Усі знають, що найбільшою перешкодою для впровадження великих AI-моделей у вертикальні застосування, такі як фінанси, медицина, право тощо, є проблема «ілюзії» результатів, що не відповідають вимогам точності в реальних застосуваннях. Як це вирішити? Нещодавно @Mira_Network запустила публічну Тестову мережу та представила набір рішень, давайте я розповім, у чому справа:
По-перше, у великих моделей штучного інтелекту існує ситуація «ілюзії», яку всі можуть відчути, основні причини дві:
Данні для навчання AI LLMs недостатньо повні, хоча обсяг вже наявних даних дуже великий, але все ще не можуть охопити інформацію з деяких нішевих або спеціалізованих областей, в цей час AI схильний до «креативного доповнення», що призводить до деяких помилок у реальному часі;
2、AI LLMs працюють за суттю на основі «ймовірнісного вибору», який полягає у виявленні статистичних закономірностей та кореляцій у навчальних даних, а не в справжньому «розумінні». Тому випадковість ймовірнісного вибору, непослідовність результатів навчання та висновків тощо можуть призвести до того, що AI буде мати відхилення при обробці високоточних фактологічних питань;
Як вирішити цю проблему? На платформі ArXiv університету Корнелла було опубліковано статтю, яка підтверджує метод підвищення надійності результатів LLMs за допомогою кількох моделей.
Просте розуміння полягає в тому, щоб спочатку дозволити основній моделі генерувати результати, а потім інтегрувати кілька моделей перевірки для проведення «аналітики голосування більшості» по цій проблемі, що дозволяє зменшити «ілюзії», які виникають у моделі.
У серії тестів було виявлено, що цей метод може підвищити точність виходу AI до 95,6%.
Оскільки так, то, безумовно, потрібна розподілена платформа верифікації для управління та верифікації процесу взаємодії між основною моделлю та моделлю верифікації, Mira Network є такою спеціальною проміжною мережею для верифікації AI LLMs, яка створює надійний шар верифікації між користувачем та базовою AI моделлю.
Завдяки наявності цієї пастки верифікаційного рівня можна реалізувати інтегровані послуги, включаючи захист конфіденційності, забезпечення точності, масштабоване проектування, стандартизовані API-інтерфейси тощо. Це дозволяє розширити можливості впровадження AI у різні сегменти застосувань, зменшуючи ілюзії, що виходять з AI LLMs, а також є практичним прикладом того, як дистрибутивна верифікаційна мережа Crypto може впливати на процес реалізації AI LLMs.
Наприклад, Mira Network поділилася кількома прикладами в фінансовій, освітній та блокчейн-екосистемі, які можуть це підтвердити:
1）Gigabrain, після інтеграції з Mira, торгова платформа може додати ще один рівень перевірки точності ринкового аналізу та прогнозів, фільтруючи ненадійні поради, що може підвищити точність AI торгових сигналів, роблячи вплив AI LLMs на DeFai сцени більш надійним.
2）Learnrite використовує mira для перевірки стандартизованих екзаменаційних питань, створених AI, що дозволяє освітнім установам масово використовувати контент, створений AI, при цьому не впливаючи на точність змісту освітніх тестів, щоб підтримувати строгі освітні стандарти;
Проект блокчейн Kernel використовує механізм консенсусу LLM від Mira, інтегруючи його в екосистему BNB, створюючи децентралізовану мережу валідації DVN, що забезпечує певний рівень точності та безпеки виконання AI обчислень на блокчейні.
Вище.
Насправді, Mira Network надає послуги мережі консенсусу проміжного програмного забезпечення, це, звичайно, не єдиний шлях для посилення можливостей AI застосувань. Насправді, посилення через навчання на даних, посилення через взаємодію багатомодальних великих моделей, а також посилення приватних обчислень за допомогою потенційних криптографічних технологій, таких як ZKP, FHE, TEE тощо — це все альтернативні шляхи. Але в порівнянні, рішення Mira цінне тим, що воно швидко впроваджується на практиці і дає прямий результат.
Переглянути оригінал
Контент має виключно довідковий характер і не є запрошенням до участі або пропозицією. Інвестиційні, податкові чи юридичні консультації не надаються. Перегляньте Відмову від відповідальності , щоб дізнатися більше про ризики.
Як Mira Network може вирішити проблему "галюцинацій" великих моделей за допомогою децентралізованої мережі?
Усі знають, що найбільшою перешкодою для впровадження великих AI-моделей у вертикальні застосування, такі як фінанси, медицина, право тощо, є проблема «ілюзії» результатів, що не відповідають вимогам точності в реальних застосуваннях. Як це вирішити? Нещодавно @Mira_Network запустила публічну Тестову мережу та представила набір рішень, давайте я розповім, у чому справа:
По-перше, у великих моделей штучного інтелекту існує ситуація «ілюзії», яку всі можуть відчути, основні причини дві:
2、AI LLMs працюють за суттю на основі «ймовірнісного вибору», який полягає у виявленні статистичних закономірностей та кореляцій у навчальних даних, а не в справжньому «розумінні». Тому випадковість ймовірнісного вибору, непослідовність результатів навчання та висновків тощо можуть призвести до того, що AI буде мати відхилення при обробці високоточних фактологічних питань;
Як вирішити цю проблему? На платформі ArXiv університету Корнелла було опубліковано статтю, яка підтверджує метод підвищення надійності результатів LLMs за допомогою кількох моделей.
Просте розуміння полягає в тому, щоб спочатку дозволити основній моделі генерувати результати, а потім інтегрувати кілька моделей перевірки для проведення «аналітики голосування більшості» по цій проблемі, що дозволяє зменшити «ілюзії», які виникають у моделі.
У серії тестів було виявлено, що цей метод може підвищити точність виходу AI до 95,6%.
Оскільки так, то, безумовно, потрібна розподілена платформа верифікації для управління та верифікації процесу взаємодії між основною моделлю та моделлю верифікації, Mira Network є такою спеціальною проміжною мережею для верифікації AI LLMs, яка створює надійний шар верифікації між користувачем та базовою AI моделлю.
Завдяки наявності цієї пастки верифікаційного рівня можна реалізувати інтегровані послуги, включаючи захист конфіденційності, забезпечення точності, масштабоване проектування, стандартизовані API-інтерфейси тощо. Це дозволяє розширити можливості впровадження AI у різні сегменти застосувань, зменшуючи ілюзії, що виходять з AI LLMs, а також є практичним прикладом того, як дистрибутивна верифікаційна мережа Crypto може впливати на процес реалізації AI LLMs.
Наприклад, Mira Network поділилася кількома прикладами в фінансовій, освітній та блокчейн-екосистемі, які можуть це підтвердити:
1）Gigabrain, після інтеграції з Mira, торгова платформа може додати ще один рівень перевірки точності ринкового аналізу та прогнозів, фільтруючи ненадійні поради, що може підвищити точність AI торгових сигналів, роблячи вплив AI LLMs на DeFai сцени більш надійним.
2）Learnrite використовує mira для перевірки стандартизованих екзаменаційних питань, створених AI, що дозволяє освітнім установам масово використовувати контент, створений AI, при цьому не впливаючи на точність змісту освітніх тестів, щоб підтримувати строгі освітні стандарти;
Вище.
Насправді, Mira Network надає послуги мережі консенсусу проміжного програмного забезпечення, це, звичайно, не єдиний шлях для посилення можливостей AI застосувань. Насправді, посилення через навчання на даних, посилення через взаємодію багатомодальних великих моделей, а також посилення приватних обчислень за допомогою потенційних криптографічних технологій, таких як ZKP, FHE, TEE тощо — це все альтернативні шляхи. Але в порівнянні, рішення Mira цінне тим, що воно швидко впроваджується на практиці і дає прямий результат.