Yapay zeka (AI) terimi, 2022'nin sonlarından bu yana ana akım söylemin bir parçası. Ancak, bu devrim niteliğindeki teknolojiyi çevreleyen tartışmalar ne zaman yüzeye çıksa, odak noktası öncelikle en son algoritmaların kullanımı ve bunları yönlendiren güçlü donanım gibi yönlere odaklanıyor gibi görünüyor. sistemler.
Bununla birlikte, genellikle gözden kaçan, aynı derecede önemli bir bileşen de bu yapay zeka modellerini besleyen veri kümeleridir. Geçtiğimiz yıl boyunca, bu karmaşık sistemlere beslenen bilginin nitelik ve niceliğinin yapay zeka sistemlerinin başarısı için çok önemli olduğu giderek daha açık hale geldi. Peki bu verileri kim topluyor ve bunların çeşitli, doğru ve etik kaynaklı olduğundan nasıl emin olabiliriz?
Geleneksel olarak yapay zeka veri toplama, uzmanların ve uzman ekiplerin alanı olmuştur. Bu yaklaşım, şüphesiz yüksek kaliteli veri kümeleri üretirken, özellikle bireysel önyargıların ortaya çıkması söz konusu olduğunda, yapay zeka eğitim sürecinde sıklıkla darboğazlara yol açmaktadır. Dolayısıyla mesele yalnızca yeterli veriye sahip olmakla ilgili değil; çok çeşitli bakış açılarını ve kullanım durumlarını temsil eden doğru verilere sahip olmakla ilgilidir.
Bu bağlamda, 'merkezi olmayan yapay zeka altyapıları' ile ilgili tartışmalar, özellikle yapay zeka veri toplamayı demokratikleştirmek ve bu alandaki inovasyonu hızlandırmak için meşru bir çözüm sundukları için son zamanlarda büyük ilgi görmeye başlıyor. Bu noktaya kadar, kullanıma hazır bir yapay zeka altyapı sağlayıcısı olan NeurochainAI, bireylerin çeşitli veri toplama ve doğrulama görevlerine katılmasına olanak tanıyan, "Yapay Zeka Madenciliği" adı verilen topluluk destekli bir modülden yararlanıyor ve destekçilerini etkili bir şekilde geniş, çeşitli verilere dönüştürüyor toplama ağı.
Kompleksi Basitleştirmek
Dışarıdan bakıldığında, merkezi olmayan yapay zeka veri toplama sistemlerinin dehası, karmaşık görevleri, uzmanlık bilgisi gerektirmeyen, yönetilebilir, küçük parçalara ayırma yeteneklerinde yatmaktadır. Çoğunlukla 'mikro çalışma' olarak adlandırılan bu yaklaşım, temel eğitime sahip hemen hemen herkesin yapay zeka gelişimine katkıda bulunmasına olanak tanır.
NeurochainAI'nin 'Veri Başlatma Paneli', yapay zeka geliştiricilerinin veya şirketlerin veri toplama veya doğrulama görevlerini göndererek başlamasını sağlayacak şekilde bu yaklaşımı somutlaştırıyor. Bu görevler daha sonra titizlikle herkesin izleyebileceği talimatlara bölünür. "Yapay Zeka Madencileri" olarak adlandırılan topluluk üyeleri, ilgilerini çeken görevleri seçebilir ve bunları kendi DePIN'leri (Merkezi Olmayan Fiziksel Altyapı Ağları) içindeki tüketici donanımlarını kullanarak tamamlayabilir; yani hesaplama görevlerini gerçekleştirmek için tüketici donanımından yararlanan yerelleştirilmiş dijital ekosistemler, böylece verileri dağıtabilirler. bir cihaz ağı genelinde iş yükü.
Toplanan veriler daha sonra diğer topluluk üyeleri tarafından doğrulanarak hem doğruluk hem de kalite sağlanır. Katkıda bulunanlar, hem yapay zeka geliştiricileri hem de topluluk için karşılıklı yarar sağlayan bir senaryoyu teşvik ederek çabaları için gerektiği gibi ödüllendirilir.
Ayrıca NeurochainAI'nin modeli, yapay zekanın en acil zorluklarından birini ele alıyor: muazzam enerji tüketimi. Geleneksel yapay zeka veri merkezleri büyük miktarlarda enerji tüketiyor ve bazı tahminler 2027 yılına kadar tüm Hollanda'nın tükettiği kadar elektrik tüketebileceklerini öne sürüyor.
Sadece bu değil, Uluslararası Enerji Ajansı tarafından yapılan bir araştırma, bu veri merkezlerinin güç kullanımlarının 2026 yılına kadar sırasıyla İsveç ve Almanya'nın enerji taleplerine eşdeğer olan 620 ila 1.050 TWh arasına çıkabileceğini tahmin ediyor. NeurochainAI'nin yaklaşımı bu hesaplama yükünü dağıtarak yapay zeka gelişiminin genel enerji ayak izini potansiyel olarak azaltır.
Yeni Sınırların Kilidini Açmak
Mevcut durumda, demokratikleştirilmiş yapay zeka veri toplamanın sonuçları oldukça geniş kapsamlı ve heyecan verici görünüyor. "Yalnızca uzmanlara yönelik veri toplama" uygulamalarıyla ilişkili bazı darboğazların ortadan kaldırılmasıyla, ilgili veri kümelerinin eksikliği nedeniyle tarihsel olarak yetersiz hizmet verilen alanlarda yapay zeka uygulamalarında bir patlamaya tanık olmamız mümkün.
Örneğin, nadir dillerdeki yüksek kaliteli bilgileri anlayabilen ve üretebilen yapay zeka modelleri hayal edilebilir (dünya çapında ana dili konuşanlar tarafından toplanan veriler sayesinde). Benzer şekilde, nadir hastalıkların semptomlarını tanıyabilen, dünya çapında hastaların ve sağlık çalışanlarının sağladığı verilerle eğitilen yeni tıbbi AI kullanım durumları da ortaya çıkabilir. Olasılıklar kelimenin tam anlamıyla sonsuzdur!
Son fakat bir o kadar da önemlisi, bu demokratikleştirilmiş yaklaşım daha etik ve şeffaf yapay zeka gelişimine yol açabilir. Veri toplama bir topluluk çabası olduğunda, süreçte doğası gereği daha fazla gözetim ve çeşitlilik söz konusudur.
Bu nedenle yapay zeka odaklı bir geleceğe baktığımızda, NeurochainAI gibi platformlar yalnızca yapay zeka veri eğitimi için bilgi toplama şeklimizi değiştirmiyor; bu alanı çevreleyen manzarayı tamamen yeniden şekillendiriyorlar.
