روما + OML

تعتبر ROMA و OML من أكثر تقنيات @SentientAGI تطوراً والتي تمكّن Chat Sentient من الوصول إلى - وحتى تجاوز - مستوى الذكاء الاصطناعي المغلق للشركات مثل ChatGPT.

كيف؟
لفهم ذلك، نحتاج إلى النظر في المشاكل الرئيسية للذكاء الاصطناعي مفتوح المصدر وكيف تحل ROMA و OML هذه المشاكل.

مشاكل
كما نعلم، تواجه الذكاء الاصطناعي مفتوح المصدر تحديات كبيرة مثل تحقيق الربح، وسرقة النماذج، والاستخدام المقرصن، وانخفاض الكفاءة/الوظائف (1 نموذج = 1 وظيفة).

حل
تتصل مجموعة متنوعة من الوكلاء المتخصصين والنماذج ومجموعات البيانات والأدوات بنظام GRID البيئي، الذي يمكن الوصول إليه من خلال دردشة Sentient.

روما
عند استخدامك لـ Sentient Chat، يمكن معالجة طلبك ليس بواسطة نموذج ذكاء اصطناعي واحد ولكن بواسطة عدة نماذج - أحيانًا حتى عشرات النماذج - التي يمكن أن تعمل بشكل متسلسل أو، عند الإمكان، بالتوازي.

هذا يحل مشكلة انخفاض الوظائف والكفاءة.

OML
→ القرصنة
تحل OML مشكلة الاستخدام غير القانوني لنماذج الذكاء الاصطناعي المفتوح من خلال التحكم التشفيري. يتضمن كل نموذج آليات تفويض مدمجة - قبل التنفيذ، يتحقق النظام من توقيع رقمي يؤكد أن المستخدم لديه إذن لاستخدام النموذج. دون هذا التفويض، لن يستجيب النموذج ببساطة.

→ سرقة
يصبح سرقة نموذج ذكاء اصطناعي آخر أمرًا مستحيلًا لأن OML يدمج بصمات متعددة ( أزواج مفتاح-استجابة ) مباشرة في كل نموذج ذكاء اصطناعي. هذا يسمح لأي شخص بالتحقق من الملكية من خلال اختبار تحدٍ-استجابة خاص. حتى الآن، نجحت Sentient في دمج ما يقرب من 25,000 بصمة في نموذج LLM دون أي فقدان في الأداء - ما يكفي لضمان بقاء النموذج بعد عملية الضبط الدقيق، والضغط، والدمج، مما يجعل السرقة عمليًا مستحيلة.

→ تحقيق الدخل
تسجل OML تقريبًا جميع التفاعلات التي تحدث داخل دردشة Sentient - أي مستخدم، وأي نماذج تم استخدامها، ومتى تم استخدامها، وعدد الطلبات التي تم تقديمها. يتم تخزين جميع هذه البيانات خارج السلسلة، بينما يتم كتابة سجلات الاستخدام الرئيسية في دفتر أستاذ على السلسلة.
هذا يضمن أن كل مساهم يتلقى مكافأة عادلة، ويمكن لأي شخص التحقق من هذه العدالة من خلال فحص السجل العام على البلوكشين.

تساهم عوامل أخرى أيضًا في تحقيق الدخل من وكلاء الذكاء الاصطناعي - يمكنك قراءة المزيد عنها هنا