Little Octopus @OpenledgerHQ оновив важливе пояснення механізму підтвердження атрибуції, яке, як завжди, охоплює деякі технічні аспекти Я не розбираюся в техніці, тому можу лише спробувати викласти своє розуміння і практичну значимість цього механізму доказу атрибуції в легкій для розуміння формі Запрошуються вчителі, які розбираються в технологіях 🙋 Проблема з традицією: традиційні мовні моделі використовують n-граму (послідовність слів фіксованої довжини) для передбачення наступного слова, яка є швидкою, але не має контексту для відстеження джерела прогнозу або того, хто вніс свій вклад у дані 📖Пояснення механізму Infini-gram: Механізм Proof of Attribution (PoA) OpenLedger від OpenLedger використовує Infini-граму замість традиційної n-грами, тому Infini-gram порушує обмеження n-gram Це механізм зіставлення символьного прольоту, заснований на фреймворку атрибуції ∞-грам (нескінченна довжина) на основі масивів суфіксів, який здатний індексувати послідовності будь-якої довжини в навчальних даних і підтримувати відстеження кожного токена у виводі моделі в режимі реального часу для точного визначення його джерела. Infini-gram підтримує систему підтвердження атрибуції OpenLedger, що дозволяє точно відстежувати дані від реакції моделі до тренувальних даних без необхідності доступу до внутрішніх компонентів моделі, зберігаючи її швидкою, прозорою та відтворюваною 👍 Практична значимість цього механізму: (особисте тлумачення, якщо є проблема, ласкаво просимо виправити) 1. Точна простежуваність, прозора та надійна: Infini-gram підтримує відстеження вихідного сигналу моделі штучного інтелекту слово за словом, повідомляючи вам, з яких тренувальних даних надходить відповідь Це все одно, що нанести «тег джерела» на штучний інтелект, щоб зробити весь процес зрозумілим. Користувачі можуть знати, що сказав і чому штучний інтелект сказав з першого погляду, з повною прозорістю та повною системою відстеження 2. Справедливе визнання вкладників даних: Для учасників, які надають дані, Infini-gram може уточнити, які дані допомагають штучному інтелекту згенерувати відповідь, і внески даних нарешті можуть бути помічені та визнані Такий підхід робить екосистему штучного інтелекту більш справедливою та стимулює більше людей ділитися високоякісними даними 3. Розширюваний + ефективний: фреймворк Infini-gram на основі суфіксних масивів може відстежувати джерело в режимі реального часу, незалежно від того, наскільки великий обсяг даних, і ефективність повна Крім того, він не вимагає складних градієнтних розрахунків і може бути масштабований до масштабних сценаріїв набору даних просто та ефективно 4. Зробіть штучний інтелект більш надійним і відповідним: Infini-gram може надати «перевірену ID-картку» з моделлю штучного інтелекту, що дозволяє вихідному контенту точно визначати джерело Це не тільки дає користувачам більше довіри до штучного інтелекту, але й відповідає нормативним вимогам і робить штучний інтелект більш відповідним і етичним 🤔 Вищесказане є моїм особистим мисленням та інтерпретацією: наразі деякі люди мають намір керувати штучним інтелектом для помилок і вселяти в нього неправильну інформацію та дані, і ця функція Little Octopus має чудовий практичний сценарій застосування, щоб допомогти вам простежити походження даних про помилки та виправити помилки ШІ З нетерпінням чекаємо, щоб побачити, як ця функція працюватиме в майбутньому