原作者：ハオティエン（X：@tmel0211）
最近、NEAR 創設者 @ilblackdragon が NVIDIA AI Conference に出演するというニュースが NEAR パブリック チェーンで大きな注目を集めており、市場価格の動向も喜ばしいものとなっています。多くの友人は、NEAR チェーン All はチェーンの抽象化を行っているのではないか? なぜ不可解にも AI ヘッドのパブリック チェーンになってしまったのかと疑問に思っています。次に、私の観察を共有し、AI モデルのトレーニングに関する知識を広めていきます。
1) NEAR 創設者 Illia Polosukhin は、AI に関する長年の経歴を持ち、Transformer アーキテクチャの共同構築者です。 Transformer アーキテクチャは、今日の LLM の大規模言語モデル トレーニング用の ChatGPT の基本アーキテクチャです。これは、NEAR のボスが NEAR を設立する前に AI 大規模モデル システムを作成および主導した経験があったことを証明するのに十分です。
2) NRAR は、人工知能モデルのトレーニングと改善を目的として、NEAR Tasks を NEARCON 2023 で開始しました. 簡単に言うと、モデルトレーニングの需要者 (ベンダー) はプラットフォーム上でタスクのリクエストを発行し、基礎的なデータ素材をアップロードすることができます. ユーザー (タスクカー) は参加できますタスクに応答し、データのテキスト注釈や画像認識などの手動操作を実行します。タスクが完了すると、プラットフォームはユーザーに NEAR トークンを付与し、これらの手動でラベル付けされたデータは、対応する AI モデルのトレーニングに使用されます。
例: AI モデルは、写真内のオブジェクトを識別する能力を向上させる必要があります。ベンダーは、写真内のさまざまなオブジェクトを含む多数の元の写真をタスク プラットフォームにアップロードし、ユーザーはタスク プラットフォーム上のオブジェクトの位置を手動でマークできます。写真を使用して多数の「写真とオブジェクトの位置」データを生成すると、AI はこれらのデータを使用して独自に学習し、画像認識能力を向上させることができます。
一見すると、NEAR Tasks は単に人工工学を社会化して AI モデルに基本的なサービスを提供したいだけではありませんが、それは本当に重要なのでしょうか?ここでは、AI モデルに関する一般的な科学知識を少し紹介します。
通常、完全な AI モデルのトレーニングには、データ収集、データの前処理と注釈、モデルの設計とトレーニング、モデルの調整、微調整、モデルの検証テスト、モデルのデプロイ、モデルの監視と更新などが含まれます。その中には、データの注釈と前処理が含まれます。手動の部分であり、モデルのトレーニングと最適化は機械の部分です。
明らかに、ほとんどの人は、機械部分が手動部分よりも大幅に大きいことを理解しているため、よりハイテクであるように見えますが、実際の状況では、手動による注釈はモデルのトレーニング全体において非常に重要です。
手動注釈は、コンピューターの画像内のオブジェクト (人、場所、物) にラベルを追加して、視覚的モデルの学習を向上させることができます。また、手動注釈は、音声コンテンツをテキストに変換し、特定の音節、単語フレーズなどをマークして、コンピューターの音声認識モデルを支援することもできます。トレーニング; 手動注釈により、幸福、悲しみ、怒りなどのいくつかの感情タグをテキストに追加することもでき、人工知能が感情分析スキルなどを強化できるようになります。
手動のアノテーションが機械ベースのディープ ラーニング モデルの基礎であることを理解するのは難しくありません。高品質のアノテーション付きデータがなければ、モデルは効率的に学習できません。アノテーション付きデータの量が十分に大きくないと、モデルのパフォーマンスも低下します。限定。
現在、低侵襲 AI の分野では、二次的な微調整や特別なトレーニングのための ChatGPT 大規模モデルに基づく多くの垂直方向の方向性があり、基本的に OpenAI のデータに基づいて、追加の新しいデータ ソース、特に手動でラベル付けされたデータは、モデルのトレーニングを実行するために追加されます。
たとえば、医療企業が医用画像 AI に基づいたモデルのトレーニングを行い、病院向けに一連のオンライン AI 相談サービスを提供したい場合、大量のオリジナルの医用画像データをタスク プラットフォームにアップロードするだけで済みます。データに手動で注釈を付け、このデータを使用して ChatGPT 大規模モデルを微調整および最適化すると、この汎用 AI ツールが垂直分野のエキスパートに変わります。
しかし、NEAR がタスク プラットフォームに依存するだけで AI パブリック チェーンのリーダーになるのは明らかに十分ではなく、NEAR は実際にエコシステム内でユーザーのすべてのオンチェーン動作と操作を自動的に実行する AI エージェント サービスも提供しています. ユーザーは承認だけで自由に利用でき、市場で資産を売買できます。これはインテント中心に似ており、AI 自動実行を使用してユーザーのオンチェーン インタラクション エクスペリエンスを向上させます。さらに、NEAR の強力な DA 機能により、AI データ ソースのトレーサビリティに役割を果たし、AI モデルのトレーニング データの有効性と信頼性を追跡できます。
つまり、高性能のチェーン機能に裏付けられた NEAR の技術拡張と AI の方向へのナラティブ ガイダンスは、純粋なチェーン抽象化よりもはるかに強力であるようです。
半月前に NRAR チェーン抽象化を分析していたとき、NEAR チェーンのパフォーマンスとチームのスーパー Web2 リソース統合機能の利点を知りましたが、チェーン抽象化がまだこの波の恩恵を受けるほど普及していなかったとは予想していませんでした。 AIの恩恵でまた想像力が広がります。
注: 長期的な注目は依然として NEAR のレイアウトと「チェーン抽象化」における製品の進歩にかかっています。AI は優れたボーナスであり、強気市場の促進剤となるでしょう。
