Da AI og blockchain konvergerer, står et projekt på tværs af denne revolution: OpenLedger.Med løfter om at decentralisere modeluddannelse, belønning dataattribution og power agent økonomier, OpenLedger skubber ind i en ny æra af gennemsigtig og fællesskabsejet AI.
I dette interview satte vi os sammen med kerne bidragsyder Kamesh for at forstå de principper, innovationer og køreplaner, der understøtter OpenLedgers unikke afhandling.
Ishan Pandey:Hej Kamesh, det er en fornøjelse at byde dig velkommen til vores “Behind the Startup” serie. kunne du starte med at fortælle os om dig selv og hvordan du blev involveret med OpenLedger?
Kamesh:Hej Ishan, jeg er en kerne bidragyder hos OpenLedger. Før OpenLedger arbejdede jeg på et AI/ML-forsknings- og udviklingsfirma, hvor jeg arbejdede med virksomhedskunder som Walmart, Cadbury og mere. Der var få hovedproblemer, som vi bemærkede i AI-segmentet, som er de sorte boksemodeller og mangel på gennemsigtighed, og at der ikke var nogen måde at vide, hvilke data der førte til en bestemt konklusion.
Ishan Pandey:Kan du gå os gennem kløften i den nuværende infrastruktur, som OpenLedger forsøger at løse, og hvorfor dette øjeblik i tiden er kritisk?
Kamesh:Som tidligere nævnt har centraliserede virksomheder trænet deres AI-modeller på brugerdata uden tilladelser og har tjent milliarder af dollars uden at betale nogen retfærdigt. På OpenLedger efterlader hvert træningstrin, datakilde og modelopgradering et spor, som alle kan inspicere. Dette er vigtigt lige nu, fordi folk beder AI om økonomisk rådgivning, sundhedsforslag og endda valgdækning. Mens de beskæftiger sig med sådanne følsomme emner, er det vigtigt at sikre, at modellen bruger nøjagtige data og ikke hallucinerer.
Ishan Pandey:En af de mere ambitiøse ideer bag OpenLedger er at skabe attribution-baserede belønninger for data og modelbidrag.
Kamesh:Tænk på en delt historie på kæden, der registrerer hvert datasæt og model tweak sammen med tegnebogen, der indsendte det. Hver gang netværket træner en ny version eller svarer på en brugerforespørgsel, ser det tilbage gennem den historie for at se, hvilke bidrag der var involveret. Hver gang dit indlæg vises, modtager du automatisk en del af gebyret knyttet til den handling. Disse oplysninger er offentlige, så alle kan åbne udforskeren og spore nøjagtigt, hvordan deres arbejde er blevet brugt og hvad det har tjent.
Ishan Pandey:Fra et teknisk perspektiv, hvordan er disse værktøjer bygget til at håndtere ressourcedeling, GPU flaskehalse, og kravene til model iteration i skala?
Kamesh:Tænk på Model Factory som en kodeløs platform, hvor alle kan finjustere en specialiseret sprogmodel uden at leje et helt datacenter. Du vælger en basismodel og vælger parametre. Når din finjustering er færdig, gemmes den som en let LoRA-adapter, så mange versioner kan leve side om side uden at spise store mængder hukommelse eller båndbredde. OpenLoRA giver dig derefter mulighed for at tilslutte disse adaptere til en delt basemodel under inferens, så en enkelt GPU kan skifte mellem snesevis af specialiseringer, hvilket giver mulighed for iteration på skala. Model Factory og OpenLoRA er meget vigtige søjler i økosystemet, da de giver alle mulighed for at deltage i AI-udvikling uden betydelige omkostninger.
Ishan Pandey:Du introducerer også et koncept kaldet "Proof of Attribution (POA)," hvad præcis bliver målt her, og hvordan sikrer du, at det er en pålidelig måling i vurderingen af agentaktivitet?
Kamesh:Proof of Attribution er, hvordan vi sporer, hvilke data der blev brugt af modellen til at nå frem til en bestemt konklusion og belønne hvert meningsfuldt bidrag. Når dine data bruges af en model til at skabe en konklusion, registreres det på kæden. Hver gang brugerne stoler på modellen, bliver en del af indtægterne automatisk rettet tilbage til dig, og hele sporet er åbent for alle at verificere. Det giver bidragydere mulighed for at se bevis for deres arbejde på kæden og giver dem mulighed for at blive belønnet for det retfærdigt.
Ishan Pandey:AI royalty som et koncept afhænger af langsigtet sporing og tillid. Hvordan planlægger du at håndtere spørgsmål om model forking, proxy brug og downstream værditildeling på tværs af AI-agenter?
Kamesh:For at undgå problemer som model forking og proxy brug, vil vi være vært for alle modellerne selv og ekstern adgang vil være via API kun.
Ishan Pandey:Kan du dele det næste sæt af milepæle, du arbejder på, og hvad udviklere kan forvente, når de engagerer sig med OpenLedger i sin nuværende fase?
Kamesh:Vi har i øjeblikket over 4 millioner aktive noder, der kører på vores testnet, og vi har lige pakket Epoch 2. Vi har over 10 projekter, der bygger på os allerede, herunder en tidligere Google DeepMind-forsker. Vi er også meget begejstrede for at dele, at vi snart vil gå til vores TGE og mainnet lancering.
Ishan Pandey:Endelig, som en person, der bygger dybteknologisk infrastruktur, hvilket råd ville du give til udviklere eller forskere, der søger at komme ind i dette kryds af decentraliseret AI?
Kamesh:Det bedste råd, jeg kan give folk, er at holde dit produkt simpelt. Folk skal kunne forstå, hvad du gør i de første minutter. Brugere bekymrer sig mere om, om et produkt fungerer glat og løser deres problem i stedet for fancy søgeord.
Glem ikke at kunne lide og dele historien!
Vested Interest Disclosure: Denne forfatter er en uafhængig bidragsyder udgiver via vores business blogging program. HackerNoon har gennemgået rapporten for kvalitet, men påstandene her tilhører forfatteren. #DYO
Vested Interest Disclosure: Denne forfatter er en uafhængig bidragsyder udgiver via vores business blogging program. HackerNoon har gennemgået rapporten for kvalitet, men påstandene her tilhører forfatteren. #DYO
Udbredelse af interesse:Forretningsblogging program
