#OpenLedger $OPEN
Im dłużej obserwuję rozwój branży AI, tym bardziej czuję, że mierzymy niewłaściwe rzeczy.
Wszyscy są obsesyjnie skupieni na możliwościach.
Który model jest mądrzejszy?
Który lepiej rozumuje?
Który generuje najbardziej ludzkie odpowiedzi?
Ale sama zdolność nie buduje zaufania.
A zaufanie staje się znacznie ważniejsze, gdy AI zaczyna działać w rzeczywistych systemach gospodarczych.
Pomyśl o tym.
Większość wyników AI dzisiaj pojawia się jako gotowe produkty. Widzimy odpowiedź, prognozę, rekomendację lub analizę.
Rzadko widzimy podróż, która to wyprodukowała.
Dane treningowe.
Współpracownicy.
Korekty.
Udoskonalenia.
Niezliczone decyzje podjęte przed tym, jak ostateczny wynik w ogóle się pojawił.
Z czasem te ukryte warstwy zaczynają znikać z widoku.
Wynik pozostaje widoczny.
Pochodzenie zanika w tle.
I tu zaczyna się robić interesująco.
Ponieważ każdy system informacyjny w końcu staje przed tym samym wyzwaniem:
Ile zaufania możesz mieć do czegoś, gdy już nie rozumiesz, skąd to pochodzi?
To pytanie staje się coraz ważniejsze w AI.
W miarę jak modele stają się bardziej ze sobą połączone, zaczynają polegać na innych modelach, zewnętrznych zbiorach danych, systemach wyszukiwania, pętlach opinii ludzkiej i autonomicznych agentach. Wyniki stają się nałożone na wcześniejsze wyniki.
Ostatecznie już nie oceniasz pojedynczej odpowiedzi.
Oceniasz cały łańcuch dziedziczonych założeń.
Większość ludzi nie zbada tego łańcucha.
Większość systemów również nie.
Po prostu zaufa, że ktoś wcześniej to sprawdził.
I to właśnie dlatego pochodzenie może stać się bardziej wartościowe niż surowa inteligencja.
Co mnie wyróżnia w @OpenLedger, to że wydaje się koncentrować na tym, aby te ukryte relacje stały się bardziej widoczne.
Niekoniecznie tworząc mądrzejsze AI.
Tworząc bardziej przejrzyste ekosystemy AI.
Jest różnica.
Jedno podejście konkurowało by na wydajności.
@OpenLedger $OPEN $BTC #BTC
#OpenLedger #AI #OpenLedger
Im dłużej obserwuję rozwój branży AI, tym bardziej czuję, że mierzymy niewłaściwe rzeczy.
Wszyscy są obsesyjnie skupieni na możliwościach.
Który model jest mądrzejszy?
Który lepiej rozumuje?
Który generuje najbardziej ludzkie odpowiedzi?
Ale sama zdolność nie buduje zaufania.
A zaufanie staje się znacznie ważniejsze, gdy AI zaczyna działać w rzeczywistych systemach gospodarczych.
Pomyśl o tym.
Większość wyników AI dzisiaj pojawia się jako gotowe produkty. Widzimy odpowiedź, prognozę, rekomendację lub analizę.
Rzadko widzimy podróż, która to wyprodukowała.
Dane treningowe.
Współpracownicy.
Korekty.
Udoskonalenia.
Niezliczone decyzje podjęte przed tym, jak ostateczny wynik w ogóle się pojawił.
Z czasem te ukryte warstwy zaczynają znikać z widoku.
Wynik pozostaje widoczny.
Pochodzenie zanika w tle.
I tu zaczyna się robić interesująco.
Ponieważ każdy system informacyjny w końcu staje przed tym samym wyzwaniem:
Ile zaufania możesz mieć do czegoś, gdy już nie rozumiesz, skąd to pochodzi?
To pytanie staje się coraz ważniejsze w AI.
W miarę jak modele stają się bardziej ze sobą połączone, zaczynają polegać na innych modelach, zewnętrznych zbiorach danych, systemach wyszukiwania, pętlach opinii ludzkiej i autonomicznych agentach. Wyniki stają się nałożone na wcześniejsze wyniki.
Ostatecznie już nie oceniasz pojedynczej odpowiedzi.
Oceniasz cały łańcuch dziedziczonych założeń.
Większość ludzi nie zbada tego łańcucha.
Większość systemów również nie.
Po prostu zaufa, że ktoś wcześniej to sprawdził.
I to właśnie dlatego pochodzenie może stać się bardziej wartościowe niż surowa inteligencja.
Co mnie wyróżnia w @OpenLedger, to że wydaje się koncentrować na tym, aby te ukryte relacje stały się bardziej widoczne.
Niekoniecznie tworząc mądrzejsze AI.
Tworząc bardziej przejrzyste ekosystemy AI.
Jest różnica.
Jedno podejście konkurowało by na wydajności.
@OpenLedger $OPEN $BTC #BTC
#OpenLedger #AI #OpenLedger