Все понимают, что главной преградой для внедрения больших моделей ИИ в вертикальные приложения, такие как финансы, медицина, юриспруденция и т.д., является проблема «галлюцинаций» в выводах ИИ, которые не соответствуют требованиям точности в реальных приложениях. Как это решить? Недавно @Mira_Network запустила публичную Тестовая сеть и предложила набор решений, давайте я объясню, в чем дело:
Во-первых, инструменты больших моделей ИИ имеют ситуацию «галлюцинации», о чем все могут ощущать, и причина заключается в двух основных моментах:
Данные для обучения AI LLMs недостаточно полные, несмотря на то, что объем данных очень большой, они все еще не могут охватить информацию из некоторых нишевых или специализированных областей, в такие моменты AI склонен к «творческому дополнению», что в свою очередь приводит к некоторым ошибкам в реальном времени;
AI LLMs по своей сути зависят от «вероятностной выборки», которая распознает статистические модели и корреляции в обучающих данных, а не «понимание» в истинном смысле, поэтому случайность вероятностной выборки, несоответствия в обучении и выводах могут привести к смещениям AI при обработке высокоточных фактических вопросов;
Как решить эту проблему? На платформе ArXiv Университета Корнелла была опубликована статья, в которой описан метод повышения надежности результатов LLM с использованием нескольких моделей.
Простое объяснение заключается в том, что сначала основной модель генерирует результат, затем интегрируются несколько моделей проверки для проведения «анализов голосования большинства» по данной проблеме, что позволяет снизить вероятность возникновения «иллюзий», создаваемых моделью.
В ходе ряда тестов было установлено, что этот метод может повысить точность вывода ИИ до 95,6%.
Раз уж так, то определенно нужна распределенная платформа для верификации, чтобы управлять и проверять процесс взаимодействия основной модели и модели верификации. Mira Network — это именно такая промежуточная сеть, специально созданная для верификации AI LLMs, которая строит надежный уровень верификации между пользователями и базовыми AI моделями.
С существованием этой ловушки сети верификации можно реализовать интегрированные услуги, включая защиту конфиденциальности, гарантии точности, масштабируемый дизайн, стандартизированные API-интерфейсы и так далее. Это также расширяет возможности внедрения ИИ в различные специализированные сценарии применения за счет уменьшения иллюзий, выходящих от AI LLMs, и является практическим примером того, как распределенная верификационная сеть Crypto может быть применена в процессе реализации AI LLMs.
Например, Mira Network поделилась несколькими примерами в области финансов, образования и экосистемы блокчейна, которые могут подтвердить это:
Gigabrain, после интеграции с Mira, может добавить дополнительный уровень проверки точности рыночного анализа и прогнозов, фильтруя ненадежные рекомендации, что повышает точность сигналов AI для торговли и делает использование AI LLMs в сценариях DeFai более надежным;
Learnrite использует mira для проверки стандартизированных экзаменационных вопросов, созданных ИИ, позволяя образовательным учреждениям в массовом порядке использовать контент, созданный ИИ, при этом не влияя на точность содержания образовательных тестов, чтобы поддерживать строгие образовательные стандарты;
Проект блокчейна Kernel использует механизм Consensus LLM от Mira, интегрируя его в экосистему BNB, создавая децентрализованную валидационную сеть DVN, что обеспечивает определенный уровень точности и безопасности выполнения AI вычислений в блокчейне.
Выше.
На самом деле Mira Network предоставляет услуги промежуточной сети консенсуса, и это определенно не единственный способ улучшить возможности AI-приложений. Фактически, есть множество альтернативных путей, таких как улучшение за счет обучения на данных, улучшение через взаимодействие многомодальных больших моделей, а также улучшение вычислений с использованием технологий конфиденциальности, таких как ZKP, FHE, TEE и т.д. Однако в сравнении, решение Mira ценно тем, что оно быстро реализуется на практике и приносит прямые результаты.
Посмотреть Оригинал
Содержание носит исключительно справочный характер и не является предложением или офертой. Консультации по инвестициям, налогообложению или юридическим вопросам не предоставляются. Более подробную информацию о рисках см. в разделе «Дисклеймер».
Как сеть Mira использует Децентрализация для преодоления проблемы "галлюцинаций" в больших моделях?
Все понимают, что главной преградой для внедрения больших моделей ИИ в вертикальные приложения, такие как финансы, медицина, юриспруденция и т.д., является проблема «галлюцинаций» в выводах ИИ, которые не соответствуют требованиям точности в реальных приложениях. Как это решить? Недавно @Mira_Network запустила публичную Тестовая сеть и предложила набор решений, давайте я объясню, в чем дело:
Во-первых, инструменты больших моделей ИИ имеют ситуацию «галлюцинации», о чем все могут ощущать, и причина заключается в двух основных моментах:
Данные для обучения AI LLMs недостаточно полные, несмотря на то, что объем данных очень большой, они все еще не могут охватить информацию из некоторых нишевых или специализированных областей, в такие моменты AI склонен к «творческому дополнению», что в свою очередь приводит к некоторым ошибкам в реальном времени;
AI LLMs по своей сути зависят от «вероятностной выборки», которая распознает статистические модели и корреляции в обучающих данных, а не «понимание» в истинном смысле, поэтому случайность вероятностной выборки, несоответствия в обучении и выводах могут привести к смещениям AI при обработке высокоточных фактических вопросов;
Как решить эту проблему? На платформе ArXiv Университета Корнелла была опубликована статья, в которой описан метод повышения надежности результатов LLM с использованием нескольких моделей.
Простое объяснение заключается в том, что сначала основной модель генерирует результат, затем интегрируются несколько моделей проверки для проведения «анализов голосования большинства» по данной проблеме, что позволяет снизить вероятность возникновения «иллюзий», создаваемых моделью.
В ходе ряда тестов было установлено, что этот метод может повысить точность вывода ИИ до 95,6%.
Раз уж так, то определенно нужна распределенная платформа для верификации, чтобы управлять и проверять процесс взаимодействия основной модели и модели верификации. Mira Network — это именно такая промежуточная сеть, специально созданная для верификации AI LLMs, которая строит надежный уровень верификации между пользователями и базовыми AI моделями.
С существованием этой ловушки сети верификации можно реализовать интегрированные услуги, включая защиту конфиденциальности, гарантии точности, масштабируемый дизайн, стандартизированные API-интерфейсы и так далее. Это также расширяет возможности внедрения ИИ в различные специализированные сценарии применения за счет уменьшения иллюзий, выходящих от AI LLMs, и является практическим примером того, как распределенная верификационная сеть Crypto может быть применена в процессе реализации AI LLMs.
Например, Mira Network поделилась несколькими примерами в области финансов, образования и экосистемы блокчейна, которые могут подтвердить это:
Gigabrain, после интеграции с Mira, может добавить дополнительный уровень проверки точности рыночного анализа и прогнозов, фильтруя ненадежные рекомендации, что повышает точность сигналов AI для торговли и делает использование AI LLMs в сценариях DeFai более надежным;
Learnrite использует mira для проверки стандартизированных экзаменационных вопросов, созданных ИИ, позволяя образовательным учреждениям в массовом порядке использовать контент, созданный ИИ, при этом не влияя на точность содержания образовательных тестов, чтобы поддерживать строгие образовательные стандарты;
Проект блокчейна Kernel использует механизм Consensus LLM от Mira, интегрируя его в экосистему BNB, создавая децентрализованную валидационную сеть DVN, что обеспечивает определенный уровень точности и безопасности выполнения AI вычислений в блокчейне.
Выше.
На самом деле Mira Network предоставляет услуги промежуточной сети консенсуса, и это определенно не единственный способ улучшить возможности AI-приложений. Фактически, есть множество альтернативных путей, таких как улучшение за счет обучения на данных, улучшение через взаимодействие многомодальных больших моделей, а также улучшение вычислений с использованием технологий конфиденциальности, таких как ZKP, FHE, TEE и т.д. Однако в сравнении, решение Mira ценно тем, что оно быстро реализуется на практике и приносит прямые результаты.