Приведу самый распространенный пример: вы используете GPT для анализа финансовых данных, мониторинга промышленного оборудования, классификации медицинских документов, и большая часть полученных результатов либо не относится к вопросу, либо полностью зависит от тщательной настройки prompt; в итоге вы не знаете, понимает ли он вообще, что вы хотите.
Конечно, многие хотят сказать, разве AI модель не является просто процессом непрерывного обучения. Если вы предоставите ей достаточно данных, она обязательно поймет ваши мысли и даст вам то, что вам нужно. На самом деле это не так, для отдельного человека самым идеальным вариантом, конечно, является создание собственного AI модели, которая понимает ваши данные и адаптируется под ваш бизнес.
Но реальные проблемы следуют одна за другой, и для того, чтобы достичь этого, вам нужно иметь огромное количество данных, людей для обучения моделей и, что наиболее важно, базовую инфраструктуру для запуска моделей, что в целом может отговорить 90% людей.
1️⃣Подсказка вызова интерфейса Вы можете напрямую обращаться к любому развернутому SLM (Специализированная языковая модель) через интерфейс /v1/completions.
Широкий диапазон применения: AI-боты, ончейн-выводы, даже игровые скрипты могут быть использованы.
2️⃣Интерфейс управления моделями С помощью /v1/models можно получить доступ ко всем готовым моделям, как вашим собственным, так и тем, которые были поделены другими. Если вы хотите увидеть подробную информацию? Используйте /model/info, чтобы проверить цену, инференс-режим, группы доступа и другие параметры конфигурации. Также поддерживается управление team_id, совместимо с инструментами OpenAI, и может быть сгруппировано по правам доступа, что отлично подходит для командного сотрудничества и контроля доступа.
3️⃣Отслеживание расходов и затрат Онлайн-вызовы моделей не бесплатны, но ключевым моментом является то, куда ушли эти деньги? OpenLedger предоставил полностью прозрачный механизм отслеживания: Каждый раз, когда вызывается функция, плата автоматически распределяется между двумя категориями людей: одни предоставляют данные, а другие тренируют и запускают эту модель. Вы также можете использовать /spend/logs, чтобы узнать, кто использовал какую модель, когда и сколько заплатил. Можно фильтровать по ID пользователя, ID запроса, API-ключу, временным интервалам, обеспечивая прозрачность всего процесса в цепочке.
На мой взгляд, это правильный подход к «AI-экономике». В эпоху больших моделей простая свертка и вывод не имеет значения. Для системы важно: возможность распределения доходов, возможность отслеживания, возможность запуска и возможность управления производительностью данных — это и есть суть AI-экономики. По крайней мере, в настоящее время путь OpenLedger заключается в переходе от «настройки моделей» к «созданию моделей + распределению доходов + праву собственности на данные» как к экономической деятельности на блокчейне. Пользователи и разработчики могут извлечь выгоду от этого.
На этой странице может содержаться сторонний контент, который предоставляется исключительно в информационных целях (не в качестве заявлений/гарантий) и не должен рассматриваться как поддержка взглядов компании Gate или как финансовый или профессиональный совет. Подробности смотрите в разделе «Отказ от ответственности» .
8 Лайков
Награда
8
4
Поделиться
комментарий
0/400
Waqar56
· 07-14 04:46
хорошо
Посмотреть ОригиналОтветить0
GateUser-17673242
· 07-14 04:06
пожалуйста 🙏 следовать за мной. Я следую обратно! 🎉Рррооо
Ответить0
MohamedGabrko
· 07-14 03:42
Бычий рынок в разгаре 🐂
Посмотреть ОригиналОтветить0
CryptoLoverArtist
· 07-13 19:19
пожалуйста 🙏 следовать за мной. Я следую обратно! 🎉
Приведу самый распространенный пример: вы используете GPT для анализа финансовых данных, мониторинга промышленного оборудования, классификации медицинских документов, и большая часть полученных результатов либо не относится к вопросу, либо полностью зависит от тщательной настройки prompt; в итоге вы не знаете, понимает ли он вообще, что вы хотите.
Конечно, многие хотят сказать, разве AI модель не является просто процессом непрерывного обучения. Если вы предоставите ей достаточно данных, она обязательно поймет ваши мысли и даст вам то, что вам нужно. На самом деле это не так, для отдельного человека самым идеальным вариантом, конечно, является создание собственного AI модели, которая понимает ваши данные и адаптируется под ваш бизнес.
Но реальные проблемы следуют одна за другой, и для того, чтобы достичь этого, вам нужно иметь огромное количество данных, людей для обучения моделей и, что наиболее важно, базовую инфраструктуру для запуска моделей, что в целом может отговорить 90% людей.
1️⃣Подсказка вызова интерфейса
Вы можете напрямую обращаться к любому развернутому SLM (Специализированная языковая модель) через интерфейс /v1/completions.
Широкий диапазон применения: AI-боты, ончейн-выводы, даже игровые скрипты могут быть использованы.
2️⃣Интерфейс управления моделями
С помощью /v1/models можно получить доступ ко всем готовым моделям, как вашим собственным, так и тем, которые были поделены другими.
Если вы хотите увидеть подробную информацию? Используйте /model/info, чтобы проверить цену, инференс-режим, группы доступа и другие параметры конфигурации. Также поддерживается управление team_id, совместимо с инструментами OpenAI, и может быть сгруппировано по правам доступа, что отлично подходит для командного сотрудничества и контроля доступа.
3️⃣Отслеживание расходов и затрат
Онлайн-вызовы моделей не бесплатны, но ключевым моментом является то, куда ушли эти деньги?
OpenLedger предоставил полностью прозрачный механизм отслеживания:
Каждый раз, когда вызывается функция, плата автоматически распределяется между двумя категориями людей: одни предоставляют данные, а другие тренируют и запускают эту модель.
Вы также можете использовать /spend/logs, чтобы узнать, кто использовал какую модель, когда и сколько заплатил.
Можно фильтровать по ID пользователя, ID запроса, API-ключу, временным интервалам, обеспечивая прозрачность всего процесса в цепочке.
На мой взгляд, это правильный подход к «AI-экономике». В эпоху больших моделей простая свертка и вывод не имеет значения. Для системы важно: возможность распределения доходов, возможность отслеживания, возможность запуска и возможность управления производительностью данных — это и есть суть AI-экономики. По крайней мере, в настоящее время путь OpenLedger заключается в переходе от «настройки моделей» к «созданию моделей + распределению доходов + праву собственности на данные» как к экономической деятельности на блокчейне. Пользователи и разработчики могут извлечь выгоду от этого.