【Construire un écosystème AI décentralisé -- Mira @Mira_Network 】
Mira (@Mira_Network) est née des idées de @karansirdesai et @hapchap88, et vise à relever un grand défi dans le développement de l'intelligence artificielle (IA) : les limites inhérentes des grands modèles de langage (LLM) en matière d'exactitude et de neutralité des sorties.
Ces modèles ont souvent tendance à produire des informations incorrectes avec une grande confiance - ce que l'on appelle une "illusion" - ou à afficher des biais systématiques en raison de biais dans les données d'entraînement.
Mira introduit un cadre innovant appelé "Flows" qui abstrait l'infrastructure AI, intégrant les modèles, les données et le calcul en unités modulaires, permettant aux développeurs de se concentrer sur la résolution des problèmes des utilisateurs, plutôt que d'être enfermés dans la gestion complexe de l'infrastructure.
Mira fonctionne sur un réseau décentralisé, construisant un écosystème ouvert où les contributeurs partagent des Flows, formant un marché dynamique de ressources AI, mettant l'accent sur la confiance et la participation sans barrière.
Le cœur de Mira réside dans son mécanisme de validation basé sur le consensus, visant à améliorer la crédibilité des sorties d'IA.
Contrairement aux LLM traditionnels qui dépendent d'un modèle unique, Mira adopte un processus de validation multi-modèle pour atténuer les "hallucinations" – c'est-à-dire des erreurs aléatoires mais confiantes – ainsi que les biais, qui sont des tendances systématiques vers un certain point de vue. Par exemple, les biais peuvent amener l'IA à pencher subtilement vers certaines positions politiques ou à être plus "amicale" envers certains groupes, ce qui présente un risque social potentiel plus grand que de simples erreurs occasionnelles. Le mécanisme de validation de Mira se compose de trois étapes clés : Binarisation : Les sorties de l'IA sont décomposées en déclarations indépendantes et vérifiables. Par exemple, "La Terre tourne autour du Soleil, la Lune tourne autour de la Terre" sera décomposée en deux déclarations distinctes, vérifiées une par une, afin d'éviter que des réponses qui semblent correctes dans leur ensemble mais qui contiennent des détails erronés ne passent inaperçues.
▶️Validation distribuée : Ces déclarations sont attribuées à différents nœuds de validation dans le réseau Mira, chaque nœud étant composé d'un ou plusieurs modèles, ne jugeant que sur les déclarations attribuées, sans toucher au contexte complet, garantissant ainsi la neutralité de l'évaluation.
▶️Mécanisme de consensus : Mira utilise un système similaire à la preuve de travail, où les modèles de validation doivent miser des jetons pour participer à l'évaluation. Chaque nœud infère la véracité des déclarations et une déclaration n'est considérée comme fiable que si presque tous les modèles sont d'accord. Les nœuds inexactes ou peu fiables seront soumis à une pénalité de déduction de jetons pour inciter à un raisonnement rigoureux.
Cette approche basée sur le consensus utilise le jugement collectif de plusieurs modèles pour approcher la vérité factuelle, équilibrant ainsi le compromis entre précision et biais. Plus les données d'entraînement sont étendues, plus le biais peut diminuer, mais le risque d'hallucination augmente ; un nettoyage des données trop strict peut alors amplifier des tendances spécifiques. La validation multi-modèles de Mira offre une solution équilibrée, mettant l'accent sur l'exactitude plutôt que sur une simple précision, reconnaissant que des sorties logiquement cohérentes mais erronées dans leur direction n'ont aucune valeur.
Mira a distingué davantage l'hallucination du préjugé : l'hallucination est comparable à un archer qui s'écarte parfois de la cible, visible mais identifiable ; le préjugé, en revanche, est comme une flèche qui penche constamment d'un côté, caché mais ayant un impact profond. Ce dernier, en raison de sa systématicité, est plus susceptible de façonner silencieusement la cognition sociale et les décisions, et nécessite donc d'être traité en priorité. Mira équilibre les préjugés individuels par le consensus multi-modèle, en se rapprochant de la vérité par un "vote collectif", avec une méthode rigoureuse et fiable.
En un peu plus de six mois, Mira a réalisé des progrès significatifs, attirant plusieurs équipes à utiliser son Flow Market pour développer des produits natifs d'IA dans des domaines tels que la cryptomonnaie, les jeux, le SaaS, l'éducation et les biens de consommation. Son application phare, Klok - un assistant crypto alimenté par l'IA en phase de test fermé - offre aux utilisateurs des insights profonds, des données structurées et des stratégies de portefeuille, et s'ouvre actuellement à un plus grand nombre d'utilisateurs.
La forte popularité de Mira sur la plateforme @Arbitrum ainsi que l'activité de classement de @KaitoAI soulignent davantage son influence.
Envisageant l'avenir, Mira prévoit de redéfinir le mécanisme de confiance dans le développement de l'IA grâce à davantage de recherches et de produits révolutionnaires.
Cette page peut inclure du contenu de tiers fourni à des fins d'information uniquement. Gate ne garantit ni l'exactitude ni la validité de ces contenus, n’endosse pas les opinions exprimées, et ne fournit aucun conseil financier ou professionnel à travers ces informations. Voir la section Avertissement pour plus de détails.
【Construire un écosystème AI décentralisé -- Mira @Mira_Network 】
Mira (@Mira_Network) est née des idées de @karansirdesai et @hapchap88, et vise à relever un grand défi dans le développement de l'intelligence artificielle (IA) : les limites inhérentes des grands modèles de langage (LLM) en matière d'exactitude et de neutralité des sorties.
Ces modèles ont souvent tendance à produire des informations incorrectes avec une grande confiance - ce que l'on appelle une "illusion" - ou à afficher des biais systématiques en raison de biais dans les données d'entraînement.
Mira introduit un cadre innovant appelé "Flows" qui abstrait l'infrastructure AI, intégrant les modèles, les données et le calcul en unités modulaires, permettant aux développeurs de se concentrer sur la résolution des problèmes des utilisateurs, plutôt que d'être enfermés dans la gestion complexe de l'infrastructure.
Mira fonctionne sur un réseau décentralisé, construisant un écosystème ouvert où les contributeurs partagent des Flows, formant un marché dynamique de ressources AI, mettant l'accent sur la confiance et la participation sans barrière.
Le cœur de Mira réside dans son mécanisme de validation basé sur le consensus, visant à améliorer la crédibilité des sorties d'IA.
Contrairement aux LLM traditionnels qui dépendent d'un modèle unique, Mira adopte un processus de validation multi-modèle pour atténuer les "hallucinations" – c'est-à-dire des erreurs aléatoires mais confiantes – ainsi que les biais, qui sont des tendances systématiques vers un certain point de vue. Par exemple, les biais peuvent amener l'IA à pencher subtilement vers certaines positions politiques ou à être plus "amicale" envers certains groupes, ce qui présente un risque social potentiel plus grand que de simples erreurs occasionnelles. Le mécanisme de validation de Mira se compose de trois étapes clés : Binarisation : Les sorties de l'IA sont décomposées en déclarations indépendantes et vérifiables. Par exemple, "La Terre tourne autour du Soleil, la Lune tourne autour de la Terre" sera décomposée en deux déclarations distinctes, vérifiées une par une, afin d'éviter que des réponses qui semblent correctes dans leur ensemble mais qui contiennent des détails erronés ne passent inaperçues.
▶️Validation distribuée : Ces déclarations sont attribuées à différents nœuds de validation dans le réseau Mira, chaque nœud étant composé d'un ou plusieurs modèles, ne jugeant que sur les déclarations attribuées, sans toucher au contexte complet, garantissant ainsi la neutralité de l'évaluation.
▶️Mécanisme de consensus : Mira utilise un système similaire à la preuve de travail, où les modèles de validation doivent miser des jetons pour participer à l'évaluation. Chaque nœud infère la véracité des déclarations et une déclaration n'est considérée comme fiable que si presque tous les modèles sont d'accord. Les nœuds inexactes ou peu fiables seront soumis à une pénalité de déduction de jetons pour inciter à un raisonnement rigoureux.
Cette approche basée sur le consensus utilise le jugement collectif de plusieurs modèles pour approcher la vérité factuelle, équilibrant ainsi le compromis entre précision et biais. Plus les données d'entraînement sont étendues, plus le biais peut diminuer, mais le risque d'hallucination augmente ; un nettoyage des données trop strict peut alors amplifier des tendances spécifiques. La validation multi-modèles de Mira offre une solution équilibrée, mettant l'accent sur l'exactitude plutôt que sur une simple précision, reconnaissant que des sorties logiquement cohérentes mais erronées dans leur direction n'ont aucune valeur.
Mira a distingué davantage l'hallucination du préjugé : l'hallucination est comparable à un archer qui s'écarte parfois de la cible, visible mais identifiable ; le préjugé, en revanche, est comme une flèche qui penche constamment d'un côté, caché mais ayant un impact profond. Ce dernier, en raison de sa systématicité, est plus susceptible de façonner silencieusement la cognition sociale et les décisions, et nécessite donc d'être traité en priorité. Mira équilibre les préjugés individuels par le consensus multi-modèle, en se rapprochant de la vérité par un "vote collectif", avec une méthode rigoureuse et fiable.
En un peu plus de six mois, Mira a réalisé des progrès significatifs, attirant plusieurs équipes à utiliser son Flow Market pour développer des produits natifs d'IA dans des domaines tels que la cryptomonnaie, les jeux, le SaaS, l'éducation et les biens de consommation. Son application phare, Klok - un assistant crypto alimenté par l'IA en phase de test fermé - offre aux utilisateurs des insights profonds, des données structurées et des stratégies de portefeuille, et s'ouvre actuellement à un plus grand nombre d'utilisateurs.
La forte popularité de Mira sur la plateforme @Arbitrum ainsi que l'activité de classement de @KaitoAI soulignent davantage son influence.
Envisageant l'avenir, Mira prévoit de redéfinir le mécanisme de confiance dans le développement de l'IA grâce à davantage de recherches et de produits révolutionnaires.
#Mira # KAITO #KaitoAI # KaitoYappers #yapperseason