Ndërsa AI dhe blockchain konvergojnë, një projekt qëndron në kryqëzimin e kësaj revolucioni: OpenLedger.Me premtimet për të decentralizuar trajnimin e modeleve, shpërblimin e të dhënave dhe ekonomitë e agjentëve të fuqisë, OpenLedger po shtyn drejt një epoke të re të AI transparente dhe të pronësisë së komunitetit.
Në këtë intervistë, ne u ulëm me kontributorin kryesor Kamesh për të kuptuar parimet, inovacionet dhe hartën e rrugës që mbështesin tezën unike të OpenLedger.
Ishan Pandey:Përshëndetje Kamesh, është një kënaqësi t'ju mirëpresim në serinë tonë "Behind the Startup".A mund të filloni duke na treguar për veten tuaj dhe si u angazhuat me OpenLedger?
Kamesh:Hey Ishan, unë jam një kontribues kryesor në OpenLedger. Para OpenLedger, unë isha duke punuar në një kompani të kërkimit dhe zhvillimit të AI / ML gjatë së cilës kam punuar me klientët e ndërmarrjeve si Walmart, Cadbury dhe më shumë. Ka pasur disa probleme kryesore që kemi vënë re në segmentin e AI, që është modeli i kutisë së zezë dhe mungesa e transparencës, dhe se nuk ka asnjë mënyrë për të ditur se cilat të dhëna çuan në një përfundim të veçantë. problemi më i madh është se kompanitë e centralizuara nuk kanë kompensuar në mënyrë të drejtë kontribuesit e të dhënave të tyre, dhe kjo është ajo që ne po përpiqemi të adresojmë me OpenLedger.
Ishan Pandey:OpenLedger është duke u pozicionuar si "blockchain ndërtuar për AI."A mund të na ecin nëpër hendekun në infrastrukturën aktuale që OpenLedger është duke u përpjekur për të zgjidhur dhe pse ky moment në kohë është kritike?
Kamesh:Siç u përmend më parë, kompanitë e centralizuara kanë trajnuar modelet e tyre të AI në të dhënat e përdoruesve pa leje dhe kanë fituar miliarda dollarë pa paguar askënd në mënyrë të drejtë. Në OpenLedger, çdo hap i trajnimit, burimi i të dhënave dhe përmirësimi i modelit lë një gjurmë që kushdo mund të inspektojë. Kjo ka rëndësi tani sepse njerëzit kërkojnë AI për këshilla financiare, sugjerime shëndetësore dhe madje edhe mbulim të zgjedhjeve. Ndërsa merren me tema të tilla të ndjeshme, është e rëndësishme të sigurohemi që modeli përdor të dhëna të sakta dhe jo halucinuese. Duke përdorur Proof of Attribution, ne mund të eliminojmë të dhënat që çuan në një përfundim specifik të dëmshëm, duke siguruar sigurinë
Ishan Pandey:Një nga idetë më ambicioze prapa OpenLedger është krijimi i shpërblimeve të bazuara në atribute për kontributet e të dhënave dhe modeleve.
Kamesh:Mendoni për një histori të përbashkët në zinxhir që regjistron çdo përshtatje të të dhënave dhe modelit së bashku me portofolin që e dërgoi atë. Sa herë që rrjeti stërvitet një version të ri ose përgjigjet në një pyetje të përdoruesit, shikon mbrapa në atë histori për të parë se cilat kontribute ishin të përfshira. Çdo herë që shfaqet postimi juaj, automatikisht merrni një pjesë të tarifës së lidhur me atë veprim. Ky informacion është publik, kështu që kushdo mund të hapë shfletuesin dhe të gjurmojë saktësisht se si është përdorur puna e tyre dhe çfarë ka fituar.
Ishan Pandey:Le të flasim për Model Factory dhe OpenLoRA. Nga një këndvështrim teknik, si janë ndërtuar këto mjete për të trajtuar ndarjen e burimeve, pengesat e GPU-së dhe kërkesat e iterimit të modelit në shkallë?
Kamesh:Mendoni për Model Factory si një platformë pa kod ku kushdo mund të përshtatet një model të specializuar të gjuhës pa marrë me qira një qendër të tërë të të dhënave. Ju zgjidhni një model bazë dhe zgjidhni parametrat. Kur përshtatja juaj e hollë përfundon, ajo ruhet si një adaptor i lehtë LoRA, kështu që shumë versione mund të jetojnë krah për krah pa ngrënë sasi të mëdha të kujtesës ose bandwidth. OpenLoRA pastaj ju lejon të lidhni ato adaptorë në një model bazë të përbashkët gjatë inferencës, kështu që një GPU e vetme mund të kalojë midis dhjetëra specialiteteve, duke lejuar iterimin në shkallë. Model Factory dhe OpenLoRA janë shtylla shumë të rëndësishme të ekosistemit pasi ata lejojnë që të gjithë
Ishan Pandey:Ju gjithashtu po prezantoni një koncept të quajtur “Proof of Attribution (POA),” çfarë saktësisht matet këtu, dhe si siguroheni që është një metrikë e besueshme në vlerësimin e aktivitetit të agjentit?
Kamesh:Proof of Attribution është se si ne gjurmojmë cilat të dhëna janë përdorur nga modeli për të arritur në një konkluzion të veçantë dhe shpërblejnë çdo kontribut kuptimplotë. Kur të dhënat tuaja janë përdorur nga një model për të krijuar një konkluzion, ajo regjistrohet në zinxhir. Çdo herë që përdoruesit mbështeten në model, një pjesë e të ardhurave automatikisht drejtohet përsëri tek ju, dhe e gjithë rruga është e hapur për këdo për të verifikuar. Kjo lejon kontribuesit të shohin prova të punës së tyre në zinxhir dhe u lejon atyre të shpërblehen për të në mënyrë të drejtë.
Ishan Pandey:AI royalty si një koncept varet nga gjurmimi afatgjatë dhe besimi.Si planifikoni të merren me çështjet e modelit forking, përdorimin e proxy, dhe atribuimin e vlerave në vijim në të gjithë agjentët e AI?
Kamesh:Për të shmangur çështje të tilla si model forking dhe përdorimi i proxy, ne do të host të gjitha modelet vetë dhe qasja e jashtme do të jetë përmes API vetëm.
Ishan Pandey:A mund të ndani grupin e ardhshëm të pikave për të cilat po punoni, dhe çfarë zhvilluesit mund të presin kur angazhohen me OpenLedger në fazën e saj aktuale?
Kamesh:Kontribuesit tashmë janë rrotullimin e nyjeve dhe transmetimin e të dhënave reale në rrjet. Ne aktualisht kemi më shumë se 4 milionë nyje aktive që drejtohen në testnet tonë, dhe ne sapo kemi mbështjellë Epoch 2. Ne kemi më shumë se 10 projekte duke ndërtuar mbi ne tashmë, duke përfshirë një ish kërkues Google DeepMind. Ne jemi gjithashtu shumë të emocionuar për të ndarë se ne do të jemi së shpejti për TGE tonë dhe mainnet lansimit. Ne do të ndajnë detajet e plota së shpejti, kështu që mbani një sy jashtë.
Ishan Pandey:Së fundi, si dikush që po ndërton infrastrukturën e teknologjisë së thellë, çfarë këshille do t’u jepnit zhvilluesve ose hulumtuesve që kërkojnë të hyjnë në këtë kryqëzim të AI-së të decentralizuar?
Kamesh:Këshilla më e mirë që mund t’u jap njerëzve është të mbani produktin tuaj të thjeshtë.Njerëzit duhet të jenë në gjendje të kuptojnë se çfarë po bëni në minutat e para.Përdoruesit kujdesen më shumë nëse një produkt punon pa probleme dhe zgjidh problemin e tyre në vend të fjalë kyçe fancy.
Mos harroni të pëlqeni dhe të ndani historinë!
Ky autor është një kontribues i pavarur duke botuar përmes programit tonë të blogimit të biznesit. HackerNoon ka rishikuar raportin për cilësi, por pretendimet këtu i përkasin autorit. #DYO
Ky autor është një kontribues i pavarur duke botuar përmes programit tonë të blogimit të biznesit. HackerNoon ka rishikuar raportin për cilësi, por pretendimet këtu i përkasin autorit. #DYO
Zbulimi i interesit të zbuluar:Programi i Biznesit Blogging
