Чи може Mira Network вирішити проблему «галюцинацій» великих моделей ШІ?

Автор: Haotian

Усі добре знають, що найбільшим бар’єром для впровадження великих AI моделей у фінансові, медичні, юридичні та інші вертикальні сфери є проблема «галюцинацій», що виникає внаслідок неточності результатів AI, які не можуть відповідати вимогам точності в реальних застосунках. Як це вирішити? Нещодавно @Mira_Network запустила публічну тестову мережу й надала рішення, давайте я розповім, у чому справа:

По-перше, інструменти великих моделей ШІ мають випадки «ілюзій», які всі можуть відчути, причини цього в основному дві:

1. Данні для навчання AI LLMs не є достатньо повними, хоча обсяг даних дуже великий, проте все ще не може охопити інформацію з деяких нішевих або спеціалізованих областей, в таких випадках AI схильний до “творчого доповнення”, що призводить до деяких помилок в реальному часі;

2. AI LLMs в своїй основі залежать від «вибірки за ймовірністю», яка визначає статистичні моделі і кореляції в навчальних даних, а не справжнє «розуміння». Тому випадковість вибірки за ймовірністю, несумісність результатів навчання та висновків тощо можуть призводити до викривлень AI при обробці високоточних фактологічних питань;

Як вирішити цю проблему? На платформі ArXiv Корнельського університету була опублікована стаття, яка перевіряє метод підвищення надійності результатів LLMs за допомогою кількох моделей.

Просте розуміння полягає в тому, що спочатку основна модель генерує результат, а потім інтегрується кілька моделей перевірки для проведення «аналітичного голосування», що дозволяє зменшити «ілюзії», що виникають у моделі.

У серії тестів було виявлено, що цей метод може підвищити точність виходу AI до 95,6%.

У цьому випадку розподілена платформа верифікації, безумовно, потрібна для управління та перевірки процесу спільної взаємодії між майстер-моделлю та моделлю верифікації, і Mira Network — це така мережа проміжного програмного забезпечення, яка спеціалізується на побудові верифікації AI LLM, побудові надійного рівня верифікації між користувачами та базовою моделлю штучного інтелекту.

Завдяки наявності цієї мережі перевірки, можна реалізувати інтегровані послуги, включаючи захист конфіденційності, забезпечення точності, масштабований дизайн, стандартизовані API-інтерфейси тощо. Це також дозволяє розширити можливості впровадження AI в різних сегментах застосування, зменшуючи ілюзії, які генерують AI LLMs. Це є практичним прикладом того, як дистрибутивні мережі перевірки Crypto можуть бути використані в процесі реалізації AI LLMs.

Наприклад, Mira Network поділилася кількома кейсами у сфері фінансів, освіти та екології блокчейну, щоб підтвердити:

1. Gigabrain, після інтеграції з Mira на торговій платформі, система може додати ще один рівень перевірки точності ринкового аналізу та прогнозування, фільтруючи ненадійні рекомендації, що може підвищити точність AI торгових сигналів, роблячи використання AI LLMs у DeFai сценаріях більш надійним;

2. Learnrite використовує mira для перевірки стандартизованих екзаменаційних питань, згенерованих AI, дозволяючи освітнім установам масштабно використовувати контент, згенерований AI, не впливаючи на точність змісту освітніх тестів, щоб підтримувати суворі освітні стандарти;

3. Проект блокчейн Kernel використовує механізм консенсусу LLM Mira, інтегруючи його в екосистему BNB, створюючи децентралізовану мережу верифікації DVN, що забезпечує певний рівень точності та безпеки виконання AI обчислень на блокчейні.

Вище.

Насправді, Mira Network надає послуги консенсусної мережі проміжного програмного забезпечення, що, безумовно, не є єдиним способом покращити можливості застосування штучного інтелекту. Фактично, існують альтернативні шляхи, такі як посилення навчання на стороні даних, посилення через взаємодію з мультимодальними великими моделями, а також посилення приватних обчислень за допомогою потенційних криптографічних технологій, таких як ZKP, FHE, TEE тощо. Але в порівнянні, рішення Mira має перевагу в швидкому впровадженні на практиці та безпосередньому результаті.