شکاف داده‌ها در DEAI؛ نیاز مبرم به تنوع بیشتر داده‌ها

به گزارش زوم ارز، توجه: توجه به اینکه نظرات و دیدگاه‌ها منحصراً به نویسنده تعلق دارد و آنها را به Crypto.news نسبت ندهید.

هوش مصنوعی همه جشن و خرده است، اما یک مسأله بحرانی در حوزه هوش مصنوعی غیرمتمرکز (DEAI)، به نام “کمبود داده‌های متنوع، ایمن، و قابل اثبات” وجود دارد. مشکل در مجموعه داده‌هایی است که برای آموزش مدل‌های توانمند DEAI ضروری است، اما منابع محدود هستند. این وضعیت ممکن است به وقوع Behemoths متمرکز هوش مصنوعی منجر شود که به دلیل عدم دسترسی به داده‌های گسترده وب، خطرناک باشند و آینده هوش مصنوعی را تهدید کنند.

Deai – وعده هوش مصنوعی دموکراتیک، شفاف و قدرتمند برای پل‌زدن شکاف داده است. این ابزار با استفاده از رمزنگاری هوشمند، به شما یک مسیر رهبری ارائه می‌دهد.

زیباییِ هوش مصنوعیِ معمولی در گلوتونی آن پنهان است. هر چه بیشتر اطلاعات را بلعد، هوشمندانه‌تر می‌شود. اما این مزیت از جانبی نیز ضعف دارد. مدل‌های هوش مصنوعی بر روی داده‌هایی که اغلب بدون رضایت صریح استفاده می‌شوند، آموزش می‌بینند و سوالاتی از حریم خصوصی و کنترل بیش از حد اطلاعات مطرح می‌کنند.

DEAI یک پلتفرم نوین است که بر پایه اصول عدم تمرکز و شفافیت بلاکچین ساخته شده است و به عنوان یک جایگزین جذاب شناخته می‌شود. اما، بیشتر داده‌های مورد استفاده از معاملات مالی یا DeFi جمع‌آوری می‌شود. مدل‌های زبان کوچک به خصوص برای تنظیم دقیق به داده‌های دقیق‌تری نیاز دارند. این امر باعث می‌شود که مدل‌های DEAI نیازمند مجموعه داده‌های غنی و متنوعی باشند که برای بهبود آنها و رسیدن به سطوح رقابتی موجود در آخرین مدل‌ها لازم است.

در خارج از فضای وب۳، مجموعه‌های داده‌ای موجودند که با استفاده از شعله‌اش آن‌ها مورد استفاده قرار می‌گیرند، هر یک از این مجموعه‌ها حاوی داده‌های منحصر به فرد به تعداد میلیاردها منبع است. عمق داده‌های تأیید شده موجود در فضای وب۲، مانند حجم داده‌ها، به اندازه‌ای است که ارائه‌دهندگان هوش مصنوعی متمرکز موفق شدند تا تغییرات اصلاحی در GPT های خود به سرعت و با دقت انجام دهند.

بازایجاد تمام اطلاعات onchain در یک بازه زمانی رقابتی غیرممکن است. در حالی که برخی از شرکت‌های هوش‌مصنوعی از داده‌های ساخته‌شده استفاده کرده‌اند که این امر باعث سوءتفاهم درباره نوع داده‌های حساس موجود در اینجا شده است، روش‌های دیگری برای جمع‌آوری داده‌های بیشتر وجود دارد، و ایمن‌سازی آنها نقش مهمی دارد.

پل های ساختمان

در حال حاضر، مفهوم رمزنگاری وارد عرصه‌ی ارتباطات شده است، که با ابداع تکنیک‌هایی مانند رمزنگاری کاملاً هم‌رمزنگاری (ZKFHE) و دانش صفر TLS (ZKTLS)، ما توانایی ایجاد موج‌هایی در blockchain و حریم خصوصی را داریم. این روش‌ها کلید قفل کردن داده‌های وب ۲.۰ را در تکنولوژی‌های مبتنی بر هوش مصنوعی تضمین می‌کنند.

فناپ دارای توانایی انجام محاسبات بر روی داده های رمزگذاری شده بدون نیاز به رمزگشایی آنها است. با توجه به این ویژگی، می‌توان یک مدل هوش مصنوعی را در زمینه سوابق پزشکی حساس آموزش داد، بدون اینکه اطلاعات حساس بیماران در معرض دید قرار گیرد. این قابلیت فناپ امکان آموزش مدل‌های هوش مصنوعی از طریق دسترسی به مجموعه داده‌های وسیع و محافظت شده در حریم خصوصی را فراهم می‌کند، که در نتیجه، امکانات آموزشی این مدل‌ها قابل گسترش بیشتری است.

ZKTLS این اصل را در حوزه ارتباطات اینترنتی ترویج می‌دهد که به کاربران این امکان را می‌دهد تا بدون لو دادن اطلاعات اصلی، اطلاعات خاصی را از یک وب‌سایت – مانند امتیاز اعتباری یا فعالیت رسانه‌های اجتماعی – اثبات کنند. این امر برای یکپارچه‌سازی داده‌های ذخیره شده در سردرهای وب ۲.۰ در سیستم‌های DEAI بسیار حیاتی است. به عنوان مثال، یک مدل اعتبارسنجی غیرمتمرکز می‌تواند با استفاده از ZKTLS به داده‌های مالی معتبر از نهادهای سنتی دسترسی داشته باشد، بدون اینکه محرمانگی خود را به خطر بیندازد.

مزیت ، deai؟

تاثیرات بسیار اساسی و اثرگذار است. با تکنولوژی‌های مانند ZKFHE و ZKTLS که با رعایت اصول حفظ حریم خصوصی و غیرتمرکزی داده‌ها ، می‌تواند بر Web2 تاثیر شگرفی داشته باشد. این موضوع می‌تواند به ایجاد یک رقابت دائمی منجر شود و موجب فرصت بوجود آمده برای Deai شود تا با ژرفای مسابقه و شاید حتی اندیشه‌های متمرکز شده هوش مصنوعی مقابله کند.

مدل‌های بزرگ زبان که توسط غول‌های فنی با بودجه توسعه داده می‌شوند، برای آموزش با داده‌های متنی بزرگ نیازمند هستند. با استفاده از ZKTLS، توسعه‌دهندگان DEAI می‌توانند از داده‌های وب در دسترس عمومی به صورت حفظ حریم خصوصی استفاده کنند، و مدل‌های زبانی مبتنی بر LLM به صورت دموکراتیک‌تر و شفاف‌تر را ایجاد کنند.

بدون شک، وجود چالش‌هایی در اجرای ZKFHE و ZKTLS وجود دارد. این دو فناوری از نظر محاسباتی نسبتاً فشرده بوده و برای بهبود نیازمند توسعه‌های چشمگیری در زمینه سخت‌افزار و نرم‌افزار هستند. همچنین، استانداردسازی و قابلیت همکاری از اهمیت بسزایی برخوردارند. اما، مزایای پتانسیل زیادی نیز به همراه دارند.

در مسابقات برای افزایش هوش مصنوعی، داده‌ها اساسی و حیاتی هستند. Deai با استفاده از روش‌های رمزنگاری همچون ZKFHE و ZKTLS، قادر خواهد بود تا به داده‌های موردنیاز برای دستیابی به هدف‌های خود دست پیدا کند. این امر نه تنها به ساختن یک هوش مصنوعی پیشرفته مرتبط است، بلکه برای ایجاد یک آینده‌ی دموکراتیک‌تر و متعادل‌تر از هوش مصنوعی نیز اهمیت زیادی دارد.

Xiang Xieis

Xiang Xie فوق‌العاده است وظیفه مدیریتی و بنیان‌گذار Primus را بر عهده دارد. وی به طور اساسی به حوزه رمزنگاری اختصاص داده و از تحقیقات نظری تا اجرای عملی در محیط‌های دانشگاهی و صنعتی استفاده کرده است. تمرکز اصلی او بر روی حفاظت از حریم شخصی با استفاده از ماشین‌های یادگیری چند حزبی و اثبات دانش صفر برای محافظت از داده‌های کاربر و حفظ حریم خصوصی مدل است.

منبع: =  crypto.news

منبع خبر