في عالم تزداد فيه الثقة في المعلومات انخفاضاً، قد تمثل البلوك تشين خلاصاً للبيانات القابلة للتحقق

في البيئة الحالية للأخبار المزيفة، والحقائق البديلة، والمصادر غير الموثقة، والكذب الصريح، يمكن أن يكون من الصعب للغاية الوثوق بما يتم نشره. ومع ذلك، تمتد هذه المشكلة إلى ما هو أبعد من الأخبار السياسية أو القصص المثيرة. نجد أنفسنا في بيئة نملك فيها المزيد من البيانات من أي وقت مضى، ونعتمد على المزيد من البيانات من أي وقت مضى، لكن قدرتنا على التحقق من صحة هذه البيانات ممتدة جيداً beyond حدودها.  

وعد المشكلة مع البيانات

زاد قطاع الذكاء الاصطناعي بشكل خاص من شغفنا بالبيانات. بينما كان بإمكاننا دائماً استخدام التحليل الإحصائي على البيانات لاكتساب رؤى معينة، أعطى لنا الذكاء الاصطناعي ما يبدو وكأنه قوة غير محدودة، إذا كان لدينا فقط البيانات الصحيحة لتدريب خوارزمية. بمجموعة تدريب مناسبة من البيانات، يمكن لخوارزمية الذكاء الاصطناعي تصنيف فئات مختلفة من البيانات، مثل تحديد منتج بناءً على صورة. يمكنها استخدام البيانات للتنبؤ بأشياء مستحيلة على البشر العثور عليها: التنبؤ بالسلوك الاحتيالي على حسابك المصرفي، وكم من الوقت سيستغرق وصول الطرد، وما إذا كانت سيارة أخرى ستصطدم بسيارتك ذاتية القيادة. يمكنها تحسين مشكلة بناءً على البيانات، مثل تبسيط مصنع، أو جدولة جميع مواعيدك بناءً على قيود جدولك الزمني، أو تنعيم حركة الروبوت. مع ما يكفي من البيانات، يمكن لخوارزمية ذكاء اصطناعي مثل نموذج اللغة الكبير، الموجود في ChatGPT والنماذج المماثلة، الإجابة على نطاق واسع من الأسئلة، غالباً بدقة مذهلة. في بضع سنوات قليلة، وجدنا أنفسنا معتمدين تماماً على الذكاء الاصطناعي لأننا لا نزال نكتشف قدراته (ومحدودياته).

كما لاحظتم، العامل المشترك هنا هو البيانات. المشكلة، ومع ذلك، هي أن مجرد امتلاك البيانات ليس كافياً لبناء خوارزمية ذكاء اصطناعي مناسبة. إنشاء نموذج ذكاء اصطناعي فعال هو في الواقع أكثر تعقيداً وصعوبة مما قد يبدو عليه الأمر. هناك الكثير من الخبرة المطلوبة لاختيار الخوارزمية الصحيحة، وضبط الأزرار والرافعات المناسبة (تسمى المعلمات الفائقة)، وتدريب/اختبار النموذج لضمان سلوكه بالطريقة الصحيحة. لكي يعمل أي من هذا، يجب على المطور إنشاء أو جمع النوع الصحيح من البيانات لاستخدامها في التدريب، وتسميتها حيثما لزم الأمر، والتحقق من صحتها. تختلف كمية البيانات المطلوبة ولكن يمكن أن تكون كبيرة جداً، خاصة إذا كان النموذج يتخذ قرارات معقدة، أو يختار من بين فئات مختلفة عديدة، أو يحتاج إلى تحديد تغييرات صغيرة جداً (مثل العثور على عيوب مجهرية في منتج، على سبيل المثال).

الحقيقة هي أن القدرة على إنشاء خوارزميات الذكاء الاصطناعي الصحيحة تصبح أسهل فأصعب، بينما يصبح العثور (أو إنشاء) البيانات الصحيحة لتدريب النموذج أكثر صعوبة مع تعقيد المشكلات التي نريد حلها، أو عندما تكون البيانات المطلوبة كبيرة ومعقدة، أو عندما نملك البيانات ولكن مصداقيتها مشكوك فيها. ماذا يمكن فعله لجمع والتحقق من صحة هذه التريليونات من نقاط البيانات؟ دعونا ننظر في هذه القضية ونستكشف لماذا قد تقدم السمات الرئيسية للبلوك تشين حلاً، مع منصات مثل Synesis One التي تظهر بالفعل وعداً كبيراً في حشد قوة كبيرة من الناس باستخدام اللامركزية.

صناعة جمع البيانات 

لجمع البيانات اللازمة لنموذج الذكاء الاصطناعي بشكل صحيح، تحتاج أولاً إلى فهم المشكلة التي تحاول حلها. من جانب هذه الصناعة، هناك شركات ومنظمات وحتى أفراد لديهم مشاكل للحل. من أجل العثور على البيانات الصحيحة أو إنشائها، يجب أن يكونوا قادرين على صياغة ما يحاولون حله بتفاصيل كافية لفهم خبراء البيانات نوع البيانات المطلوبة، ونوع التسمية أو التحقق، وكميتها. من الناحية المثالية، ستبث هذه الكيانات مشكلتها ونوع البيانات التي تحتاجها. إذا كان هذا شيئاً مثل تقرير أو تحليل، يمكنك استخدام اقتصاد العمل الحر الراسخ للعثور على شخص مؤهل للوظيفة. التحدي هو أن مجموعات البيانات اللازمة للذكاء الاصطناعي غالباً ما تكون مهمة أكبر مما يمكن لشخص واحد التعامل معه. ومع ذلك، فإن العناصر الفردية ليست صعبة عادةً، ولا تتطلب تدريباً في معظم الحالات، ويمكن تقسيمها إلى زيادات لنقطة بيانات واحدة. هذا مثالي لتوزيع العمل على العديد من الأشخاص المختلفين. إذا تمكن العديد من الأشخاص من جمع أو إنشاء عدد صغير من نقاط البيانات بطريقة موثوقة، ثم تسمية البيانات إذا لزم الأمر باستخدام بعض الإرشادات الأساسية، فستكون الكيانية التي تحاول حل مشكلتها قد حصلت على كل ما تحتاجه للبدء.

اللامركزية في العمل

هنا حيث تكون البلوك تشين، واللامركزية على وجه الخصوص، مثالية. كما ذُكر أعلاه، تقوم Synesis One وشركات Web3 الناشئة الأخرى بإنشاء صناعة كاملة لإنشاء البيانات وجمعها والتحقق منها. البلوك تشين مثالية لأنها تسمح للعقود الذكية بأتمتة العملية، وتسمح للمشاركين بأن يكونوا في أي مكان عبر العالم (مما يزيد من احتمالات عمل الناس في المشكلة)، وحتى تسمح بالدفع على شكل عملة مشفرة، وهي عابرة للحدود إلى حد كبير. النتيجة؟ العديد من الأشخاص المختلفين الذين يتبعون تعليمات أساسية لإنشاء أو العثور على البيانات الصحيحة، والتحقق منها، وإجراء بعض المراجعات من قبل الأقران إذا لزم الأمر (لضمان قيام الجميع بالعمل بشكل صحيح)، وتغليفها في مجموعة بيانات جاهزة للاستخدام.  

بينما قد يبدو المفهوم أساسياً إلى حد ما، فهو في الواقع ثوري لمجتمع الذكاء الاصطناعي. كانت قيود البيانات لعقود من الزمان لعنة لمطوري الذكاء الاصطناعي في جميع أنحاء العالم، حيث كان المطورون غالباً غير قادرين على بناء هذه المجموعات بأنفسهم، وبدون الموارد لتوظيف الأشخاص مباشرة لإنجاز المهمة. فقط من خلال نظام فائق الكفاءة مثل اللامركزية يمكنك تجنيد العديد من الأشخاص المختلفين الذين يمكنهم المساهم بكمية صغيرة، والمكافأة على جهودهم، وجميعها تضيف إلى الكومة التي تصبح في النهاية بيانات قابلة للاستخدام.  

الجمهور العام، بمن فيهم من يعملون في مجال التكنولوجيا، لا يدركون مقدار الجهد البشري والإدخال المطلوبين من جانب البيانات لكي تعمل نماذج الذكاء الاصطناعي بشكل جيد كما تفعل الآن. @Lempheter يقدم أداءً مذهلاً في هذا الموضوع من خلال تفكيك بعض الاختناقات في… https://t.co/FFO3sAO3fr

— Synesis One (@synesis_one) مايو 2، 2024

ما هو القادم؟

مع حل أحد الاختناقات الرئيسية لتقدم الذكاء الاصطناعي محتملاً، ستخدم سوق البيانات اللامركزية في تعزيز تسارع الذكاء الاصطناعي في حياتنا اليومية، بينما تجعل أيضاً الذكاء الاصطناعي القابل للاستخدام والمخصص أكثر سهولة للشركات الصغيرة وحتى الأفراد. سنشهد بالتأكيد توسع هذه الصناعة، إن لم تنفجر، في المستقبل القريب، مما يوفر حالة استخدام رئيسية في Web3 منفصلة تماماً عن DeFi و NFTs أو أي من استخدامات "الضجيج" التي يفكر فيها الجمهور العام عندما يسمعون مصطلح "البلوك تشين." مع أي حظ، قد يبدأون في التفكير في البلوك تشين على أنها الزيادة الرئيسية التي تحتاجها صناعة الذكاء الاصطناعي.