AI اور بلاکچینک کے ساتھ مل کر، ایک منصوبہ اس انقلاب کے اختتام پر ہے: OpenLedger۔ ماڈل تربیت، انعام ڈیٹا انحصار، اور طاقت ایجنٹ اقتصادیات کو تنصیب کرنے کے وعدے کے ساتھ، OpenLedger شفاف اور کمیونٹی کے مالک AI کی ایک نئی عمر کی طرف چلا رہا ہے.
اس انٹرویو میں، ہم بنیادی شراکت دار Kamesh کے ساتھ بیٹھ گئے تھے کہ ان اصولوں، نوکریوں اور روڈ نقشے کو سمجھنے کے لئے جو OpenLedger کی منفرد ٹیسس کی بنیاد پر ہیں.
Ishan Pandey:ہیلو Kamesh، یہ آپ کو ہماری "Behind the Startup" سیریز میں خوش آمدید کرنے کے لئے ایک خوشی ہے. کیا آپ ہمیں اپنے آپ کے بارے میں اور آپ OpenLedger کے ساتھ کس طرح شامل ہونے کے بارے میں بتانا شروع کر سکتے ہیں؟
Kamesh:ہاں Ishan، میں OpenLedger میں ایک بنیادی شراکت دار ہوں. OpenLedger سے پہلے، میں ایک AI / ML تحقیق اور ترقی کمپنی پر کام کر رہا تھا جس کے دوران میں وولمارٹ، Cadbury اور دیگر جیسے انٹرپرائز گاہکوں کے ساتھ کام کر رہا تھا. بہت کم اہم مسائل ہیں جو ہم AI زمرے میں دیکھتے تھے، جو سیاہ باکس ماڈل اور شفافیت کی کمی ہے، اور یہ جاننے کا کوئی طریقہ نہیں تھا کہ کون سا ڈیٹا ایک مخصوص نتیجہ میں لایا گیا ہے.
Ishan Pandey:OpenLedger کو "Blockchain built for AI" کے طور پر پوزیشن کیا جا رہا ہے. کیا آپ ہمیں موجودہ انشورنس میں چڑھنے کی کوشش کر رہے ہیں کہ OpenLedger حل کرنے کی کوشش کر رہے ہیں اور اس وقت کیوں اہم ہے؟
Kamesh:جیسا کہ پہلے ذکر کیا گیا ہے، مرکزی کمپنیوں نے صارفین کے اعداد و شمار پر ان کے AI ماڈل کو اجازت کے بغیر تربیت دی ہے اور کسی کو انصاف کے ساتھ ادا کرنے کے بغیر ہزاروں ڈالر بنائے ہیں. OpenLedger پر، ہر تربیت کے مرحلے، ڈیٹا ذریعہ، اور ماڈل اپ گریڈ کسی کو چیک کرسکتا ہے. یہ اب اہم ہے کیونکہ لوگ مالی مشورہ، صحت کے مشورے، اور یہاں تک کہ انتخابات کی فراہمی کے لئے AI سے پوچھتے ہیں. اس طرح کے حساس موضوعات سے نمٹنے کے دوران، یہ یقینی بنانے کے لئے ضروری ہے کہ ماڈل درست ڈیٹا استعمال کرتا ہے اور حوصلہ افزائی نہیں کرتا.
Ishan Pandey:OpenLedger کے پیچھے سب سے زیادہ دلچسپ خیالات میں سے ایک ڈیٹا اور ماڈل انعام کے لئے تخصیص پر مبنی اجر کی تخلیق کرنا ہے.
Kamesh:ایک مشترکہ آن لائن تاریخ کے بارے میں سوچو جس میں ہر ڈیٹا سیٹ اور ماڈل ٹویک کو بھیجنے والے پول کے ساتھ ریکارڈ کیا جاتا ہے. جب بھی نیٹ ورک ایک نیا ورژن ٹرین کرتا ہے یا ایک صارف کے سوال کا جواب دیتا ہے، تو یہ اس تاریخ کو دیکھنے کے لئے واپس دیکھتا ہے کہ کس طرح ان میں شامل کیا گیا تھا. ہر بار جب آپ کا درجہ ظاہر ہوتا ہے، آپ کو خود کار طریقے سے اس کارروائی سے متعلق فیس کا حصہ ملتا ہے. یہ معلومات عوامی ہے، لہذا کسی بھی شخص نے ایکسپورر کھولنے اور اس کے کام کو کس طرح استعمال کیا گیا ہے اور اس کا کیا فائدہ ہے.
Ishan Pandey:ماڈل فیکٹری اور OpenLoRA کے بارے میں بات کریں. تکنیکی نقطہ نظر سے، یہ آلات کس طرح وسائل کا اشتراک، GPU بوتلنگ، اور پیمانے پر ماڈل ایٹوریشن کی ضروریات سے نمٹنے کے لئے تعمیر کی جاتی ہیں؟
Kamesh:ماڈل فیکٹری کو ایک غیر کوڈ پلیٹ فارم کے طور پر سوچو جہاں کسی بھی شخص کو ایک پوری ڈیٹا سینٹر کی فائنلنگ کے بغیر ایک ماہر زبان کے ماڈل کو فائنل کر سکتا ہے. آپ ایک بنیادی ماڈل منتخب کرتے ہیں اور پیرامیٹرز منتخب کرتے ہیں. جب آپ کی فائنل ٹون ختم ہو جاتی ہے، یہ ایک ہلکے LoRA ایڈاپٹر کے طور پر محفوظ کیا جاتا ہے، لہذا بہت سے ورژن ایک دوسرے کے ساتھ رہ سکتے ہیں بغیر بہت سے میموری یا بینڈ وائرڈ کھا سکتے ہیں. OpenLoRA پھر آپ کو ان ایڈاپٹرز کو ایک مشترکہ بیس ماڈل کے ماڈل پر منسلک کرنے کی اجازت دیتا ہے، لہذا ایک ہی GPU ڈسکیشنز کے درمیان سوراخ میں دوبارہ کرنے کی اجازت دیتا ہے. ماڈل
Ishan Pandey:آپ بھی "POA" کہا جاتا ہے کہ ایک نقطہ نظر پیش کرتے ہیں، یہاں درست طریقے سے کیا پیمائش کیا جاتا ہے، اور آپ اس بات کو یقینی بناتے ہیں کہ یہ ایجنٹ کی سرگرمی کا اندازہ کرنے میں قابل اعتماد میٹرک ہے؟
Kamesh:توثیق کا ثبوت یہ ہے کہ ہم کس طرح ٹریک کرتے ہیں کہ ماڈل کی طرف سے کس طرح ڈیٹا استعمال کیا گیا تھا کہ ایک مخصوص نتیجہ پر پہنچنے کے لئے اور ہر قابل قدر فائدہ ادا کرنے کے لئے. جب آپ کے ڈیٹا کو ایک ماڈل کی طرف سے ایک نتیجہ پیدا کرنے کے لئے استعمال کیا جاتا ہے، تو یہ زنجیر پر ریکارڈ کیا جاتا ہے. ہر وقت صارفین ماڈل پر بھروسہ کرتے ہیں، آمدنی کا ایک حصہ خود کار طریقے سے آپ کو واپس بھیج دیا جاتا ہے، اور پورے ٹریک کسی کو تصدیق کرنے کے لئے کھلی ہے. یہ صارفین کو ان کے کام کی ثبوت دیکھنے کی اجازت دیتا ہے اور ان کو اس کے لئے مناسب طریقے سے بدلہ دیا جا سکتا ہے.
Ishan Pandey:AI ریلٹی کے طور پر ایک مفهوم طویل مدتی ٹریکنگ اور اعتماد پر منحصر ہے. آپ ماڈل فریکنگ، پروسیز کے استعمال، اور AI ایجنٹوں کے درمیان نیچے کی قیمت کا تعین کرنے کے مسائل کو کیسے کام کرنے کی منصوبہ بندی کرتے ہیں؟
Kamesh:ہماری ترجیح یہ یقینی بنانے کے لئے ہے کہ مشارکین کو ہمیشہ مناسب طریقے سے ادائیگی کی جاتی ہے۔ ماڈل فاکنگ اور پروکسی کا استعمال جیسے مسائل سے بچنے کے لئے، ہم تمام ماڈل اپنے آپ کو ہوسٹ کریں گے اور بیرونی رسائی صرف API کے ذریعے ہوگی۔
Ishan Pandey:کیا آپ اگلے مرحلے کی ایک سیٹ کا اشتراک کرسکتے ہیں جس کی طرف آپ کام کر رہے ہیں، اور ڈویلپرز اس کے موجودہ مرحلے میں OpenLedger کے ساتھ بات چیت کرتے وقت کیا توقع کرسکتے ہیں؟
Kamesh:ہم فی الحال ہمارے ٹیسٹ نیٹ پر چلنے والے 4 ملین فعال نڈوز ہیں، اور ہم نے صرف Epoch 2 کو اپلوڈ کیا ہے. ہم نے پہلے سے ہی ایک سابق گوگل DeepMind محقق سمیت 10 سے زائد منصوبوں کو تعمیر کیا ہے. ہم اس بات کا اشتراک کرنے کے لئے بھی بہت خوش ہیں کہ ہم جلد ہی ہمارے TGE اور mainnet شروع کرنے کے لئے جا رہے ہیں. ہم جلد ہی مکمل تفصیلات کا اشتراک کریں گے، لہذا ایک نظر ڈالیں.
Ishan Pandey:آخر میں، ایک شخص کے طور پر جو گہری تکنیکی انٹرفیس کی تعمیر کر رہا ہے، آپ ڈویلپرز یا محققین کو کیا مشورہ دیں گے جو decentralized AI کے اس نقطہ نظر میں داخل کرنا چاہتے ہیں؟
Kamesh:سب سے بہترین مشورہ میں لوگوں کو دے سکتا ہوں کہ آپ کی مصنوعات کو سادہ رکھیں. لوگوں کو آپ کی پہلی چند منٹ میں کیا کر رہے ہیں کو سمجھنے کے قابل ہونا چاہئے. صارفین کو اس بات سے زیادہ دلچسپی ہوتی ہے کہ کیا ایک مصنوعات اچھی طرح سے کام کرتی ہے اور ان کے مسائل کو حل کرتی ہے.
اس کہانی کو پسند کرنے اور اشتراک کرنے کے لئے نہیں بھولنا!
Vested Interest Disclosure: یہ مصنف ہمارے کاروباری بلاگنگ پروگرام کے ذریعے شائع کرنے کے لئے ایک مستقل مددگار ہے. HackerNoon نے رپورٹ کو معیار کے لئے جائزہ لیا ہے، لیکن اس میں موجود مطالبات مصنف کے لئے ہیں. #DYO
Vested Interest Disclosure: یہ مصنف ہمارے کاروباری بلاگنگ پروگرام کے ذریعے شائع کرنے کے لئے ایک مستقل مددگار ہے. HackerNoon نے رپورٹ کو معیار کے لئے جائزہ لیا ہے، لیکن اس میں موجود مطالبات مصنف کے لئے ہیں. #DYO
دلچسپی کی وضاحت:کاروباری بلاگنگ پروگرام
