Чи може Mira Network вирішити проблему "ілюзій" великих моделей ШІ?

Mira Network є мережею проміжного програмного забезпечення, що спеціалізується на верифікації AI LLMs, яка створює надійний шар верифікації між користувачами та базовими AI моделями.

Автор: Haotian

Усі розуміють, що найбільшим бар’єром для впровадження великих AI-моделей у вертикальні галузі, такі як фінанси, медицина та право, є проблема «ілюзії» результатів, які не відповідають вимогам точності в реальних застосуваннях. Як це вирішити? Нещодавно @Mira_Network запустила публічну тестову мережу, запропонувавши рішення, я поясню, про що йдеться:

По-перше, в інструментах великих моделей ШІ існує ситуація «ілюзії», яку всі можуть відчути, причини цього в основному дві:

1. Данні для навчання AI LLMs не є достатньо повними, хоча обсяг даних вже дуже великий, проте все ще не можуть охопити інформацію з деяких нішевих або професійних сфер, в таких випадках AI схильний до «креативного доповнення», що, в свою чергу, призводить до деяких помилок у реальному часі;

2. AI LLMs в своїй суті покладаються на «ймовірнісну вибірку», яка полягає у розпізнаванні статистичних патернів і кореляцій у навчальних даних, а не у справжньому «розумінні». Тому випадковість ймовірнісної вибірки, невідповідність результатів навчання та висновків тощо можуть призвести до спотворення AI при обробці високоточних фактологічних запитів;

Як вирішити цю проблему? На платформі ArXiv Корнельського університету була опублікована стаття, в якій описується метод підвищення надійності результатів LLMs за допомогою спільної верифікації кількох моделей.

Просте розуміння полягає в тому, що спочатку основна модель генерує результати, а потім інтегруються кілька моделей перевірки для проведення “аналізу голосування більшості” стосовно цієї проблеми, що дозволяє знизити ймовірність виникнення “ілюзій” моделі.

У серії тестів було виявлено, що цей метод може підвищити точність виходу AI до 95,6%.

Оскільки так, безумовно, потрібна розподілена платформа для перевірки, щоб керувати та перевіряти процеси співпраці між основною моделлю та моделлю перевірки, Mira Network є такою проміжною мережею, яка спеціально створена для перевірки AI LLMs, вона побудувала надійний рівень перевірки між користувачем та базовою AI моделлю.

Завдяки існуванню цієї мережі рівня верифікації можуть бути реалізовані послуги інтеграції, включаючи захист конфіденційності, забезпечення точності, масштабований дизайн, стандартизовані інтерфейси API та інші інтегровані послуги, а також можливість посадки ШІ в різних підрозділених прикладних сценаріях може бути розширена за рахунок зменшення вихідної ілюзії AI LLM, що також є практикою при реалізації проектів AI LLM розподіленою мережею верифікації Crypto.

Наприклад, Mira Network поділилася кількома прикладами у фінансовій, освітній та блокчейн-екосистемі, які можуть це підтвердити:

1. Gigabrain Після інтеграції з Mira, система може додати додатковий рівень перевірки точності ринкового аналізу та прогнозів, відфільтрувати ненадійні рекомендації, що може підвищити точність AI торгових сигналів, роблячи AI LLMs у сценах DeFai більш надійними.

2）Learnrite використовує mira для перевірки стандартизованих іспитових завдань, створених ШІ, що дозволяє освітнім установам в масовому масштабі використовувати контент, створений ШІ, не впливаючи на точність змісту освітніх тестів, щоб підтримувати суворі освітні стандарти;

3）Проект блокчейн Kernel використовує механізм консенсусу LLM від Mira, інтегруючи його в екосистему BNB, створюючи децентралізовану мережу верифікації DVN, що забезпечує певний рівень точності та безпеки виконання AI обчислень на блокчейні.

Вище.

Насправді, Mira Network надає послуги мережі консенсусу посередників, це, звісно, не єдиний шлях для посилення можливостей AI. Насправді, посилення через навчання на даних, посилення через взаємодію мультимодальних великих моделей, а також посилення приватних обчислень за допомогою потенційних криптографічних технологій, таких як ZKP, FHE, TEE тощо, є також варіантами. Але в порівнянні, рішення Mira цінне тим, що швидко реалізується на практиці і дає безпосередній ефект.