Perceptron پهنای باند آزاد را به داده های آموزشی هوش مصنوعی تبدیل می کند

صنعت هوش مصنوعی در حال حاضر با یک تنگنای شدید داده های آموزشی مواجه است، به خصوص که انحصارات متمرکز فناوری، توسعه دهندگان در مراحل اولیه را از کانال های اطلاعاتی با کیفیت محروم می کنند. پلت فرم زیرساخت داده غیرمتمرکز Perceptron به دنبال رفع این تنگنا ساختاری با استقرار یک لایه زیرساخت غیرمتمرکز است که به طور گسترده اطلاعات وب را از طریق دستگاه های کاربر روزمره ارائه می دهد.

رسانه های امروزی به طور کامل بر روی برجسته کردن این موضوع متمرکز شده اند که چگونه نام های پیشرو در زمینه هوش مصنوعی به طور مداوم از سیستم های سخت افزاری نسل بعدی برای افزایش قدرت محاسباتی خام خود استفاده می کنند. اما یکی از محدودیت‌های عملیاتی که کمتر در مورد آن صحبت می‌شود، کیفیت داده‌های آموزشی است که پایه اساسی هر مدل هوش مصنوعی عملیاتی را تشکیل می‌دهد.

مشکل این است که در حالی که اکثریت قریب به اتفاق محتوای وب باز قبلاً به طور گسترده جمع‌آوری شده‌اند، کنترل تهاجمی شرکت بر رابط‌های برنامه‌نویسی برنامه‌های عمومی، پایه‌های باقی‌مانده مجموعه داده‌ها را در پشت دیوارهای پرداخت گزاف چند میلیون دلاری قفل کرده است. این اساساً به یک امتیاز بسیار گران قیمت برای تعداد انگشت شماری از انحصارات غول پیکر فناوری تبدیل شده است.

ایمن سازی این کانال های اطلاعاتی پرهزینه برای غول های فناوری که در حال حاضر در مسابقه هوش مصنوعی پیشرو هستند به سختی یک چالش مالی محسوب می شود، اما در مورد نوآوران فاقد بودجه چه می شود؟ بدون بودجه لازم، استارت‌آپ‌های در مراحل اولیه در ساخت محصولات رقابتی مشکل دارند.

پیتر آنتونی، بنیانگذار و مدیر عامل Perceptron در مصاحبه اخیر خود با crypto.news گفت: OpenAI به شرکت هایی مانند Reddit و Twitter حدود 60 تا 100 میلیون دلار در سال پرداخت می کند تا بتوانند از طریق API به داده ها دسترسی داشته باشند.

“بسیاری از پروژه های جدید هوش مصنوعی بودجه ای برای صرف 60 تا 100 میلیون دلار برای دسترسی به داده ها ندارند. اگر بهترین مدل دنیا را بسازید، اگر به داده های با کیفیت دسترسی نداشته باشد، بسیار بی فایده است. ممکن است باهوش ترین بچه مدرسه باشید، اما اگر به هیچ کتابی دسترسی نداشته باشید، دانش زیادی برای ارائه ندارید.”

آنتونی متوجه شد که این عدم تقارن بازار فضایی را برای زیرساخت‌های جایگزین برای خدمت به بخش مستقل بازار باقی می‌گذارد، که باعث شد او Perceptron را تأسیس کند، پلتفرمی که قصد دارد از پهنای باند رایگان مصرف‌کننده برای حل «مشکل تنگنای داده» که در حال حاضر هوش مصنوعی با آن مواجه است، استفاده کند.

آنتونی توضیح داد: «بیشتر داده‌های جهان قبلاً دسترسی و حذف شده‌اند، اما داده‌های زیادی در پشت مکان‌های مختلف پنهان شده است که هنوز قابل دسترسی نیستند، بنابراین ما در حال جمع‌آوری داده‌ها و موقعیت خود هستیم تا بتوانیم با هزینه کمتر داده‌ها را در اختیار شرکت‌های هوش مصنوعی قرار دهیم».

برداشت پهنای باند رایگان

پس این پهنای باند رایگانی که Perceptron قصد استفاده از آن را دارد چیست؟ آنتونی توضیح داد که این دارایی اقتصادی ناشناخته‌ای است که کاربران عادی دائماً از طریق اسکن دیجیتال معمولی تولید می‌کنند، فقط برای تماشای بهره‌برداری شرکت‌های بزرگ و سود بردن از آن.

“در حال حاضر، من و شما هر بار که از اینترنت روی تلفن‌ها و رایانه‌هایمان استفاده می‌کنیم، داده‌ای تولید می‌کنیم. این داده‌ها توسط شرکت‌هایی مانند گوگل جمع‌آوری می‌شوند، در مجموعه‌های داده‌ای عظیم بسته‌بندی می‌شوند و به قیمت میلیون‌ها، گاهی میلیاردها دلار به فروش می‌رسند. اما من و شما هرگز یک پنی به این ارزش نمی‌بینیم.”

کاری که پرسپترون انجام داد این بود که این مدل استنتاجی را به طور کامل روی سر خود چرخاند. آنها شبکه ای از نزدیک به 800000 گره ایجاد کرده اند که بیش از 150 کشور را در بر می گیرد، و این گره ها تنها توسط کاربران فردی که یک برنامه افزودنی مرورگر را در کروم یا یک برنامه در دستگاه های اندرویدی خود اجرا می کنند، تامین می شوند.

در حالی که این استقرارهای نقطه پایانی فایل‌های دیجیتال خصوصی را پاک نمی‌کنند یا تله‌متری شخصی حساس را در اختیار شرکت قرار نمی‌دهند، در عوض دیدگاه‌های جغرافیایی محلی‌سازی شده را ایمن می‌کنند، که آنتونی آن را به عنوان «چشم‌اندازهای مختلف» در وب باز توصیف می‌کند، که سپس می‌تواند در قطعات کوچک استخراج شود و در یک مجموعه داده معنادار واحد ترکیب شود.

“خیلی مهم است که ما روی این واقعیت تمرکز کنیم که از داده‌های افراد استفاده نمی‌کند، به داده‌ها و اطلاعات شخصی شما دسترسی ندارد، اما فرض کنید شما در حال حاضر در مالاوی هستید. وقتی به یک وب‌سایت خاص نگاه می‌کنید، ممکن است به همان وب‌سایت نگاه کنم، اما به احتمال زیاد چون در دبی هستم، انواع مختلفی از نتایج را خواهیم دید. تنها چیزی که ما در یک صفحه عادی از این صفحه دریافت می‌کنیم، این است که از صفحه وب شما استفاده کنیم.”

برای توضیح، آنتونی خاطرنشان کرد که اگر یک مشتری سازمانی به مجموعه‌ای از پست‌های رسانه‌های اجتماعی مرتبط با سلامت از ایالات متحده نیاز داشته باشد، Perceptron می‌تواند در سراسر شبکه جهانی گره‌های خود برای استخراج پست‌های عمومی فردی بدون ارتباط با APIهای محدودکننده سازمانی هماهنگ شود.

از آنجایی که این داده‌ها از طریق هر مرورگر وب استانداردی آزادانه در دسترس عموم هستند، مسیریابی مجموعه از طریق گره‌های ترمینال فردی به طور قانونی اجازه می‌دهد از دیوارهای پرداخت تجاری اجتناب شود. هنگامی که این بسته‌های کوچک داده دریافت می‌شوند، شبکه داده‌های تصفیه نشده را به یک سرور مرکزی بازمی‌گرداند که در آن مدل‌های تخصصی هوش مصنوعی اطلاعات را برای کنترل کیفیت تمیز و بازرسی می‌کنند.

با انجام این کار، می‌توانیم هزینه‌ای را که در حال حاضر توسط بسیاری از شرکت‌های متمرکز بزرگ مانند گوگل درخواست می‌شود، کاهش دهیم.»

توسط یک چرخه اقتصادی که مشارکت کنندگان شبکه با کیفیت را تشویق می کند

سوال بعدی این است که چرا هر کسی با کمال میل سخت افزار خود را به چنین شبکه ای عرضه می کند و پاسخ ساده است. یک حلقه ارزش مشترک که به این گره‌ها اجازه می‌دهد برای اتصالات غیرفعال خود امتیاز کسب کنند، که قرار است در آینده به توکن‌های رمزنگاری بومی تبدیل شوند.

به گفته آنتونی، این مدل توزیع شده به آنها اجازه می‌دهد امتیاز کسب کنند که به عنوان معیار مستقیم مشارکت شبکه آنها عمل می‌کند، و بنابراین برای حفظ یک چرخه اقتصادی دایره‌ای، «توکن‌ها به اکوسیستم بازگردانده می‌شوند، زیرا درآمد توسط شرکت تولید می‌شود».

وی افزود: «توکن‌هایی که برای بازخرید توکن‌ها استفاده می‌شوند نیز کنار گذاشته می‌شوند.»

با این حال، همه کسانی که یک گره را اجرا می کنند اساساً حق دریافت پاداش های ثابت را ندارند. زیرا یک چالش همیشه در کنترل کیفیت وجود دارد که اگر کنترل نشود، می تواند یکپارچگی مجموعه داده ها را به خطر بیندازد.

پرسپترون این مشکل را با مسیریابی بسته‌های جمع‌آوری‌شده به یک سرور مرکزی که در آن الگوریتم‌های خودکار به طور سیستماتیک ورودی‌ها را بر اساس معیارهای هدف ارزیابی می‌کنند، قبل از صدور هرگونه جبرانی حل می‌کند.

علاوه بر این، آنتونی گفت که این استارت آپ اخیراً شرکتی را خریداری کرده است که در نرم افزار تأیید تراکنش و پرداخت تخصص دارد تا به طور ساختاری این فرآیند تأیید را خودکار کند.

برای افزایش بیشتر مشارکت شرکت کنندگان در شبکه و همچنین تشویق به ایجاد مجموعه داده ها، Perceptron همچنین قصد دارد یک پلت فرم داده کاوی ساختاریافته راه اندازی کند که به مشارکت کنندگان اجازه می دهد تلاش های انسانی فعال را به ورودی های آموزشی منحصر به فرد تبدیل کنند.

آنتونی افزود: “هدف ما این است که بتوانیم مجموعه داده ها را به طور موثر ایجاد کنیم و مجموعه داده هایی را ایجاد کنیم که در حال حاضر از طریق فرآیندهای متمرکز در دسترس نیستند.”

مقصد نهایی

در دراز مدت، آنتونی گفت که مایل است شاهد انتقال شبکه به یک مدل متمرکز بر هوش تجاری باشد که می تواند تجزیه و تحلیل لایه عمیق را برای مشتریان سازمانی ارائه دهد.

آنتونی گفت: «تفاوت این است که مجموعه داده‌های سنتی ثابت هستند، یک بار جمع‌آوری می‌شوند و به سرعت قدیمی می‌شوند. اما هر بار که با هر چیزی آنلاین تعامل می‌کنید، حجم عظیمی از داده تولید می‌شود و در حال حاضر مقدار زیادی از آن هدر می‌رود.»

“یک سرور واحد که سعی در نظارت بر همه این کاربران مختلف دارد نمی تواند واقعاً اطلاعات معنی داری را در این مقیاس جمع آوری کند. آنچه ما نیاز داریم حرکت به سمت هوش تجاری توزیع شده است تا بتوانیم واقعاً خدمات را برای مواردی مانند تجارت الکترونیک، تجارت و موارد دیگر بهبود بخشیم.”

Perceptron همچنین یک صندوق داده AI 10 میلیون دلاری راه اندازی کرده است که این پلتفرم انتظار دارد توسعه دهندگان مستقل را تامین مالی کند و از استقرار “پروژه های واقعی که خدمات واقعی ارائه می دهند” پشتیبانی کند. طبق شرایط این برنامه، تیم های مهندسی منتخب پنج هفته کمک زیرساخت داده اختصاصی و حداکثر 5 ترابایت داده واقعی را به صورت رایگان دریافت می کنند تا بهینه سازی مدل های هوش مصنوعی در مراحل اولیه تسریع شود.

آنتونی گفت: “هدف حمایت از پروژه ها با رشد آنها و افزایش نیازهای داده آنها است. ما می توانیم به یکی از ارائه دهندگان ترجیحی آنها تبدیل شویم که هم سرمایه گذاری در اکوسیستم گسترده تر است و هم راهی برای ما برای ایجاد درآمد پایدار و بلندمدت.”

از تاریخ انتشار، آنتونی گفت که Perceptron در حال حاضر به طور فعال انواع محصولات داده را به سازمان های تجاری مختلف عرضه می کند. این شبکه مجموعه داده‌های تصویری گسترده‌ای را برای پلتفرم‌های تولید متن به ویدئو، از جمله شرکتی به نام Everlyn AI، فراهم می‌کند تا مدل‌هایی را برای ترکیب دقیق محتوای بصری آموزش دهد.

فراتر از آن، با ردیابی گفتمان عمومی در توییتر، یوتیوب و بازارهای دارایی دیجیتال، این پروژه فراتر از جمع‌آوری تصویر استاندارد است زیرا پلتفرم وارد بخش تحلیل احساسات می‌شود. تجزیه و تحلیل این احساسات عمومی به شرکت‌ها و صرافی‌های ارز دیجیتال کمک می‌کند ابزارهای نظارتی ایجاد کنند که سیگنال‌های اولیه را برای جلوگیری از نوسانات ناگهانی قیمت ارائه می‌کنند.