AI veri yolundan DataFi'nın gelişim potansiyeline bakış

Bugünün dünyası, en iyi temel modelleri inşa etme konusunda küresel bir yarışın içinde. Hesaplama gücü ve model mimarisi önemli olsa da, gerçek koruma duvarı eğitim verisidir. Bu makale, Scale AI ile başlayarak, AI veri alanının potansiyelini araştıracaktır.

Scale AI'nin Başarı Yolu

Scale AI'nin şu anki değeri 29 milyar dolar olup, hizmet verdiği müşteriler arasında ABD ordusu ve birçok rekabet halindeki AI devi bulunmaktadır. Scale AI'nin temel işi, büyük miktarda doğru etiketlenmiş veri sağlamaktır ve birçok tek boynuzlunun arasında öne çıkmasının sebebi, verinin AI endüstrisindeki önemini erken dönemde fark etmesidir.

Güç, model ve veriler, AI modellerinin üç temel sütunudur. Büyük dil modellerinin hızlı gelişimi sürecinde, sektördeki gelişim odakları modeli güçten yana kaydırdı. Günümüzde, çoğu model, model çerçevesi olarak transformer'ı benimsemiştir ve büyük oyuncular, kendi süper bilgisayar kümelerini kurarak veya bulut hizmet sağlayıcıları ile uzun vadeli sözleşmeler imzalayarak güç sorununu çözmüştür. Bu durumda, verilerin önemi giderek belirginleşmektedir.

Scale AI sadece mevcut verileri keşfetmekle kalmıyor, aynı zamanda daha uzun vadeli veri üretim işine de odaklanıyor. Farklı alanlardan gelen insan uzmanlardan oluşan bir AI eğitim ekibi kurarak, AI modellerinin eğitimi için daha kaliteli eğitim verileri sağlamaktadır.

AI Model Eğitiminde İki Aşama

AI modelinin eğitimi, ön eğitim ve ince ayar olmak üzere iki bölümden oluşur.

Ön eğitim aşaması, insan bebeklerinin konuşmayı öğrenme sürecine benzer. AI modeline, çevrimiçi olarak toplanmış metinler, kodlar ve diğer bilgileri girmemiz gerekiyor; böylece model, kendi kendine öğrenerek temel iletişim becerilerini kazanabiliyor.

Hassas ayar aşaması, okul eğitimine benzer; belirli doğru ve yanlışlar, cevaplar ve yönler vardır. Önceden işlenmiş, hedeflenmiş veri setleri aracılığıyla, belirli yeteneklere sahip bir model geliştirebiliriz.

Bu nedenle, AI eğitimi için gereken veriler iki kategoriye ayrılır:

1. Çok fazla işleme gerektirmeyen büyük veri genellikle büyük UGC platformlarından gelen tarayıcı verileri, kamuya açık literatür veritabanları, şirketin özel veritabanları vb. kaynaklardan gelir.

2. İnce tasarım ve filtreleme gerektiren veriler, profesyonel ders kitaplarına benzer, veri temizleme, filtreleme, etiketleme, insan geri bildirimi gibi çalışmalar yapılması gerekmektedir.

Bu iki veri seti, AI veri pisti'nin ana gövdesini oluşturur. Model yeteneklerinin daha da artmasıyla birlikte, daha ince ve uzmanlaşmış eğitim verileri, model yeteneklerinin ana etki faktörü haline gelecektir.

Web3 DataFi: AI verilerinin ideal verimli alanı

Geleneksel veri işleme yöntemleriyle karşılaştırıldığında, Web3'ün AI veri alanında doğal avantajları bulunmaktadır ve bu nedenle DataFi'nin yeni bir konsepti ortaya çıkmıştır. Web3 DataFi'nin avantajları esas olarak aşağıdaki birkaç alanda kendini göstermektedir:

1. Akıllı sözleşmeler, veri egemenliğini, güvenliğini ve gizliliğini sağlar.
2. Dağıtık mimarinin getirdiği coğrafi arbitraj avantajları
3. Blok zincirinin açık teşvik ve hesaplaşma avantajları
4. Daha verimli ve açık bir "tek durak" veri pazarının inşasına katkıda bulunur.

Normal kullanıcılar için DataFi, katılmanın en kolay yolu olan merkeziyetsiz bir AI projesidir. Kullanıcıların karmaşık sözleşmeler imzalamalarına veya pahalı donanımlara yatırım yapmalarına gerek yoktur; sadece basit görevler aracılığıyla katılabilirler, örneğin veri sağlama, modellere değerlendirme yapma, AI araçlarını kullanarak basit yaratımlar yapma gibi.

Web3 DataFi'nin Potansiyel Projeleri

Şu anda, birçok Web3 DataFi projesi büyük miktarda finansman almış durumda ve bu alanın büyük potansiyelini gösteriyor. İşte bazı temsilci projeler:

1. Sahara AI: Merkeziyetsiz AI için süper altyapı ve ticaret pazarı oluşturmayı hedefliyor.

2. Yupp: AI modeli geri bildirim platformu, kullanıcıların model çıktısı içeriğine dair geri bildirimlerini toplar.

3. Vana: Kullanıcı kişisel verilerini paraya çevrilebilir dijital varlıklara dönüştürmek.

4. Chainbase: Zincir üstü verilere odaklanır, 200'den fazla blok zincirini kapsar.

5. Sapien: İnsan bilgisini büyük ölçekte yüksek kaliteli AI eğitim verisine dönüştürmeyi amaçlıyor.

6. Prisma X: Robotların açık koordinasyon katmanı olmayı hedefliyor, fiziksel veri toplama bunun anahtarıdır.

7. Masa: Bittensor ekosisteminin önde gelen alt ağ projelerinden biri, veri alt ağını ve Agent alt ağını işletmektedir.

8. Irys: Programlanabilir veri depolama ve hesaplamaya odaklanır.

9. ORO: Sıradan insanların AI katkısına katılmasını sağlamak.

10. Gata: Merkeziyetsiz bir veri katmanı olarak konumlandırılır, çeşitli katılım yolları sunar.

Mevcut Proje Üzerine Düşünceler

Bu projelerin mevcut engelleri genellikle düşük, ancak bir kez kullanıcı ve ekosistem bağlılığı toplandıktan sonra, platform avantajları hızla birikir. Bu nedenle, erken aşama projeleri teşvikler ve kullanıcı deneyimi üzerinde yoğunlaşmalıdır.

Aynı zamanda, bu veri platformları, iş gücünü nasıl yöneteceklerini, veri çıktısının kalitesini nasıl güvence altına alacaklarını ve kötü paranın iyi parayı sürmesini önlemek için gerekli önlemleri almaları gerektiğini de göz önünde bulundurmalıdır. Sahara ve Sapien gibi bazı projeler, veri kalitesi konusunda yönetimi güçlendirmeye başlamıştır.

Ayrıca, şeffaflığın artırılması da günümüzde zincir üzerindeki projelerin karşılaştığı önemli bir sorundur. Birçok proje, Web3 DataFi'nin uzun vadeli sağlıklı gelişimi için olumsuz bir durum olan yeterli kamuya açık, izlenebilir verilere hala sahip değildir.

Son olarak, DataFi'nin geniş ölçekli benimsenmesi, yeterli sayıda bireysel katılımcıyı çekmeyi ve ana akım işletmelerin onayını almayı gerektirir. Sahara AI ve Vana gibi bazı projeler bu alanda iyi ilerlemeler kaydetmiştir.

DataFi, insan zekası ile makine zekası arasındaki uzun vadeli bir simbiyotik ilişkiyi temsil etmektedir. AI çağından umutlu ve endişeli olanlar için, DataFi'ye katılmak iyi bir tercih olabilir.