Semua orang memahami bahwa hambatan terbesar dalam penerapan model AI besar di sektor vertikal seperti keuangan, kesehatan, dan hukum adalah masalah "ilusi" hasil yang tidak memenuhi persyaratan akurasi dalam skenario penggunaan nyata. Bagaimana cara mengatasinya? Baru-baru ini @Mira_Network meluncurkan jaringan uji publik, menawarkan serangkaian solusi, jadi saya akan menjelaskan apa yang terjadi:

Pertama, alat-alat model besar AI memiliki kasus "ilusi" yang dapat dirasakan oleh semua orang, penyebab utamanya ada dua:
Data untuk pelatihan AI LLM tidak cukup lengkap, meskipun volume data sudah sangat besar, tetap saja tidak dapat mencakup beberapa informasi niche atau profesional, dalam hal ini AI cenderung melakukan "komplemen kreatif", yang pada gilirannya mengarah pada beberapa kesalahan dalam waktu nyata;
AI LLM secara dasar mengandalkan "pengambilan probabilistik", yang melibatkan identifikasi pola statistik dan korelasi dalam data pelatihan, bukan dalam "pemahaman" yang sebenarnya. Oleh karena itu, ketidakpastian pengambilan probabilistik, inkonsistensi hasil pelatihan, dan penalaran dapat menyebabkan kesalahan AI dalam menangani pertanyaan faktual yang sangat tepat;
Bagaimana cara menyelesaikan masalah ini? Di platform ArXiv Universitas Cornell, sebuah artikel telah diterbitkan yang menggambarkan metode validasi bersama dengan beberapa model untuk meningkatkan keandalan hasil LLMs.
Pemahaman yang sederhana adalah dengan terlebih dahulu memungkinkan model dasar untuk menghasilkan hasil, dan kemudian menggabungkan beberapa model verifikasi untuk melakukan "analisis suara terbanyak" dengan tujuan mengurangi "ilusi" yang muncul dalam model.
Dalam serangkaian uji coba, ditemukan bahwa metode ini dapat meningkatkan akurasi keluaran AI hingga 95,6%.
Jadi, jelas diperlukan platform terdistribusi untuk verifikasi, untuk mengelola dan memverifikasi proses kolaborasi antara model dasar dan model verifikasi. Mira Network adalah jaringan perantara yang dirancang khusus untuk verifikasi AI LLM, yang membangun tingkat verifikasi yang dapat diandalkan antara pengguna dan model AI dasar.
Berkat adanya jaringan ini, tingkat verifikasi dapat menerapkan layanan terintegrasi, termasuk perlindungan privasi, memastikan akurasi, desain yang dapat diperluas, antarmuka API yang distandarisasi, dan layanan terintegrasi lainnya, serta kemampuan penyebaran AI dalam berbagai skenario aplikasi terdesentralisasi dapat diperluas dengan mengurangi ilusi keluaran AI LLM, yang juga merupakan praktik dalam proses penerapan proyek AI LLM oleh jaringan verifikasi terdistribusi Crypto.
Misalnya, Mira Network membagikan beberapa kasus di bidang keuangan, pendidikan, dan ekologi blockchain untuk mengonfirmasi:
Setelah integrasi Mira di platform perdagangan Gigabrain, sistem dapat menambahkan satu tingkat verifikasi akurasi analisis pasar dan prediksi, menyaring penawaran yang tidak dapat diandalkan, yang dapat meningkatkan akurasi sinyal perdagangan AI, menjadikan penerapan AI LLMs dalam skenario DeFi lebih dapat diandalkan.
Learnrite menggunakan mira untuk memeriksa pertanyaan ujian standar yang dihasilkan oleh kecerdasan buatan, memungkinkan lembaga pendidikan untuk menggunakan konten yang dibuat oleh kecerdasan buatan secara besar-besaran tanpa mengorbankan akurasi isi ujian pendidikan untuk mendukung standar pendidikan yang ketat;
Proyek blockchain Kernel menggunakan mekanisme konsensus LLM dari Mira, mengintegrasikannya ke dalam ekosistem BNB, menciptakan jaringan validasi terdesentralisasi DVN yang menyediakan tingkat tertentu akurasi dan keamanan pelaksanaan perhitungan AI di blockchain.