yapay zeka tarafından oluşturulan içerikten geniş ölçekte yararlanmasına olanak tanır;
3）Blockchain Kernel projesi, Mira'nın LLM konsensüs mekanizmasını kullanarak BNB ekosistemine entegre etti ve merkeziyetsiz doğrulama ağı DVN'yi oluşturdu. Bu sayede, blockchain üzerinde AI hesaplamalarının doğruluğu ve güvenliği bir ölçüde sağlanmış oldu.
Yukarıda.
Aslında, Mira Network, bir ara katman konsensüs ağı hizmeti sunuyor; kesinlikle AI uygulama yeteneklerini artırmanın tek yolu değil. Aslında, veri tarafındaki eğitim artışı, çok modlu büyük modellerin etkileşim artırımı ve ZKP, FHE, TEE gibi potansiyel kriptografi teknolojilerinin gizlilik hesaplaması artışı gibi seçenekli yollar da mevcuttur. Ancak karşılaştırıldığında, Mira'nın çözümü uygulama pratikliği açısından hızlı olup, doğrudan sonuç verir.