Kleiner Oktopus @OpenledgerHQ hat eine wichtige Erklärung zum Mechanismus der Zuordnung von Eigentum aktualisiert, die wie gewohnt einige technische Inhalte umfasst. Ich verstehe die Technik nicht, kann aber versuchen, meine Verständnisse und die praktische Bedeutung dieses Zuordnungsmechanismus einfach und verständlich zu formulieren. Lehrer, die sich mit Technik auskennen, sind herzlich eingeladen, sich auszutauschen. 🙋 Traditionelle Probleme: Traditionelle Sprachmodelle verwenden n-gram (festgelegte Wortfolgenlängen), um das nächste Wort vorherzusagen. Sie sind schnell, aber es fehlt an Kontext, und sie können die Quelle oder die Datenbeiträge nicht nachverfolgen. 📖 Erklärung des Infini-gram-Mechanismus: Der Proof of Attribution (PoA) Mechanismus von OpenLedger verwendet Infini-gram anstelle des traditionellen n-gram, wodurch Infini-gram die Einschränkungen von n-gram aufbricht. Es handelt sich um eine symbolische Spannenabgleich-Engine, die auf einem ∞-gram (unendliche Länge) Attribution-Framework basiert, das auf Suffix-Arrays beruht und in der Lage ist, alle Längen von Sequenzen in den Trainingsdaten zu indizieren und eine Echtzeit-Rückverfolgung für jedes Token in den Modellausgaben zu unterstützen, um seine Quelle genau zu lokalisieren. Infini-gram unterstützt das Zuordnungsnachweissystem von OpenLedger und ermöglicht eine präzise Rückverfolgung von der Modellantwort zu den Trainingsdaten, ohne auf das Innere des Modells zugreifen zu müssen, wodurch es schnell, transparent und reproduzierbar bleibt. 👍 Praktische Bedeutung dieses Mechanismus: (persönliche Interpretation, bei Fragen gerne korrigieren) 1. Präzise Rückverfolgbarkeit, transparent und zuverlässig: Infini-gram unterstützt die Rückverfolgung der Ausgaben des KI-Modells Wort für Wort und zeigt, aus welchen Trainingsdaten die Antwort stammt. Das ist, als ob man der KI ein "Quellenetikett" anbringt, sodass der gesamte Prozess klar und deutlich ist. Der Benutzer sieht sofort, was die KI gesagt hat und warum, die Transparenz ist maximal, das Rückverfolgbarkeitssystem ist vollständig. 2. Faire Anerkennung der Datenbeiträge: Für die Datenanbieter kann Infini-gram klar angeben, welche Daten der KI geholfen haben, die Antwort zu generieren, sodass die Datenbeiträge endlich gesehen und anerkannt werden. Diese Methode macht das KI-Ökosystem fairer und kann mehr Menschen dazu anregen, qualitativ hochwertige Daten zu teilen. 3. Skalierbarkeit + Effizienz im Gleichgewicht: Das auf Suffix-Arrays basierende Framework von Infini-gram kann unabhängig von der Datenmenge die Quellen in Echtzeit nachverfolgen, die Effizienz ist maximal. Außerdem benötigt es keine komplexen Gradientenberechnungen, sondern kann einfach und effizient auf massive Datensätze skaliert werden. 4. Macht KI zuverlässiger und regelkonformer: Infini-gram kann dem KI-Modell "verifizierbare Identifikationskarten" bereitstellen, um die Quelle der ausgegebenen Inhalte genau zu bestimmen. Das erhöht nicht nur das Vertrauen der Benutzer in die KI, sondern erfüllt auch regulatorische Anforderungen und hilft der KI, regelkonform und ethisch zu handeln. 🤔 Das sind meine persönlichen Überlegungen und Interpretationen: Derzeit gibt es tatsächlich einige, die absichtlich versuchen, KI Fehler machen zu lassen, indem sie ihr falsche Informationen und Daten einflößen. Die Funktion von Kleiner Oktopus hat großes praktisches Anwendungspotenzial, um falsche Daten zurückzuverfolgen und KI-Fehler zu korrigieren. Ich freue mich darauf, die zukünftigen Ergebnisse dieser Funktion zu sehen.