RAG nedir ve KIP onu neden merkezden uzaklaştırıyor?

TLDR: RAG, Yapay Zeka’daki 3 temel Değer Yaratıcısını (uygulama sahipleri, 📱, model sahipleri 🤖, veri sahipleri 📚) içeren, Üretken Yapay Zeka’da kullanılan yenilikçi bir tekniktir.

KIP’in RAG’ı başarılı bir şekilde merkezileştirmesi, esasen tüm yapay zekanın merkezi olmayan hale getirilmesi için bir çerçeve sağlıyor ve tecavüzcü Yapay Zeka Tekelleriyle mücadele için gerekli bir ilk adımdır.

1️⃣ KISACA NUTSHELL

Yapay zeka modelleri verilerle beslenerek eğitilir. Verilerden öğrenirler, kalıpları tanımak için iç ağırlıklarını ayarlarlar ve yeni verilere dayanarak tahminlerde bulunmalarına veya kararlar almalarına olanak tanırlar. Model daha sonra yeni kazandığı “yerel” bilgiden kullanıcı sorgularına yanıt verebilir.

Ancak bu eğitim süreci, tüm veri kümesinin modele sunulmasını gerektirir ve esasen verilerin modele ‘emilmesiyle’ sonuçlanır. Veriler gizli veya telif hakkıyla korunan bilgiler içeriyorsa, modelin bu bilgiyi gelecekte bir noktada kelimesi kelimesine yayınlama riski vardır.

Peki ya verilerinizi riske atmak istemiyorsanız?

Geri Almayla Artırılmış Üretim veya RAG’ın devreye girdiği yer burasıdır.

RAG, yapay zeka modellerinin, erişim izni verilen harici bilgi tabanlarından ve veritabanlarından veri ve bilgi alarak, doğal olarak bilmediği yanıtlar üretmesini sağlayan karmaşık bir tekniktir.

Sorunuzun cevabını bilmeyen ancak dış veri kaynaklarından cevap bulmak için ustalıkla araştırma yapabilen akıllı bir asistan gibidir.

1. Kullanıcı Sorgu Girişi:
Süreç, kullanıcının RAG sistemini çalıştıran bir chatbot’a soru sormasıyla başlar.

Örneğin, “COVID-19'un belirtileri nelerdir?”

2. Dış Veritabanlarından Alma:
Model, yalnızca kullanıcı sorgusuyla ilgili veri ve bilgi parçalarını almak için tıbbi dergiler, sağlık web siteleri ve klinik veritabanları gibi bağlantılı harici bilgi tabanları ve veritabanlarında arama yaparak alma aşamasını başlatır.

3. Veri İşleme, Filtreleme ve Oluşturma:
Alınan veriler, önemli bilgilerin çıkarılması ve ilgisiz veri noktalarının ortadan kaldırılması için işleme ve filtrelemeye tabi tutulur. Yapay zeka modeli, bir yanıt oluşturmak için alınan verileri kullanıcı sorgusundan gelen bağlamsal ipuçlarıyla sentezler.

COVID-19 semptomları sorgusu durumunda RAG, ateş, öksürük ve nefes darlığı gibi yaygın semptomları listeleyen bir yanıt oluşturabilir, ancak aynı zamanda potansiyel olarak model eğitildiğinde mevcut olmayan en son tıbbi araştırma makalelerindeki bilgileri de içerebilir. daha kaliteli bir yanıt.

4.Yanıt Teslimatı:
Oluşturulan yanıt, chatbot arayüzü aracılığıyla kullanıcıya sunulur.

Böylece RAG, harici verilerin eğitim süreci aracılığıyla bir model tarafından ilk olarak “emilmesine” gerek kalmadan yapay zeka sorgularını yanıtlamak için kullanılmasına olanak tanır.

RAG teknikleri her geçen gün daha karmaşık hale geliyor ve buradaki araştırma makalemizde, RAG kapsamındaki yanıtların kalitesinin eğitimli modellerden daha iyi performans gösterebileceğini gösteriyoruz. https://arxiv.org/pdf/2311.05903.pdf

2️⃣RAG’ın ÖNEMİ

RAG giderek daha önemli hale gelecektir çünkü:
​
1. Model eğitimi son derece teknik ve uzmanlık gerektiren bir faaliyettir ve genellikle yapılması çok pahalıdır; herkes modelleri eğitmek için gerekli beceri veya kaynaklara sahip olmayabilir.

2. Sahipleri, tamamen sahip olmadıkları veya kontrol etmedikleri modellere tam olarak ifşa etmekte hiçbir zaman rahat olamayacak çok sayıda veri (gizli, tescilli vb.) vardır.

Ayrıca fark etmiş olabileceğiniz önemli bir nokta şudur:
RAG çerçevesi altında uygulama sahipleri,📱, model sahipleri🤖 ve veri sahipleri📚 birlikte çalışır ve her biri kullanıcı sorgularının yanıtlanmasına katkıda bulunur.

Bu nedenle, adil bir durumda, her bir tarafın katkılarının karşılığını adil bir şekilde alması gerekir.

Ancak şu anda her bir tarafın bağımsızlığından veya mülkiyet haklarından ödün vermeden bunu yapmanın kolay bir yolu yok. (Bu arada, bu sorun tam olarak bizi bir yıldan fazla bir süre önce KIP’i oluşturmaya başlamaya iten şeydi.)

Bu “para sorunu”.

3️⃣RAG ve Merkezileştirilmiş Yapay Zekayla “Para Sorunu”

Bir varlığın, yapay zeka değer yaratmanın üç aracına da sahip olduğu bir durumu hayal edelim: kullanıcılardan toplanan ödemeleri taraflar arasında bölmeye gerek yok, çünkü bu yalnızca dahili muhasebedir.

Ancak işin diğer tarafı şu: Yapay Zeka Değer Yaratımı’nın 3 Kolunun ( 📱, 🤖 , 📚 ) TEK BİR KURULUŞUN TÜMÜNE SAHİP OLMAMIZI kabul etmiyorsak, parayı Yapay Zeka Değer Yaratanlarının farklı sektörleri arasında nasıl paylaştıracağımız sorununu çözmeliyiz.

“Para Sorunu” çözülmeden ( 📱, 🤖 , 📚 ) her biri bağımsızlığını ve ticaret yapma özgürlüğünü koruyamaz.

Ve şu anda zaten bir tekel oluşuyor.

OpenAI’nin tekelci savaş planının nasıl işleyeceğine dair görüşümüz şöyle:

- OpenAI’nin en güçlü modellerden bazılarına sahip olduğu açık: GPT-4 gibi kapalı kaynaklı modeller, uzun yıllar boyunca açık internetten yayınlanıp alıntılanan kolektif bilgimiz kullanılarak eğitildi. Bu, ChatGPT gibi uygulamalarına ve kullanıcı yapımı GPT’lere güç veriyor.

- Telif Hakkı Kalkanları (yani platformlarına telif hakkıyla korunan verileri yüklediği tespit edilen herkesin yasal ücretlerini ödeme taahhüdü) aracılığıyla, kullanıcılarını yasal sonuçlardan korkmadan kapalı platformlarına veri yükleme konusunda cesaretlendiriyor ve teşvik ediyorlar.

- OpenAI’nin merkezi, kapalı kaynaklı bir web2 platformu olduğu göz önüne alındığında kendimize şu soruyu sormalıyız: kullanıcılar tarafından yüklenen veriler (ister ChatGPT’ye ister GPT uygulamalarına) hâlâ yükleyicilere ait mi?

- Yani mevcut modelleri, tüm verileri pişmanlık duymadan kazıması, Telif Hakkı Kalkanı ve devasa savaş sandıklarıyla, muhtemelen şimdiye kadar yaratılmış en açgözlü veri süpürgesine sahipsiniz, modellerini beslemek için verileri ve kaynakları emiyorsunuz.

Yukarıdakilerin hepsini (ve donanıma yapılan 7 trilyon dolarlık artışı) bir araya getirdiğimizde, bir şeyler yapılmadığı sürece yapay zeka gelişiminin bir veya birkaç şirket tarafından tamamen tekelleştirilmesinin kaçınılmaz olacağını görmek zor değil.

Daha önce paylaştığımız nedenlerden dolayı, yapay zeka tekelleşmesinin insanlık için kötü olduğuna tutkuyla inanıyoruz ve buna karşı aktif olarak mücadele ediyoruz.

4️⃣MERKEZİ OLMAYAN RAG’ın ÖNEMİ

RAG, yapay zeka değer yaratmanın 3 temel kolunun tümünü içerir ( 📱, 🤖 , 📚 ).

Böylece KIP, RAG’ı merkezi olmayan hale getirmek için bir çerçeve oluşturarak, esasen yapay zekada değer yaratma üzerindeki kontrolü merkezi olmayan hale getirmek için bir çerçeve oluşturur ve böylece tüm değer yaratıcılarına yapay zeka tekelleriyle mücadele etmeleri için eşit bir oyun alanı sağlar.

Yapay zekanın, büyük bir şirketin temel işlevlerin her birini koordine etmesine gerek kalmadan, milyonlarca küçük ve büyük ölçekli yaratıcının dahil olduğu işbirlikçi bir çaba olarak verimli bir şekilde çalışmasına izin veriyoruz.

Bunu öncelikle RAG’ın merkezi olmayan bir yapıya kavuşturulmasına engel olan 3 temel seviye problemini çözerek yapacağız:

1. Mülkiyet: ( 📱, 🤖 , 📚 ) web3'te kolayca ve güvenli bir şekilde yayın yapabilmelerini sağlamak, web3 “ticaret varlıklarını” ERC 3525 Yarı Değiştirilebilir Tokenlar biçiminde oluşturmak, böylece dijital mülkiyet haklarını zincir.

2. Bağlantı: Zincir dışı ve zincir içi etkileşimlerin sorunsuz olmasını sağlamak, 📱, 🤖 , 📚’nin birbirine kolayca ve özgürce bağlanması için açık bir ortam sağlamak

3. Para Kazanma: Her bir Yapay Zeka Değer Yaratıcısının katkılarının kaydedilmesi ve muhasebeleştirilmesinin yanı sıra otomatik gelir paylaşımı ve para çekme işlemleri için ortak bir çerçeve sağlanması.

KIP, merkezi olmayan RAG’yi (d/RAG) getirerek, Yapay Zeka Tekelleriyle mücadele için ilk önemli planı hazırlıyor.

Her yapay zeka değer yaratıcısı için dijital mülkiyet haklarının kilidini açmak ve her birine bağımsız kalırken işlem yapma yetkisi vermek, Big Tech’in başarmaya çalıştığı şeyin tam tersidir.

KIP Protokolü, Yapay Zeka Değer Yaratıcılarını, yapay zekadaki tekelcilere karşı savaşmak için gerekli olan silahlarla ⚔️ silahlandırıyor.

WEB SITE | TWITTER(X) | TELEGRAM | DISCORD