Nimble Network, plaši pazīstamais AI protokols, ir paziņojis par ekskluzīvu integrāciju, lai piedāvātu visaptverošu decentralizāciju. Uzņēmums savā X kontā paziņoja, ka Greenfield (BNB ķēdes datu uzglabāšanas mehānisms) integrēsies ar Nimble Network, lai palielinātu AI steka decentralizāciju.
Mūsu jaunākā integrācija ar @BNBCHAIN's Greenfield mūs ir soli tuvāk pilnīgai AI steka decentralizācijai. Nimble izmantos BNB Greenfield datu glabāšanas sistēmu, lai saglabātu mūsu protokolā izmantotos modeļus, novēršot vēl vienu centralizācijas punktu tradicionālajā AI.… pic.twitter.com /E7bV3Q0HYS
— Nimble Network (@Nimble_Network) 2024. gada 12. aprīlis
Nimble Network paziņo par integrāciju ar BNB ķēdes Greenfield, lai palielinātu decentralizāciju
Šis centiens būs diezgan izdevīgs platformas patērētājiem, jo tas uzlabo decentralizāciju. Turklāt attiecīgajā integrācijā tiks izmantots BNB ķēdes datu glabāšanas mehānisms uz akciju modeļiem, kas tiek izmantoti saskaņā ar Nimble protokolu. Tā rezultātā attiecīgā kustība novērš vienu papildu centralizācijas punktu parastajā mākslīgajā intelektā (AI).
Greenfield saviem patērētājiem piedāvā decentralizētu piekļuvi datiem un to pārvaldību. Tas potenciāli paver ceļu sabiedrības uzticībai projektam. Pēc tam projekts var ievērojami palielināt tā pieņemšanu kopienas locekļu vidū. Turklāt integrācija arī ļauj droši uzglabāt gan apmācības datus, gan modeļus decentralizētajā forumā.
Integrācija nodrošina decentralizētu piekļuvi datiem, pārvaldību un glabāšanu
Attiecīgā drošā krātuve palielina arī patērētāju uzticību, piesaistot viņus ar savu iekļaušanu. Kā norāda uzņēmums, tas piešķir šai pieejai prioritāti kā priekšnoteikumu datu tirgiem un datu izcelsmei. Šīs ir dažas no ievērojamākajām lietām, kuru dēļ Nimble Network ir saglabājis savu pozīciju.
Turklāt jaunākā partnerība ar slaveno BNB ķēdi, iespējams, veicinās tās statusa paaugstināšanu tirgū. Saskaņā ar uzņēmuma teikto, Nimble izveido un izmanto datu kopas, lai veiktu modeļu apmācību. Saskaņā ar to Greenfield ļaus tai taisnīgi atlīdzināt datu sniedzējiem. Turklāt tas labāk piedēvē modeļa prognozes to reālajiem datu sniedzējiem.