Il est clair pour tous que le plus grand obstacle à l'adoption de grands modèles d'IA dans des secteurs verticaux tels que la finance, la santé et le droit est le problème de l'"illusion" des résultats qui ne répondent pas aux exigences de précision dans des scénarios d'utilisation réels. Comment y remédier ? Récemment, @Mira_Network a lancé un réseau de test public, proposant un ensemble de solutions, donc je vais expliquer de quoi il s'agit :

Tout d'abord, les outils des grands modèles d'IA ont des cas "d'illusions" que tout le monde peut ressentir, les raisons en sont principalement deux :
Les données pour former l'IA LLM ne sont pas assez complètes, bien que le volume de données soit déjà très important, il est néanmoins impossible de couvrir certaines informations de niche ou professionnelles, dans ce cas, l'IA est sujette à "l'extension créative", ce qui entraîne à son tour certaines erreurs en temps réel;
Les modèles de langage LLM d'IA reposent essentiellement sur un "échantillonnage probabiliste", qui consiste à identifier des modèles statistiques et des corrélations dans les données d'entraînement, plutôt qu'à une véritable "compréhension". Par conséquent, l'aléa du choix probabiliste, l'incohérence des résultats d'apprentissage et le raisonnement peuvent conduire à des erreurs de l'IA lors du traitement de questions factuelles de haute précision;
Comment résoudre ce problème ? Un article décrivant des méthodes de validation commune par plusieurs modèles pour améliorer la fiabilité des résultats des LLMs a été publié sur la plateforme ArXiv de l'université Cornell.
Une compréhension simple consiste à permettre d'abord au modèle principal de générer des résultats, puis à combiner plusieurs modèles de vérification pour effectuer une "analyse de la majorité des voix" afin de réduire les "illusions" qui se produisent dans le modèle.
Dans une série de tests, il a été constaté que cette méthode peut augmenter la précision de la sortie de l'IA à 95,6 %.
Il est donc certain qu’il doit y avoir une plate-forme de validation distribuée pour gérer et valider le processus de collaboration entre le modèle principal et le modèle de validation. Mira Network est un tel réseau intermédiaire spécialement conçu pour la validation des LLM d’IA qui construit une couche de vérification robuste entre l’utilisateur et les modèles d’IA sous-jacents.
Grâce à l'existence de ce réseau, des services intégrés peuvent être réalisés, y compris la protection de la confidentialité, l'assurance de l'exactitude, un design extensible, des interfaces API normalisées et d'autres services intégrés, ainsi que la possibilité d'intégrer l'IA dans divers scénarios d'application subdivisés peut être étendue en réduisant l'illusion de sortie de l'IA LLM, ce qui est également une pratique dans le processus de mise en œuvre du projet LLM AI par un réseau de vérification décentralisé Crypto.
Par exemple, Mira Network a partagé plusieurs cas dans le domaine des finances, de l'éducation et de l'écologie de la blockchain pour confirmer :
Après l'intégration de Mira sur la plateforme de trading Gigabrain, le système peut ajouter un niveau supplémentaire de vérification de l'exactitude de l'analyse de marché et des prévisions, en filtrant les offres non fiables, ce qui peut améliorer la précision des signaux de trading AI, rendant l'application des LLMs AI dans les scénarios DeFi plus fiable.
Learnrite utilise mira pour vérifier les questions de test standardisées générées par l'intelligence artificielle, permettant aux établissements d'enseignement d'utiliser du contenu créé par l'intelligence artificielle à grande échelle sans nuire à la précision du contenu des tests éducatifs pour soutenir des normes éducatives strictes;
Le projet blockchain Kernel utilise le mécanisme de consensus LLM de Mira, l'intégrant dans l'écosystème BNB, créant un réseau de validation décentralisé DVN, garantissant un certain niveau de précision et de sécurité dans l'exécution des calculs AI sur la blockchain.