Proof of Attribution (PoA) wird auf Chinesisch 归因证明 genannt, die Kernschlüsselwörter sind 可解释性 und 可支付性.

Viele Menschen haben Kopfschmerzen, wenn sie den Begriff sehen. Einfach gesagt, geht es bei der 归因证明 darum, die Beziehung zwischen den Modellausgaben und den Trainingsdaten zu klären. Das Ziel ist es, der KI zu vermitteln, wer die Daten bereitgestellt hat und welche Daten bereitgestellt wurden, was der Schlüssel zur Erklärbarkeit ist.

✍️Für große/kleine Modelle gibt es zwei Arten von Attributionmethoden:
💠Gradient Attribution (für kleine Modelle geeignet)
Ähnlich der Art und Weise, wie ein Arzt eine Diagnose stellt, zum Beispiel: „Welchen Behandlungserfolg hätte der Patient, wenn er keine Hormone nimmt?“ „Kann eine Operation vollständig heilen?“

Auf die KI bezogen bedeutet dies, herauszufinden, wie groß der Einfluss eines bestimmten Trainingsbeispiels auf die Vorhersageergebnisse des Modells ist, wobei der letztendliche Wert den Beitrag des Beispiels repräsentiert. Geeignet für community-spezifische Feinabstimmungsmodelle.

💠Infini-gram Attribution (für große Sprachmodelle geeignet)
Es kann als „Plagiatsprüfungssystem“ für wissenschaftliche Arbeiten betrachtet werden, das System hilft dir, ähnliche Absätze in der Literatur zu finden und zu kennzeichnen.

Alle Trainingsdatensätze werden zu einem Super-Engine zusammengefasst. Nach der Generierung eines Inhalts sucht das Modell innerhalb der Engine nach Übereinstimmungen. Wenn hochgradig übereinstimmende Inhalte gefunden werden, wird festgestellt, dass die Daten die Modellausgabe beeinflusst haben (beitragen).

📙Jede Institution hat ihre eigene Datenbank, die einzigartige Datenbank von OpenLedger heißt „DataNet“

DataNet ist ein thematisches Archiv, jedes registrierte Inhaltsdatum wird offline gespeichert, aber die entsprechenden Metadaten und Hash-Werte werden auf der Blockchain gespeichert.

Interessanterweise kann jedes Mitglied der Community bestehende Inhalte kommentieren/anzweifeln, was mir ein Gefühl von einer Blockchain-„Wikipedia“ gibt.

🔆Die Eigenschaften von Payable werden ebenfalls deutlich: Solange die von dir bereitgestellten Daten einen Einfluss auf die zukünftige Ausgabe eines KI-Modells haben, erhältst du einen Beitrag, wodurch du weiter Erträge erzielen kannst.

🌟Wenn du den obigen Inhalt wirklich bis zum Ende gelesen hast, wirst du feststellen, dass das Potenzial von PoA unbegrenzt ist. Es wird dem Modell helfen, die Zeit, die Versionen und die verwendeten Daten für jedes Training und jede Inferenz zu protokollieren und kann die Belohnungen und Governance-Gewichte weiter verfeinern, basierend auf Kategorien wie Bereich und Qualität.