Little Octopus @OpenledgerHQ a actualizat o explicație importantă a mecanismului de dovadă a atribuirii, care, ca întotdeauna, acoperă câteva aspecte tehnice Nu știu despre tehnologie, așa că pot încerca doar să-mi scriu înțelegerea și semnificația practică a acestui mecanism de dovadă a atribuirii într-o manieră ușor de înțeles Profesorii care înțeleg tehnologia sunt bineveniți 🙋 Problema cu tradiția: modelele lingvistice tradiționale folosesc n-grame (secvențe de cuvinte cu lungime fixă) pentru a prezice următorul cuvânt, care este rapid, dar nu are context pentru a urmări sursa predicției sau contribuitorul la date 📖Explicația mecanismului Infini-gram: Mecanismul OpenLedger Proof of Attribution (PoA) al OpenLedger folosește Infini-gram în loc de n-grama tradițională, astfel încât Infini-gram încalcă limitările n-gramei Este un motor simbolic de potrivire a intervalului bazat pe un cadru de atribuire de ∞ grame (lungime infinită) bazat pe matrice de sufixe, care este capabil să indexeze secvențe de toate lungimile în datele de antrenament și să accepte trasabilitatea în timp real a fiecărui token din ieșirea modelului pentru a identifica sursa acestuia. Infini-gram acceptă sistemul de dovadă a atribuirii OpenLedger, permițând urmărirea precisă de la răspunsul modelului la datele de antrenament fără a fi nevoie să accesați componentele interne ale modelului, păstrându-l rapid, transparent și reproductibil 👍 Semnificația practică a acestui mecanism: (interpretare personală, dacă există o problemă, bine ați venit să corectați) 1. Trasabilitate precisă, transparentă și fiabilă: Infini-gram acceptă urmărirea rezultatului modelului AI cuvânt cu cuvânt, spunându-vă din ce date de antrenament provine răspunsul Este ca și cum ai pune o "etichetă sursă" pe AI pentru a clarifica întregul proces. Utilizatorii pot ști ce a spus AI și de ce a spus dintr-o privire, cu transparență deplină și un sistem complet de trasabilitate 2. Recunoașterea corectă a contribuitorilor de date: Pentru contribuitorii care furnizează date, Infini-gram poate clarifica ce date ajută AI să genereze răspunsul, iar contribuitorii de date pot fi în sfârșit văzuți și recunoscuți Această abordare face ecosistemul AI mai echitabil și stimulează mai mulți oameni să partajeze date de înaltă calitate 3. Extensibil + eficient: cadrul Infini-gram bazat pe matrice de sufixe poate urmări sursa în timp real, indiferent cât de mare este cantitatea de date, iar eficiența este completă Mai mult, nu necesită calcule complexe de gradient și poate fi scalat la scenarii masive de seturi de date simplu și eficient 4. Faceți AI mai fiabilă și mai conformă: Infini-gram poate oferi o "carte de identitate verificabilă" cu un model AI, permițând conținutului de ieșire să determine cu precizie sursa Acest lucru nu numai că oferă utilizatorilor mai multă încredere în AI, dar îndeplinește și cerințele de reglementare și face AI mai conformă și mai etică 🤔 Cele de mai sus sunt gândirea și interpretarea mea personală: în prezent, unii oameni intenționează să ghideze AI să facă greșeli și să-i insufle unele informații și date greșite, iar această funcție a Little Octopus are un scenariu de aplicare practică excelent pentru a vă ajuta să urmăriți originea datelor de eroare și să corectați erorile AI Aștept cu nerăbdare să vedem cum funcționează această caracteristică în viitor