Herkes biliyor ki, AI büyük modellerinin finans, sağlık, hukuk gibi dikey uygulama senaryolarına entegre edilmesindeki en büyük engel tek bir şeydir: AI'nın ürettiği sonuçlarda var olan "hayal" sorunu, hassasiyet gerektiren gerçek uygulama senaryolarıyla eşleşmiyor. Peki bunu nasıl çözebiliriz? Son zamanlarda, @Mira_Network kamu Testnet'ini tanıttı ve bir çözüm seti sundu, şimdi neler olduğunu anlatayım:
Öncelikle, AI büyük model araçlarında "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, hala niş veya uzmanlık alanlarındaki bilgileri kapsayamıyor. Bu durumda AI, "yaratıcı tamamlama" yapma eğiliminde oluyor ve bu da bazı güncellik hatalarına yol açıyor;
AI LLM'lerin çalışma doğası esasen "olasılık örnekleme"ye dayanır, bu da eğitim verilerindeki istatistiksel desenleri ve ilişkileri tanıma anlamına gelir, gerçek bir "anlama" değil. Bu nedenle, olasılık örneklemenin rastgeleliği, eğitim ve çıkarım sonuçlarındaki tutarsızlıklar gibi durumlar, AI'nın yüksek hassasiyetli gerçeklik sorunlarını ele alırken sapmalara neden olabilir;
Bu sorunu nasıl çözebiliriz? Cornell Üniversitesi'nin ArXiv platformunda, birden fazla modelin birlikte doğrulamasıyla LLM'lerin sonuç güvenilirliğini artırma yöntemini içeren bir makale yayımlandı.
Basit bir şekilde anlamak gerekirse, önce ana modelin sonuç üretmesine izin verilir, ardından birden fazla doğrulama modeli bu sorun üzerinde "çoğunluk oylama analizi" gerçekleştirerek modelin ürettiği "hayal" durumlarını azaltabilir.
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 dağıtılmış bir doğrulama platformuna ihtiyaç vardır. Mira Network, kullanıcılar ile temel AI modelleri arasında güvenilir bir doğrulama katmanı oluşturan, AI LLM'lerin doğrulanması için özel olarak inşa edilmiş bir ara katman ağıdır.
Bu doğrulama katmanı ağının varlığıyla, gizlilik koruması, doğruluk güvencesi, ölçeklenebilir tasarım, standartlaştırılmış API arayüzleri ve diğer entegre hizmetleri içeren entegrasyon hizmetleri gerçekleştirilebilir ve çeşitli alt bölümlere ayrılmış uygulama senaryolarına AI iniş olasılığı, AI LLM'lerin çıktı yanılsaması azaltılarak genişletilebilir, bu da Crypto dağıtılmış doğrulama ağı tarafından AI LLMs projelerinin uygulanmasında bir uygulamadır.
Örneğin, Mira Network, finans, eğitim ve blockchain ekosisteminde birkaç örnek paylaştı.
Gigabrain, Mira ile entegre bir ticaret platformu olduğunda, sistem piyasa analizlerinin ve tahminlerin doğruluğunu doğrulamak için bir ek halka ekleyebilir, güvenilir olmayan önerileri filtreleyebilir, AI ticaret sinyallerinin doğruluğunu artırabilir ve AI LLM'lerin DeFi senaryolarında daha güvenilir olmasını sağlayabilir;
2）Learnrite, eğitim kurumlarının AI tarafından üretilen içerikleri büyük ölçekte kullanabilmesini sağlamak için mira'yı kullanarak AI tarafından üretilen standart sınav sorularını doğrular, bu süreçte eğitim testlerinin içerik doğruluğunu etkilemeden sıkı eğitim standartlarını sürdürmeyi amaçlar.
3）Blockchain Kernel projesi, Mira'nın LLM konsensüs mekanizmasını kullanarak BNB ekosistemine entegre etti ve merkeziyetsiz doğrulama ağı DVN'yi oluşturdu. Bu sayede blok zincirinde AI hesaplamalarının doğruluğu ve güvenliği bir dereceye kadar güvence altına alındı.
Yukarıda.
Aslında, Mira Network, ara katman konsensüs ağı hizmeti sunmaktadır, kesinlikle AI uygulama yeteneklerini artırmanın tek yolu değildir. Aslında, veri tarafındaki eğitim artırımı, çok modlu büyük modellerin etkileşim artırımı ve ZKP, FHE, TEE gibi potansiyel kriptografik teknolojilerin gizlilik hesaplaması artırımı gibi birçok alternatif yol mevcuttur. Ancak, Mira'nın çözümü, uygulamada hızlı bir şekilde hayata geçmesi ve doğrudan sonuç vermesi açısından değerlidir.
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 Network, merkeziyetsiz bir ağ kullanarak büyük modelin "hayal" hastalığını nasıl kökünden çözüyor?
Herkes biliyor ki, AI büyük modellerinin finans, sağlık, hukuk gibi dikey uygulama senaryolarına entegre edilmesindeki en büyük engel tek bir şeydir: AI'nın ürettiği sonuçlarda var olan "hayal" sorunu, hassasiyet gerektiren gerçek uygulama senaryolarıyla eşleşmiyor. Peki bunu nasıl çözebiliriz? Son zamanlarda, @Mira_Network kamu Testnet'ini tanıttı ve bir çözüm seti sundu, şimdi neler olduğunu anlatayım:
Öncelikle, AI büyük model araçlarında "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, hala niş veya uzmanlık alanlarındaki bilgileri kapsayamıyor. Bu durumda AI, "yaratıcı tamamlama" yapma eğiliminde oluyor ve bu da bazı güncellik hatalarına yol açıyor;
AI LLM'lerin çalışma doğası esasen "olasılık örnekleme"ye dayanır, bu da eğitim verilerindeki istatistiksel desenleri ve ilişkileri tanıma anlamına gelir, gerçek bir "anlama" değil. Bu nedenle, olasılık örneklemenin rastgeleliği, eğitim ve çıkarım sonuçlarındaki tutarsızlıklar gibi durumlar, AI'nın yüksek hassasiyetli gerçeklik sorunlarını ele alırken sapmalara neden olabilir;
Bu sorunu nasıl çözebiliriz? Cornell Üniversitesi'nin ArXiv platformunda, birden fazla modelin birlikte doğrulamasıyla LLM'lerin sonuç güvenilirliğini artırma yöntemini içeren bir makale yayımlandı.
Basit bir şekilde anlamak gerekirse, önce ana modelin sonuç üretmesine izin verilir, ardından birden fazla doğrulama modeli bu sorun üzerinde "çoğunluk oylama analizi" gerçekleştirerek modelin ürettiği "hayal" durumlarını azaltabilir.
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 dağıtılmış bir doğrulama platformuna ihtiyaç vardır. Mira Network, kullanıcılar ile temel AI modelleri arasında güvenilir bir doğrulama katmanı oluşturan, AI LLM'lerin doğrulanması için özel olarak inşa edilmiş bir ara katman ağıdır.
Bu doğrulama katmanı ağının varlığıyla, gizlilik koruması, doğruluk güvencesi, ölçeklenebilir tasarım, standartlaştırılmış API arayüzleri ve diğer entegre hizmetleri içeren entegrasyon hizmetleri gerçekleştirilebilir ve çeşitli alt bölümlere ayrılmış uygulama senaryolarına AI iniş olasılığı, AI LLM'lerin çıktı yanılsaması azaltılarak genişletilebilir, bu da Crypto dağıtılmış doğrulama ağı tarafından AI LLMs projelerinin uygulanmasında bir uygulamadır.
Örneğin, Mira Network, finans, eğitim ve blockchain ekosisteminde birkaç örnek paylaştı.
2）Learnrite, eğitim kurumlarının AI tarafından üretilen içerikleri büyük ölçekte kullanabilmesini sağlamak için mira'yı kullanarak AI tarafından üretilen standart sınav sorularını doğrular, bu süreçte eğitim testlerinin içerik doğruluğunu etkilemeden sıkı eğitim standartlarını sürdürmeyi amaçlar.
3）Blockchain Kernel projesi, Mira'nın LLM konsensüs mekanizmasını kullanarak BNB ekosistemine entegre etti ve merkeziyetsiz doğrulama ağı DVN'yi oluşturdu. Bu sayede blok zincirinde AI hesaplamalarının doğruluğu ve güvenliği bir dereceye kadar güvence altına alındı.
Yukarıda.
Aslında, Mira Network, ara katman konsensüs ağı hizmeti sunmaktadır, kesinlikle AI uygulama yeteneklerini artırmanın tek yolu değildir. Aslında, veri tarafındaki eğitim artırımı, çok modlu büyük modellerin etkileşim artırımı ve ZKP, FHE, TEE gibi potansiyel kriptografik teknolojilerin gizlilik hesaplaması artırımı gibi birçok alternatif yol mevcuttur. Ancak, Mira'nın çözümü, uygulamada hızlı bir şekilde hayata geçmesi ve doğrudan sonuç vermesi açısından değerlidir.