Istilah kecerdasan buatan (AI) telah menjadi bagian dari bahasa umum sejak akhir tahun 2022. Namun, setiap kali diskusi seputar teknologi revolusioner ini muncul, fokusnya tampaknya terutama berpusat pada aspek-aspek seperti penggunaan algoritma mutakhir dan perangkat keras canggih yang mendorong hal ini. sistem.
Namun, komponen yang sama pentingnya dan sering luput dari perhatian adalah kumpulan data yang mendukung model AI ini. Selama setahun terakhir, semakin jelas bahwa kualitas dan kuantitas informasi yang disalurkan ke sistem kompleks ini sangat penting bagi keberhasilan sistem AI. Namun siapa yang mengumpulkan data ini, dan bagaimana kita dapat memastikan data tersebut beragam, akurat, dan bersumber secara etis?
Secara tradisional, pengumpulan data AI telah menjadi domain para ahli dan tim khusus. Pendekatan ini, meskipun tidak diragukan lagi menghasilkan kumpulan data berkualitas tinggi, sering kali menimbulkan hambatan dalam proses pelatihan AI, terutama ketika menyangkut pengenalan bias individu. Oleh karena itu, ini bukan hanya tentang memiliki cukup data; ini tentang memiliki data yang tepat yang mewakili berbagai perspektif dan kasus penggunaan.
Dalam konteks ini, diskusi mengenai ‘infrastruktur AI yang terdesentralisasi’ mulai mendapatkan banyak perhatian akhir-akhir ini, terutama karena diskusi tersebut menawarkan solusi sah untuk mendemokratisasi pengumpulan data AI dan mempercepat inovasi di lapangan. Hingga saat ini, NeurochainAI, penyedia infrastruktur AI yang siap digunakan, memanfaatkan modul berbasis komunitas yang disebut “AI Mining,” yang memungkinkan individu untuk berpartisipasi dalam berbagai tugas pengumpulan dan validasi data — secara efektif mengubah pendukungnya menjadi data yang luas dan beragam. jaringan koleksi.
Menyederhanakan Kompleks
Dari luar, kejeniusan sistem pengumpulan data AI yang terdesentralisasi terletak pada kemampuannya untuk memecah tugas-tugas kompleks menjadi bagian-bagian yang mudah dikelola dan tidak memerlukan pengetahuan khusus. Pendekatan ini, yang sering disebut sebagai ‘pekerjaan mikro’, memungkinkan siapa saja yang memiliki pelatihan dasar untuk berkontribusi pada pengembangan AI.
'Data Launchpad' NeurochainAI mewujudkan pendekatan ini sehingga pengembang atau perusahaan AI memulai dengan mengirimkan tugas pengumpulan atau validasi data. Tugas-tugas ini kemudian dengan cermat dipecah menjadi instruksi yang dapat diikuti oleh siapa pun. Anggota komunitas, yang disebut sebagai “Penambang AI,” dapat memilih tugas yang mereka minati dan menyelesaikannya menggunakan perangkat keras konsumen dalam DePIN (Jaringan Infrastruktur Fisik Terdesentralisasi) masing-masing — yaitu ekosistem digital lokal yang memanfaatkan perangkat keras konsumen untuk melakukan tugas komputasi, sehingga mendistribusikan beban kerja di seluruh jaringan perangkat.
Data yang dikumpulkan selanjutnya divalidasi oleh anggota masyarakat lainnya, untuk memastikan keakuratan dan kualitasnya. Kontributor diberi penghargaan yang pantas atas upaya mereka, sehingga mendorong skenario yang saling menguntungkan bagi pengembang AI dan komunitas.
Selain itu, model NeurochainAI mengatasi salah satu tantangan AI yang paling mendesak: konsumsi energi yang sangat besar. Pusat data AI tradisional mengonsumsi daya dalam jumlah besar, dengan beberapa perkiraan menunjukkan bahwa pada tahun 2027, pusat data tersebut dapat mengonsumsi listrik sebanyak yang dikonsumsi seluruh Belanda.
Tidak hanya itu, studi yang dilakukan oleh Badan Energi Internasional memperkirakan bahwa pusat data ini akan mengalami peningkatan penggunaan daya antara 620 dan 1.050 TWh pada tahun 2026 — setara dengan kebutuhan energi di Swedia dan Jerman. Pendekatan NeurochainAI mendistribusikan beban komputasi ini, sehingga berpotensi mengurangi jejak energi keseluruhan dari pengembangan AI.
Membuka Perbatasan Baru
Saat ini, implikasi pengumpulan data AI yang demokratis tampaknya memiliki jangkauan yang luas dan menarik. Dengan menghilangkan beberapa hambatan yang terkait dengan praktik “pengumpulan data khusus ahli”, kita mungkin bisa menyaksikan ledakan penerapan AI di berbagai bidang yang secara historis kurang terlayani karena kurangnya kumpulan data yang relevan.
Misalnya, kita dapat membayangkan model AI yang dapat memahami dan menghasilkan informasi berkualitas tinggi dalam bahasa yang jarang digunakan (berkat data yang dikumpulkan oleh penutur asli di seluruh dunia). Demikian pula, kasus penggunaan AI medis baru juga dapat muncul, seperti kasus yang dapat mengenali gejala penyakit langka, yang dilatih berdasarkan data yang disumbangkan oleh pasien dan petugas layanan kesehatan secara global. Kemungkinannya tidak terbatas!
Yang terakhir, pendekatan demokratisasi ini dapat mengarah pada pengembangan AI yang lebih etis dan transparan. Ketika pengumpulan data merupakan upaya komunitas, maka terdapat lebih banyak pengawasan dan keberagaman dalam prosesnya.
Oleh karena itu, seiring kita memandang masa depan yang didorong oleh AI, platform seperti NeurochainAI tidak hanya mengubah cara kita mengumpulkan informasi untuk pelatihan data AI; mereka membentuk kembali lanskap di sekitar domain ini.
