خذ مثالاً شائعاً، إذا استخدمت GPT لتحليل البيانات المالية، أو مراقبة المعدات الصناعية، أو تصنيف الوثائق الطبية، فإن معظم النتائج التي تحصل عليها إما لا تجيب على السؤال، أو تتطلب تعديلات شديدة على التعليمات، وعندما تصل إلى النهاية لا تعرف حقاً ما إذا كان يفهم ما تريده.
بالطبع، يرغب الكثير من الأشخاص في القول، أليس نموذج الذكاء الاصطناعي مجرد عملية تدريب مستمرة؟ طالما أنك تقدم له كمية كافية من البيانات، فإنه بالتأكيد سيفكر كما تفكر ويقدم لك ما تريد. في الواقع، العكس هو الصحيح، بالنسبة للأفراد، فإن الطريقة المثلى هي بالطبع إنشاء نموذج ذكاء اصطناعي مخصص لك، يفهم بياناتك ويتناسب مع عملك.
ولكن المشاكل الحقيقية تتوالى، والشرط للقيام بذلك هو أنك بحاجة إلى كميات هائلة من البيانات، وأشخاص لتدريب النماذج، والأهم من ذلك هو وجود بنية تحتية لتشغيل النماذج، وهذا يمكن أن يثني 90% من الناس.
1️⃣تلميح لاستدعاء الواجهة يمكنك الاتصال بأي نموذج لغة متخصص (SLM) تم نشره مباشرة من خلال واجهة /v1/completions.
نطاق التوافق واسع جدًا: يمكن استخدامه في الروبوتات الذكية، والاستدلال على السلسلة، وحتى نصوص الألعاب.
واجهة إدارة النماذج 2️⃣ من خلال /v1/models، يمكنك استدعاء جميع النماذج الجاهزة، سواء كانت تلك التي قمت بتدريبها بنفسك، أو التي شاركها الآخرون. إذا كنت ترغب في رؤية معلومات مفصلة؟ استخدم /model/info للتحقق من الأسعار، ونمط الاستدلال، ومجموعة أذونات الوصول، هذه المعلمات التكوينية. حتى أنه يدعم إدارة team_id، ويتوافق مع أدوات OpenAI، ويمكن أن يكون مصنفًا حسب أذونات الوصول، مما يجعله مثاليًا للتعاون في الفريق والتحكم في الأذونات.
3️⃣ تتبع الرسوم والمصروفات نموذج الاستدعاء على السلسلة ليس مجانيًا، لكن المفتاح هو إلى أين تذهب هذه الأموال؟ OpenLedger قدمت آلية تتبع شفافة تمامًا: تُوزع الرسوم الناتجة عن كل استدعاء تلقائيًا على فئتين من الأشخاص: الأولى هي الأشخاص الذين يقدمون البيانات، والثانية هي الأشخاص الذين يدربون وينشرون هذا النموذج. يمكنك أيضًا استخدام /spend/logs لمعرفة من استخدم أي نموذج، ومتى، وكم دفع. يمكن تصفية حسب معرف المستخدم، معرف الطلب، مفتاح API، فترة زمنية، لتحقيق الشفافية الكاملة على السلسلة.
أعتقد أن هذه هي الطريقة الصحيحة لفتح "اقتصاد الذكاء الاصطناعي"، في عصر النماذج الكبيرة، لا فائدة من مجرد استنتاج النتائج. بالنسبة للنظام: القدرة على تقسيم الحسابات، والتتبع، والبدء في العمل، والتلاعب بإنتاجية البيانات هي جوهر اقتصاد الذكاء الاصطناعي. على الأقل، المسار الذي تسلكه OpenLedger حالياً هو الانتقال من "تعديل النماذج" إلى "بناء النماذج + توزيع العائدات + حقوق ملكية البيانات" كأنشطة اقتصادية على السلسلة. سواء كان المستخدمون أو المطورون، الجميع يمكن أن يستفيد.
قد تحتوي هذه الصفحة على محتوى من جهات خارجية، يتم تقديمه لأغراض إعلامية فقط (وليس كإقرارات/ضمانات)، ولا ينبغي اعتباره موافقة على آرائه من قبل Gate، ولا بمثابة نصيحة مالية أو مهنية. انظر إلى إخلاء المسؤولية للحصول على التفاصيل.
خذ مثالاً شائعاً، إذا استخدمت GPT لتحليل البيانات المالية، أو مراقبة المعدات الصناعية، أو تصنيف الوثائق الطبية، فإن معظم النتائج التي تحصل عليها إما لا تجيب على السؤال، أو تتطلب تعديلات شديدة على التعليمات، وعندما تصل إلى النهاية لا تعرف حقاً ما إذا كان يفهم ما تريده.
بالطبع، يرغب الكثير من الأشخاص في القول، أليس نموذج الذكاء الاصطناعي مجرد عملية تدريب مستمرة؟ طالما أنك تقدم له كمية كافية من البيانات، فإنه بالتأكيد سيفكر كما تفكر ويقدم لك ما تريد. في الواقع، العكس هو الصحيح، بالنسبة للأفراد، فإن الطريقة المثلى هي بالطبع إنشاء نموذج ذكاء اصطناعي مخصص لك، يفهم بياناتك ويتناسب مع عملك.
ولكن المشاكل الحقيقية تتوالى، والشرط للقيام بذلك هو أنك بحاجة إلى كميات هائلة من البيانات، وأشخاص لتدريب النماذج، والأهم من ذلك هو وجود بنية تحتية لتشغيل النماذج، وهذا يمكن أن يثني 90% من الناس.
1️⃣تلميح لاستدعاء الواجهة
يمكنك الاتصال بأي نموذج لغة متخصص (SLM) تم نشره مباشرة من خلال واجهة /v1/completions.
نطاق التوافق واسع جدًا: يمكن استخدامه في الروبوتات الذكية، والاستدلال على السلسلة، وحتى نصوص الألعاب.
واجهة إدارة النماذج 2️⃣
من خلال /v1/models، يمكنك استدعاء جميع النماذج الجاهزة، سواء كانت تلك التي قمت بتدريبها بنفسك، أو التي شاركها الآخرون.
إذا كنت ترغب في رؤية معلومات مفصلة؟ استخدم /model/info للتحقق من الأسعار، ونمط الاستدلال، ومجموعة أذونات الوصول، هذه المعلمات التكوينية. حتى أنه يدعم إدارة team_id، ويتوافق مع أدوات OpenAI، ويمكن أن يكون مصنفًا حسب أذونات الوصول، مما يجعله مثاليًا للتعاون في الفريق والتحكم في الأذونات.
3️⃣ تتبع الرسوم والمصروفات
نموذج الاستدعاء على السلسلة ليس مجانيًا، لكن المفتاح هو إلى أين تذهب هذه الأموال؟
OpenLedger قدمت آلية تتبع شفافة تمامًا:
تُوزع الرسوم الناتجة عن كل استدعاء تلقائيًا على فئتين من الأشخاص: الأولى هي الأشخاص الذين يقدمون البيانات، والثانية هي الأشخاص الذين يدربون وينشرون هذا النموذج.
يمكنك أيضًا استخدام /spend/logs لمعرفة من استخدم أي نموذج، ومتى، وكم دفع.
يمكن تصفية حسب معرف المستخدم، معرف الطلب، مفتاح API، فترة زمنية، لتحقيق الشفافية الكاملة على السلسلة.
أعتقد أن هذه هي الطريقة الصحيحة لفتح "اقتصاد الذكاء الاصطناعي"، في عصر النماذج الكبيرة، لا فائدة من مجرد استنتاج النتائج. بالنسبة للنظام: القدرة على تقسيم الحسابات، والتتبع، والبدء في العمل، والتلاعب بإنتاجية البيانات هي جوهر اقتصاد الذكاء الاصطناعي. على الأقل، المسار الذي تسلكه OpenLedger حالياً هو الانتقال من "تعديل النماذج" إلى "بناء النماذج + توزيع العائدات + حقوق ملكية البيانات" كأنشطة اقتصادية على السلسلة. سواء كان المستخدمون أو المطورون، الجميع يمكن أن يستفيد.