NVIDIA konferansında yer alan NEAR, neden açıklanamaz bir şekilde yapay zekanın baş halka açık zinciri haline geldi?

Orijinal Yazar: Haotian (X: @tmel0211)

Son zamanlarda, NEAR'ın kurucusu @ilblackdragon'in NVIDIA AI konferansında yer alacağı haberi, NEAR halka açık zincirinin yeterince dikkat çekmesini sağladı ve piyasa fiyat eğilimi de memnuniyet verici. Birçok arkadaşın kafası karıştı, NEAR zinciri Hepsi zincir soyutlaması yaparken, nasıl açıklanamaz bir şekilde AI baş halka açık zinciri haline gelebilir? Ardından, gözlemlerimi paylaşın ve bu arada, bazı AI model eğitim bilgilerini popüler hale getirin:

1. NEAR'ın kurucusu Illia Polosukhin, yapay zeka alanında uzun bir geçmişe sahiptir ve Transformer mimarisinin ortak kurucusudur. Transformer mimarisi, günümüzün LLM'lerinin büyük dil modellerinin ChatGPT'yi eğitmek için altyapısıdır ve bu, NEAR'ın patronunun NEAR'ı kurmadan önce AI büyük model sistemleri oluşturma ve yönetme deneyimine sahip olduğunu kanıtlamak için yeterlidir.

2. NRAR, yapay zeka modellerini eğitmek ve geliştirmek amacıyla NEARCON 2023'te NEAR Tasks'ı başlattı. Görev tamamlandıktan sonra platform, kullanıcıları NEAR token'lerle ödüllendirecek ve manuel olarak açıklamalı veriler, ilgili AI modelini eğitmek için kullanılacak.

Örneğin, yapay zeka modelinin görüntülerdeki nesneleri tanıma yeteneğini geliştirmesi gerekiyorsa, Satıcı, Görevler platformuna farklı nesnelere sahip çok sayıda orijinal görüntü yükleyebilir ve ardından kullanıcı, nesnelerin görüntü üzerindeki konumunu manuel olarak işaretleyebilir ve ardından yapay zekanın görüntü tanıma yeteneklerini geliştirmek için kendi başına öğrenmek için kullanabileceği büyük miktarda "görüntü-nesne konumu" verisi oluşturabilir.

İlk bakışta, NEAR Tasks sadece yapay zeka modelleri için temel hizmetler sağlamak için yapay mühendisliği sosyalleştirmek istemiyor mu, ama gerçekten bu kadar önemli mi?

Tipik olarak, eksiksiz bir yapay zeka modeli eğitimi veri toplama, veri ön işleme ve açıklama, model tasarımı ve eğitimi, model ayarlama, ince ayar, model doğrulama ve test etme, model dağıtımı, model izleme ve güncelleme vb. içerir.

Açıkçası, çoğu insan makine parçasının insan parçasından önemli ölçüde daha büyük olduğunu anlıyor, sonuçta daha yüksek teknoloji gibi görünüyor, ancak gerçekte, tüm model eğitiminde insan açıklaması çok önemlidir.

Manuel açıklama, bilgisayarın görsel modelin öğrenilmesini geliştirmesi için görüntüdeki nesnelere (insanlar, yerler, şeyler) etiketler ekleyebilir; manuel açıklama ayrıca konuşmadaki içeriği metne dönüştürebilir ve bilgisayarın konuşma tanıma modelini eğitmesine yardımcı olmak için belirli hecelere, kelimelere ve ifadelere açıklama ekleyebilir; manuel açıklama, metne mutluluk, üzüntü ve öfke gibi bazı duygusal etiketler de ekleyebilir, böylece yapay zeka duygu analizi becerilerini geliştirebilir, vb.

Manuel açıklamanın, makinelerin derin öğrenme modellerini gerçekleştirmesinin temeli olduğunu ve yüksek kaliteli açıklama verileri olmadan modelin verimli bir şekilde öğrenemeyeceğini ve açıklamalı veri miktarı yeterince büyük değilse, model performansının da sınırlı olacağını görmek zor değildir.

Şu anda, yapay zeka minimal invaziv alanında ChatGPT büyük modellerine dayalı ikincil ince ayar veya özel eğitim için birçok dikey yön vardır ve bunlar esasen OpenAI'nin verilerine dayalıdır ve model eğitimi gerçekleştirmek için yeni veri kaynakları, özellikle manuel olarak açıklamalı veriler ekler.

Örneğin, bir tıp şirketi tıbbi görüntüleme yapay zekasına dayalı model eğitimi yapmak ve hastaneler için bir dizi çevrimiçi yapay zeka danışma hizmeti sağlamak istiyorsa, yalnızca Görev platformuna büyük miktarda ham tıbbi görüntü verisi yüklemesi ve ardından kullanıcıların manuel açıklama verileri oluşturacak olan göreve açıklama eklemesine ve tamamlamasına izin vermesi ve ardından bu genel yapay zeka aracını dikey alanda uzman yapacak olan ChatGPT büyük modeline ince ayar yapması ve optimize etmesi gerekir.

Bununla birlikte, NEAR'ın sadece Görevler platformuna güvenerek AI halka açık zincirinin lideri olması elbette yeterli değildir, NEAR aslında ekosistemde kullanıcıların tüm zincir üstü davranışlarını ve operasyonlarını otomatikleştirmek için kullanılan AI Agent hizmetlerini de yürütmektedir ve kullanıcılar, yetkilendirildikleri sürece piyasada serbestçe varlık alıp satabilirler. Bu, kullanıcının zincir üstü etkileşim deneyimini iyileştirmek için yürütmeyi otomatikleştirmek için yapay zekayı kullanan Intent-centric'e biraz benzer. Buna ek olarak, NEAR'ın güçlü DA yetenekleri, yapay zeka modeli eğitim verilerinin geçerliliğini ve gerçekliğini izleyerek yapay zeka veri kaynaklarının izlenebilirliğinde rol oynamasına olanak tanır.

Kısacası, yüksek performanslı zincir işlevleriyle desteklenen NEAR'ın yapay zeka yönündeki teknik uzantısı ve anlatı rehberliği, saf zincir soyutlamasından çok daha belirsiz görünüyor.

Yarım ay önce, NRAR zincir soyutlamasını analiz ederken, NEAR zincir performansının + ekibin süper web2 kaynak entegrasyon yeteneğinin avantajlarını gördüm.

Not: Uzun vadeli odak noktası hala NEAR'ın düzenine ve "zincir soyutlama" konusundaki ürün tanıtımına bağlı, yapay zeka iyi bir artı ve boğa piyasası katalizörü olacak!

Orijinal makaleye bağlantı