金融、医療、法律などの垂直的なアプリケーション分野で大規模なAIモデルを実装する際の最大の障壁は、実際のユースケースでの精度の要件を満たさない結果の「錯覚」の問題であることは誰の目にも明らかです。それを解決する方法は?@Mira_Network最近、一連のソリューションを提供するパブリックテストネットを立ち上げたので、何が起こっているのかを詳しく説明します。

まず第一に、大規模AIモデルのツールには、誰もが感じることができる「幻想」のケースがあり、その主な原因は二つあります：
AI LLMの学習データは十分に完全ではありませんが、データの量は非常に大きいです。それでも、一部のニッチな情報や専門的な情報をカバーすることができず、その場合、AIは「創造的な補完」に陥り、結果としてリアルタイムでいくつかのエラーが発生することになります。
AI LLMsは本質的に「確率的サンプリング」に依存しており、これはトレーニングデータ内の統計的パターンや相関関係を特定することに関係しており、実際の「理解」ではありません。したがって、確率的選択のランダム性、トレーニング結果の不一致、そして推論は、AIが高精度の事実に関する質問を処理する際にエラーを引き起こす可能性があります;
この問題をどう解決しますか？コーネル大学のArXivプラットフォームに、LLMsの結果の信頼性を高めるための複数のモデルによる共同検証の手法を説明した論文が公開されました。
簡単な理解は、まず基本モデルに結果を生成させ、その後、いくつかの検証モデルを統合して「多数決分析」を行い、モデルで発生する「幻想」を減らすことにあります。
一連のテストで、この方法がAIの出力精度を95.6%に向上させる可能性があることが明らかになりました。
したがって、検証を管理し、基本モデルと検証モデル間の協力プロセスを確認するために、分散プラットフォームが必要です。Mira Networkは、ユーザーと基本的なAIモデル間に信頼できる検証レベルを構築するために特別に設計されたAI LLMの検証用の中間ネットワークです。
この検証レベルのネットワークが存在することにより、プライバシー保護、精度保証、拡張可能な設計、標準化されたAPIインターフェースなどの統合サービスが実現できます。また、さまざまな分野のアプリケーションシナリオにおいてAIを導入する可能性は、AI LLMの出力の幻想を減少させることにより拡張され、これはCryptoの分散型検証ネットワークでのAI LLMプロジェクト実施の過程でも実践されています。
例えば、Mira Networkは、ブロックチェーンの金融、教育、環境分野におけるいくつかのケースを共有して、確認しました:
Miraがギガブレイン取引プラットフォームに統合されると、システムは信頼性の低いオファーをフィルタリングすることで、市場分析と予測の精度の検証の別のレイヤーを追加することができ、AI取引シグナルの精度を向上させ、DeFiシナリオでのAI LLMの適用をより信頼性の高いものにすることができます。
Learnriteは、標準化されたテストの質問を生成するためにmiraを使用し、教育機関が厳格な教育基準を支えるための教育テストの内容の正確性を損なうことなく、人工知能によって生成されたコンテンツを大規模に使用できるようにします。
ブロックチェーンプロジェクトKernelは、MiraのLLMコンセンサスメカニズムを使用しており、BNBエコシステムに統合し、AI計算の実行における特定の精度とセキュリティレベルを確保するDVN検証ネットワークを作成しています。