De fiecare dată când folosesc instrumente de inteligență artificială, observ aceeași problemă repetându-se. Răspunsurile par foarte sigure… încât ai putea să le crezi imediat. Text bine structurat, analiză lungă și încredere totală în vorbire. Dar uneori, după ce verifici o informație simplă, descoperi că o parte din răspuns a fost doar o ghicire din model.
Și aici am început să înțeleg de ce au apărut proiecte precum @mira_network. Ideea nu este de a construi un nou model AI, ci de a crea un strat de verificare deasupra inteligenței artificiale însăși. În loc să te bazezi pe un singur model, răspunsul este împărțit în mai multe afirmații mici, apoi fiecare afirmație este verificată prin modele diferite și verificatori din rețea.
Dacă un număr suficient de mare dintre ei ajung la concluzia că afirmația este corectă, aceasta primește confirmare. Dacă există o neconcordanță, afirmația rămâne nesoluționată până când va fi verificată mai bine. Acest lucru adaugă un element care a lipsit în multe dintre sistemele AI actuale: transparența în modul în care se ajunge la rezultat.
Partea interesantă este că verificarea în sine este legată de un sistem economic în interiorul rețelei prin $MIRA, unde auditorii participă la procesul de verificare și au un stimulent pentru a menține acuratețea informațiilor.
Poate că aceasta nu rezolvă toate problemele inteligenței artificiale, dar ideea de a avea o rețea care verifică informațiile înainte de a fi utilizate pare a fi un pas important, mai ales având în vedere utilizarea tot mai mare a AI în domenii sensibile precum datele financiare sau sistemele automatizate.
Pe măsură ce inteligența artificială continuă să evolueze, problema verificării informațiilor poate deveni la fel de importantă ca și producerea informațiilor în sine.