هاب حاشیه نویسی داده های دنیای واقعی هوش مصنوعی را با کریپتو تقویت می کند

داستان از WorkML.ai این پروژه با ملاقات مایکل بوگاچف و دنیس داویدوف در سال 2020 در حالی که در یک استارت آپ موفق اوکراینی کار می کردند که توسط بزرگترین شرکت لجستیکی در امارات خریداری شد آغاز می شود. بعداً در سال 2023، در نتیجه سفر در سراسر اروپا، آنها از مسیرهای خود در بوداپست عبور کردند، جایی که مفهوم اصلی پروژه کشف شد.

در جستجوی یک ایده، آنها به ویژه بر روی روندهای موجود در زمینه های هوش مصنوعی و ارزهای دیجیتال تمرکز کردند. دنیس قبلاً تجربه قابل توجهی در زمینه ارزهای رمزنگاری شده داشت و بین سال‌های 2022 تا 2023 در شرکت‌های رمزنگاری آمریکایی کار کرده بود و از سال 2016 تا 2019 در استارت‌آپ‌های هوش مصنوعی و کریپتو شرکت داشت. مایکل همچنین از هوش مصنوعی در توسعه سیستم های لجستیک از سال 2016 تا 2022 استفاده کرد.

بر اساس تجربه خود، آن‌ها در تهیه مدل‌های بزرگ هوش مصنوعی چند گلوگاه را شناسایی کردند.

اولین گلوگاه پردازش مجموعه داده های بزرگ بود، مشکلی که با موفقیت توسط انویدیا حل شد که پس از انتشار شتاب دهنده های خود، سهام آن در سال 2023 بیش از دو برابر شد.

گلوگاه دوم چندان واضح نیست، زیرا تنها توسط افرادی که مستقیماً در مدل‌های آموزشی درگیر هستند قابل شناسایی است. این گلوگاه آماده سازی ابرداده است که همراه با داده ها به مدل وارد می شود.

Metadata چیست؟

ابرداده یک عنصر کلیدی است که به شبکه عصبی اجازه می دهد تا تفسیری از آنچه که تجسم، صدا یا نوشته شده است و نحوه ارتباط آن با اشیاء دیگر را ارائه دهد.

شما می توانید در مورد این اطلاعات در پروژه WorkML.ai اطلاعات بیشتری کسب کنید کاغذ سفید.

آماده سازی ابرداده یک کار چالش برانگیز در نظر گرفته می شود

به نظر می رسد که برای ایجاد یک شبکه عصبی جدید، باید به طور کامل از ابتدا با حجم عظیمی از داده آموزش داده شود (شبکه های از پیش آموزش دیده برای این کار مناسب نیستند؛ هر بار آموزش مجدد اجباری است). برای این کار، یک توسعه‌دهنده هم به داده‌ها و هم به فراداده‌هایی نیاز دارد که این داده‌ها را توصیف می‌کنند. علاوه بر این، هرچه فراداده دقیق تر باشد و داده های بیشتری در آموزش شبکه عصبی استفاده شود، پیش بینی های آن هوشمندتر و دقیق تر خواهد بود.

امروزه، برای آموزش موثر یک شبکه عصبی برای تشخیص تصویر حیوانات یا تولید تصویر، ده‌ها میلیون تصویر (داده ها) باید به شبکه عصبی تغذیه شود، همراه با فراداده (در این مورد، اطلاعات اضافی که مشخص می کند دقیقاً کجا روی هر تصویر یک حیوان خاص به تصویر کشیده شده است که می تواند یک مستطیل، چند ضلعی، پر یا اسکلت باشد).

پیچیدگی فرآیند حاشیه نویسی

به عنوان مثال، برای 10 میلیون تصویر، حدود 30 تا 40 میلیون واحد فراداده مورد نیاز است، زیرا یک تصویر می تواند از 1 تا 10 یا بیشتر شی را به تصویر بکشد، که هر کدام باید علامت گذاری شوند. همچنین در نحوه برجسته کردن اشیاء تفاوت وجود دارد. به عنوان مثال، اگر اجسام با مستطیل مشخص شوند، شبکه عصبی آموزش‌دیده به اندازه شبکه‌ای که روی اشیایی که با چند ضلعی طراحی شده‌اند، دقیق‌تر در تشخیص و تولید نخواهد بود (شکل با نقاط و خطوط دقیق‌تر ردیابی می‌شود).

در واقع، آشکار می شود که نیاز به ابرداده بیش از نیاز به داده است خود. در حالی که داده‌ها را می‌توان به راحتی در حالت دست‌نخورده به دست آورد، ایجاد فراداده مورد نیاز مستلزم یک فرآیند عمدی و متفکرانه است.

با خروجی متوسط ​​از یک حاشیه نویسی هر دو دقیقه در طول 4.5 ساعت مداوم جلسه کاری، یک فرد می تواند 135 واحد فراداده با کیفیت بالا در هر روز کاری تولید کند.

در یک ماه، حسابداری برای 21 روز کاری، این اضافه می کند تا 2835 واحد متادیتا.

برای تهیه 35 میلیون واحد فراداده، لازم است یک نفر 12345 ماه یا 1028 سال!

آ تیم 100 نفره به 10 سال و 3 ماه زمان نیاز دارد برای تکمیل کار، در حالی که الف یک گروه 1000 نفری می تواند آن را تنها در 1 سال انجام دهد.

می توانید تقریبی از تنظیمات دفتر برای حاشیه نویسی را در a بیابید مورد استفاده برای مشتریان، که در آن میانگین هزینه ها تقریباً می شود 1800 دلار در ماه برای هر حاشیه نویس.

در شرایطی که 100 حاشیه نویس، هزینه ها به حدود 180000 دلار در ماه طی 10 سال افزایش می یابد.!

یا، 1,800,000 دلار در ماه به مدت 1 سال با 1000 حاشیه نویس.

این به میزان تقریباً 21,600,000 دلار برای حاشیه نویسی 10 میلیون تصویر با 35 میلیون واحد متادیتا.

همانطور که می بینید، فرآیند ایجاد Metadata، هم از نظر زمانی و هم از نظر سرمایه گذاری مالی، نیازمند منابع است.

مبتکران WorkML راه حلی برای این مشکل ایجاد کرده اند!

راه حل شامل راه اندازی یک مرکز استخدام در پلت فرم WorkML است که در آن افراد از سراسر جهان می توانند دوره های آموزشی را طی کنند و بخشی از نیروی کار حاشیه نویس و اعتبارسنجی داده شوند. این رویکرد می تواند ده ها و صدها هزار حاشیه نویس را برای کارهای حاشیه نویسی بسیج کند (مورد استفاده حاشیه نویس). علاوه بر این، شرکت ها می توانند بخش حاشیه نویسی خود را از طریق پلت فرم WorkML ایجاد کنند و حاشیه نویسان برون سپاری شده را در تیم های خود بگنجانند. این استراتژی تنظیم شده است تا کیفیت و سرعت حاشیه نویسی را با مرتبه بزرگی افزایش دهد و در عین حال هزینه های حاشیه نویسی را تقریباً ده برابر کاهش دهد.

چنین نوآوری برای صنعت هوش مصنوعی به اندازه شتاب دهنده های انویدیا حیاتی است.

گردش کار کار حاشیه نویسی در نمودار بالا توضیح داده شده است کاغذ سفید برای جزئیات بیشتر

علاوه بر این، برای بهینه سازی هزینه ها و کارمزدها، این پروژه امکان استفاده از ارزهای دیجیتال را برای تراکنش ها فراهم می کند. نکته مهم این است که پروژه توکن خود را معرفی می کند – WML، که برای پرداخت های داخلی و پاداش های حاشیه نویس استفاده می شود.

ویژگی های توکن:

• اثبات سهام (PoS) با پرداخت های مختلف از 0.5٪ در ماه (تضمین شده) تا حداکثر 5٪ در ماه (از سود پروژه).

• اثبات سهام انسان (H-PoS) ارائه سود مضاعف برای حاشیه نویسانی که کار واقعی را انجام می دهند.
• آ برنامه ارجاع چند لایه به کاربرانی که با دعوت از حاشیه نویسان و مشتریان جدید به گسترش جامعه کمک می کنند و شبکه ای در حال رشد و تعامل را تقویت می کنند، پاداش می دهد.

• مکانیسم حاشیه نویسی به عنوان ماینینگ یا Humans Proof of Work (H-PoW) در نظر گرفته می شود، به این معنی که هر چه کار بیشتر و بهتر انجام شود، پاداش بالاتری خواهد داشت.

• با توجه به ارزش تجاری بالا و ویژگی های نوآورانه پروژه، پتانسیل افزایش ارزش توکن WML تا بیش از ده برابر وجود دارد.

• این بودجه شامل 2٪ از کل توکن های اختصاص داده شده برای ایردراپ ها می شود که فرصتی برای کسب توکن های رایگان و جذب مخاطبان گسترده تر در اکوسیستم پروژه فراهم می کند.

این پروژه همچنین به مشتریانی که با آن پرداخت می کنند، تخفیف های دائمی ارائه می دهد توکن WML برای محصولات WorkML، در نتیجه نقدینگی اضافی ایجاد می کند.

WorkML.ai – مرکز اشتغال بسیار سودآور و کم خطر برای سرمایه گذاران، مشتریان و حاشیه نویسان.

WorkML.ai با ارائه ارزش ملموس به کسب‌وکارها، سرمایه‌گذاران و طیف گسترده‌ای از کاربران، از مشتری گرفته تا حاشیه‌نویس داده، چشم‌انداز بازار ارزهای دیجیتال را دوباره تعریف می‌کند. فراتر از موج سوداگرانه ارائه توکن، یک مدل درآمدی جامد را از طریق کمیسیون خدمات ایجاد می کند. این رویکرد یک جریان مالی ثابت را تضمین می کند و در عین حال ارزش پروژه را بر اساس مزایای دنیای واقعی که ارائه می کند، پایه گذاری می کند.

با توجه به نیاز حیاتی به مجموعه داده های دقیق در صنعت فناوری که برای آموزش سیستم های هوش مصنوعی ضروری است، WorkML.ai هزینه و زمان درگیر در توسعه هوش مصنوعی را کاهش می دهد. این امر پذیرش گسترده‌تر فناوری‌های هوش مصنوعی را در بخش‌های مختلف تسهیل می‌کند و به مجموعه داده‌های با کیفیت بالا کمک می‌کند که آموزش و کارایی شبکه‌های عصبی را افزایش می‌دهد.

سرمایه گذاری در WorkML.ai فراتر از یک سرمایه گذاری مالی صرف است. این نشان دهنده یک مشارکت آینده نگر در خط مقدم نوآوری هوش مصنوعی است. این فرصت را به سرمایه گذاران می دهد تا بخشی از یک حرکت محوری باشند، بازده قابل توجهی را به همراه داشته باشد و بر چارچوب فناوری آینده تأثیر بگذارد.

به انقلاب WorkML.ai بپیوندید

قدم به عصر بعدی هوش مصنوعی و فناوری بلاک چین با WorkML.ai. پلتفرم پیشرفته و توکن WML ما را که برای متحول کردن آموزش مدل‌های هوش مصنوعی طراحی شده است، کاوش کنید. در خبرنامه ما ثبت نام کنید تا اطلاعات ویژه ای دریافت کنید و از آخرین اخبار مربوط به فروش قریب الوقوع توکن ما مطلع شوید.

ما آماده پیشنهادات جدید هستیم و از همکاری استقبال می کنیم (مورد استفاده سرمایه گذار).

مشارکت کنید

در وب سایت و رسانه های اجتماعی ما با ما در ارتباط باشید تا در وبینارها شرکت کنید و به جامعه رو به رشد ما بپیوندید. بینش شما برای موفقیت جمعی ما حیاتی است.

سایت اینترنتی | لینکدین | تلگرام | فیس بوک | اینستاگرام | یوتیوب | توییتر | موضوعات

در این مقاله ذکر شده است