Почему на конференции NVIDIA NEAR необъяснимым образом стала ведущей публичной сетью в сфере искусственного интеллекта? Недавно новость о том, что основатель NEAR @ilblackdragon появится на конференции NVIDIA AI, привлекла большое внимание в публичной сети NEAR, и динамика рыночных цен также радует. Многие друзья задаются вопросом, не занимается ли цепочка NEAR абстракцией цепочки? Почему она необъяснимым образом стала публичной цепочкой с искусственным интеллектом? Далее я поделюсь своими наблюдениями и популяризирую некоторые знания по обучению моделям ИИ: 1) Основатель NEAR Илья Полосухин имеет многолетний опыт работы в области ИИ и является соавтором архитектуры Transformer. Архитектура Transformer — это базовая архитектура ChatGPT для обучения LLM по большим языковым моделям сегодня, чего достаточно, чтобы доказать, что руководитель NEAR действительно имел опыт создания и управления системами больших моделей искусственного интеллекта до создания NEAR. 2) NRAR запустил NEAR Tasks на NEARCON 2023. Целью является обучение и улучшение моделей искусственного интеллекта. Проще говоря, заказчик обучения модели (поставщик) может отправлять запросы на задачи на платформу и загружать базовые материалы данных. участвовать в ответах на задачи и выполнять ручные операции, такие как текстовые аннотации и распознавание изображений для данных. После выполнения задачи платформа вознаградит пользователя токенами NEAR, и эти помеченные вручную данные будут использоваться для обучения соответствующей модели ИИ. Например, модели ИИ необходимо улучшить способность идентифицировать объекты на картинках. Вендор может загружать на платформу Tasks большое количество оригинальных изображений с разными объектами на картинках, а затем пользователи вручную отмечают положения объектов на платформе Tasks. изображений для создания большого количества «позиций изображения-объекта». «Данные, ИИ может использовать эти данные для самостоятельного обучения и улучшения возможностей распознавания изображений. На первый взгляд, NEAR Tasks просто хочет социализировать искусственную инженерию для предоставления базовых услуг для моделей ИИ. Неужели это так важно? Добавьте сюда некоторые научно-популярные знания о моделях ИИ. Обычно полное обучение модели ИИ включает сбор данных, предварительную обработку и аннотирование данных, проектирование и обучение модели, настройку модели, тонкую настройку, проверочное тестирование модели, развертывание модели, мониторинг и обновление модели и т. д., среди которых аннотация и предварительная обработка данных ручная часть, а обучение и оптимизация модели — машинная часть. Очевидно, большинство людей понимают, что машинная часть значительно больше ручной. Ведь она кажется более высокотехнологичной, но в реальных обстоятельствах ручное аннотирование имеет решающее значение во всем обучении модели.Ручная аннотация может добавлять метки к объектам (людям, местам, вещам) на изображениях для компьютеров, чтобы улучшить обучение визуальной модели; ручная аннотация также может преобразовывать речевой контент в текст и отмечать определенные слоги, словосочетания и т. д., чтобы помочь компьютерам в обучении модели распознавания речи. ; ручная аннотация также может добавлять к тексту некоторые эмоциональные теги, такие как счастье, печаль, гнев и т. д., что позволяет искусственному интеллекту улучшить навыки эмоционального анализа и т. д. Нетрудно видеть, что ручное аннотирование является основой для машинной разработки моделей глубокого обучения. Без высококачественных аннотированных данных модель не может эффективно обучаться. Если объем аннотированных данных недостаточно велик, производительность модели также будет низкой. ограничено. В настоящее время существует множество минимально инвазивных методов на основе искусственного интеллекта, основанных на Вертикальное направление вторичной тонкой настройки или специального обучения большой модели ChatGPT по существу основано на данных OpenAI и дополнительных новых источниках данных, особенно данных, помеченных вручную. , добавляются для обучения модели. Например, если медицинская компания хочет провести обучение модели на основе искусственного интеллекта медицинских изображений и предоставить больницам набор онлайн-консультационных услуг по искусственному интеллекту, ей нужно всего лишь загрузить большой объем исходных данных медицинских изображений на платформу Task, а затем позволить пользователи отмечают и выполняют задачу. Аннотирование данных вручную, а затем точная настройка и оптимизация большой модели ChatGPT с использованием этих данных превратит этот общий инструмент искусственного интеллекта в эксперта в вертикальной области. Однако NEAR явно недостаточно стать лидером публичной цепочки AI, просто полагаясь на платформу Tasks. NEAR фактически также предоставляет услуги AI Agent в экосистеме для автоматического выполнения всех действий пользователей и операций в цепочке. Пользователям нужно только разрешить им свободно покупать и продавать активы на рынке. Это чем-то похоже на Intent-centric, который использует автоматическое выполнение AI для улучшения взаимодействия с пользователем в цепочке. Кроме того, мощные возможности DA NEAR позволяют ему играть роль в отслеживании источников данных ИИ и отслеживать достоверность и подлинность данных обучения модели ИИ. Короче говоря, при поддержке высокопроизводительных цепных функций техническое расширение и повествовательное руководство NEAR в направлении ИИ кажутся гораздо более мощными, чем чистая цепная абстракция. $NEAR