Es bien sabido que la mayor barrera para la implementación de grandes modelos de IA en verticales de aplicación como finanzas, salud y derecho es el problema de la "ilusión" de resultados que no cumplen con los requisitos de precisión en escenarios de uso reales. ¿Cómo resolver esto? Recientemente, @Mira_Network lanzó una red de prueba pública, ofreciendo un conjunto de soluciones, así que les contaré de qué se trata:

En primer lugar, las herramientas de los grandes modelos de IA tienen casos de "ilusiones" que todos pueden experimentar, y las razones de esto son principalmente dos:
Los datos para el entrenamiento del AI LLM no son lo suficientemente completos, aunque el volumen de datos ya es muy grande, aún no se puede abarcar cierta información nicho o profesional, en tal caso, el AI tiende a "completar creativamente", lo que a su vez conduce a algunos errores en tiempo real;
Los LLM de IA se basan en "muestreo probabilístico", que consiste en identificar patrones estadísticos y correlaciones en los datos de entrenamiento, en lugar de un verdadero "entendimiento". Por lo tanto, la aleatoriedad de la selección probabilística, la inconsistencia de los resultados de aprendizaje y el razonamiento pueden llevar a errores de IA al procesar preguntas factuales de alta precisión;
¿Cómo resolver este problema? En la plataforma ArXiv de la Universidad de Cornell se publicó un artículo que describe métodos de validación conjunta con varios modelos para mejorar la fiabilidad de los resultados de los LLMs.
Una comprensión simple consiste en permitir que el modelo principal genere resultados primero, y luego combinar varios modelos de verificación para realizar un "análisis de mayoría de votos" con el fin de reducir las "ilusiones" que surgen en el modelo.
En una serie de tests se descubrió que este método puede aumentar la precisión de la salida de IA hasta un 95,6%.
Por lo tanto, definitivamente se necesita una plataforma distribuida para la verificación, para gestionar y comprobar el proceso de colaboración entre el modelo base y el modelo de verificación. Mira Network es una red intermedia diseñada específicamente para la verificación de AI LLMs, que construye un nivel de verificación confiable entre el usuario y los modelos de AI subyacentes.
Gracias a la existencia de esta red, los niveles de verificación pueden implementar servicios integrados, incluyendo protección de la privacidad, aseguramiento de la precisión, diseño escalable, interfaces API estandarizadas y otros servicios integrados, así como la capacidad de integrar IA en diversos escenarios de aplicación subdivididos puede ser ampliada mediante la reducción de la ilusión de salida de AI LLM, que también es una práctica en el proceso de implementación del proyecto AI LLM por parte de la red de verificación distribuida Crypto.
Por ejemplo, Mira Network compartió varios casos en el ámbito de las finanzas, la educación y la ecología del blockchain, para confirmar:
Después de la integración de Mira en la plataforma de comercio Gigabrain, el sistema puede agregar otro nivel de verificación de la precisión del análisis de mercado y pronósticos, filtrando ofertas no confiables, lo que puede aumentar la precisión de las señales comerciales de AI, haciendo que la aplicación de AI LLMs en escenarios DeFi sea más confiable.
Learnrite utiliza mira para verificar preguntas de prueba estandarizadas generadas por inteligencia artificial, permitiendo a las instituciones educativas utilizar contenido creado por inteligencia artificial a gran escala sin perjudicar la precisión del contenido de las pruebas educativas para mantener estrictos estándares educativos;
El proyecto de blockchain Kernel utiliza el mecanismo de consenso LLM de Mira, integrándolo en el ecosistema BNB, creando una red descentralizada de validación DVN, que proporciona cierto nivel de precisión y seguridad en la ejecución de cálculos de IA en la blockchain.