Наприклад, найпоширеніший випадок: ви використовуєте GPT для аналізу фінансових даних, моніторингу промислового обладнання, класифікації медичних документів, більшість згенерованих результатів або не відповідають на запит, або вимагають постійної корекції підказок, і врешті-решт ви не знаєте, чи дійсно він розуміє, що вам потрібно.

Звичайно, багато хто хоче сказати, що модель штучного інтелекту - це не що інше, як постійний процес навчання. Якщо ви дасте їй достатньо даних, вона обов'язково зрозуміє ваші думки і надасть те, що вам потрібно. Але це не так, для особистості найкращий варіант - створити власну модель ШІ, яка зрозуміє ваші дані та адаптується до вашого бізнесу.

Але насправді проблеми йдуть одна за одною, щоб це зробити, вам потрібно мати величезну кількість даних, людей для навчання моделей, а найголовніше - мати інфраструктуру для запуску моделей, що в основному може відлякати 90% людей.

1️⃣Підказка виклику інтерфейсу
Можна безпосередньо викликати будь-яку налаштовану SLM (Спеціалізовану мовну модель) через інтерфейс /v1/completions.

Широкий діапазон застосування: AI бот, ончейн виведення, навіть ігрові скрипти можуть бути використані.

2️⃣Інтерфейс управління моделями
За допомогою /v1/models можна викликати всі готові моделі, як ті, що ви навчили самі, так і ті, що поділилися інші.
Якщо ви хочете побачити детальну інформацію? Використовуйте /model/info, щоб перевірити ціну, режим інференції, групи доступу та інші параметри конфігурації. Навіть підтримується управління team_id, сумісне з інструментами OpenAI, що дозволяє групувати за правами доступу, що дуже підходить для командної роботи та контролю доступу.

3️⃣Витрати та відстеження витрат
Виклики моделей в ланцюгу не є безкоштовними, але важливо, куди йдуть ці гроші?
OpenLedger надав повністю прозорий механізм відстеження:
Кожен раз, коли викликається плата, вона автоматично розподіляється між двома категоріями людей: однією є той, хто надає дані, а іншим є той, хто тренує та запускає цю модель.
Ви також можете використовувати /spend/logs, щоб перевірити, хто конкретно використовував який модель, коли та скільки грошей заплатив.
Можна фільтрувати за ID користувача, ID запиту, API-ключем, часовим періодом, реалізуючи прозорість всього процесу в ланцюгу.

На мою думку, це і є правильний підхід до "AI економіки". У епоху великих моделей ефект простого обчислення не має значення. Щодо системи: здатність ділити прибуток, відслідковувати походження, запускати роботу та ефективно використовувати продуктивність даних є основою AI економіки. Принаймні, наразі шлях OpenLedger полягає в переході від "налаштування моделей" до "створення моделей + розподіл прибутку + права на дані" в рамках економічної діяльності на блокчейні. Як користувачі, так і розробники можуть отримати вигоду.