AI Verileri | 10 Ocak 2025


Yapay Zeka Bir Veri Duvarına Çarpıyor. Bu Fintech ve Yatırımcılar İçin Ne Anlama Geliyor?
Yapay zekanın veri geri bildirim döngüsü Birkaç yıl önce 'model çöküşüyle' sonuçlanacağı tahmin edilmişti. Bir raporda bildirildiği gibi Koruyucu makale, Elon Musk, yapay zeka sistemlerinin eğitim için mevcut tüm insan yapımı (kamuya açık) verileri tükettiğini cesurca belirtti ve bu geçen yıl gerçekleşti. Şimdi, yapay zeka geliştiricileri bir kıtlıkla karşı karşıya sektörü sentetik (AI kendi kendine üretir) ve alternatif yaklaşımlar gibi alternatif veri kaynaklarına doğru itebilir. Fintech'lerin dolandırıcılık tespitinden ticaret algoritmalarına kadar her şey dahil olmak üzere birçok ağır iş için yapay zekaya bağımlı olması göz önüne alındığında, bu değişimin etkileri çok büyük olabilir. Peki, bu ne anlama geliyor?
Veri Duvarı Sorunu
Mevcut eğitim kaynağı verilerinin sınırlılığı, inovasyonu sınırlayabilir ve uygulamalarda sektör darboğazları yaratabilir, bu nedenle dünyanın insan tarafından üretilen veri arzını tüketmek gerçek bir sorundur. Yapay zekada rekabet küresel olarak şiddetlidir ve veri açlığı çeken yapay zeka modelleri, verileri her zamankinden daha hızlı tüketmektedir. Taze verilere erişim olmadan, Yapay zeka modelleri durgunlaşabilir veya üstünlüğünü kaybedebilir dolandırıcılığı tespit etmede, kişiselleştirilmiş müşteri deneyimleri oluşturmada veya hatta yeni içgörüler ve pazar fırsatları belirlemede. 'Model çöküşü' fikri, veri kalitesi çok fazla hatanın ortaya çıktığı noktaya kadar düşer ve bu da sorunları büyütür, ve gerçeği çok fazla çarpıtarakhalüsinasyonlar'. AI çıktıları üzerinde eğitilen AI sistemleri, modellerin zamanla doğruluk ve çeşitliliğini kaybettiği bir geri bildirim döngüsüne yakalanabilir ve bu da önyargıya ve yanlış bilginin yayılmasına neden olur. Ayrıca, modelleri eğitmek için orantısız bir şekilde 'azınlık verilerine' (daha az popüler veriler veya ana akım olmayan veriler) güvenmek de bir sorundur, gerçeği çarpıtabilir.
Sentetik Veriler ve Alternatifler
Yukarıda açıklanan risklere rağmen giderek daha fazla geliştirici ve AI uzmanı sentetik verilere yöneliyor. Eğitim verisi eksikliği olduğunda, AI kendi Gerçek hayatta sık sık ortaya çıkmayabilecek simüle edilmiş senaryoları çalıştırarak kendini eğitmek için sentetik verilerÖrneğin, bir fintech şirketi nadir görülen dolandırıcılık modellerini taklit etmek veya alışılmadık piyasa koşullarını test etmek için sentetik veriler kullanabilir. Çok fazla sentetik veriye dayanan modeller, özellikle güven ve doğruluğun en önemli olduğu finans alanında ciddi etkileri olabilecek yanlış veya anlamsız çıktılar üretebilir.
Bakınız: Nükleer, Veri Odaklı Geleceği Besleyecek mi?
Geliştiriciler, insan tarafından üretilen yeni, henüz keşfedilmemiş veri kaynaklarının peşindeler. Veri değişim pazar yerleri giderek daha popüler hale geliyor sonuç olarak. Örneğin Amazon Web Services, AWS Veri Değişimi, şirketlerin finansal veriler veya sağlık hizmetleri gibi hassas bilgiler de dahil olmak üzere AI eğitimi ve analitiği için üçüncü taraf veri kümelerine güvenli bir şekilde erişmesine ve bunları kullanmasına olanak tanır. Kontrol edilebilecek bir diğer seçenek ise Snowflake Veri Pazar Yerleri Snowflake'in Veri Bulutu'nun bir parçasıdır. Finans, tüketici davranışı ve kamu sektörü verileri genelinde canlı, sorgulanmaya hazır veri kümeleri sunan bir platformdur.
Uygulamaya ve yapay zeka modeline bağlı olarak geliştiriciler şu seçeneklere yönelebilir: niş veya uzmanlaşmış veri kaynakları Kitaplar, el yazmaları veya diğer arşivler gibi dijitalleştirilen fiziksel kayıtlar gibi. Kültürel veri kaynakları Farklı bölgelerden veya ülkelerden gelen veriler yapay zeka eğitim verilerinin girdisi olarak kullanılabilir. Davranış verileri ticaret/yatırım faaliyetlerinden veya web siteleri, uygulamalar ve oyunlarla etkileşimlerden toplanabilir. Veriler ayrıca şu şekilde de üretilebilir: IoT cihazları gibi gerçek zamanlı kaynaklar akıllı evlerde, arabalarda ve akıllı şehirlerde sensörlerle. Veriler, müşteri destek botları veya konuşma araçları insanlarla etkileşime girdiğinde olduğu gibi İnsan-AI etkileşimlerinden de gerçek zamanlı olarak toplanabilir. Proje sahipleri ayrıca teşvik edebilir ve kalabalık kaynaklı veriler ihtiyaçlarına bağlı olarak çevrimiçi olarak.
Yapay Zeka Geliştirmede Stratejik Değişimler
1. Çok-modlu modeller. Yapay zeka sistemleri yalnızca metinden öteye geçiyor ve daha çeşitli veri kaynaklarını da bünyesine katıyor: görsel (grafikler, infografikler, uydu görüntüleri vb.), ses (ses kalıpları, telefon görüşmeleri, toplantılar) ve işlem verileri (yani, ödeme eğilimleri). Bkz.: Google'ın Gerçek Zamanlı, Çok Modlu Yapay Zeka Asistanına Yönelik Vizyonu
2. Daha küçük, uzmanlaşmış modeller. Tüm şeyler için en iyi lider Büyük Dil AI modeli olmaktan ziyade, büyük eğitim verileri gerektiren, yenilikçiler belirli görevler için AI sistemleri yaratıyorlar. Bu daha küçük çözümler, istenen sonuçları sunarken daha az veri gerektiriyor. Bunlar Küçük dil modelleri daha az enerji tükettikleri için çevre için de daha iyidir.
Bakınız: RBC ve Cohere, 'North for Banking' AI Platformunda Ortaklık Kurdu
3. Ölçekten ziyade verimlilik. Yapay zeka araştırmacıları, sahip oldukları verileri yorumlayarak yapay zeka modellerini daha verimli hale getirerek iyileştirmeye öncelik veriyorlar. daha az bilgiden daha fazla içgörü.
4. Karma eğitim yaklaşımları. Bu strateji, riskleri ve hataları azaltmak için sentetik verileri gerçek yaşam verileriyle dengeli bir şekilde birleştirir. NVIDIA, Google, OpenAI örneği.
5. Federe öğrenme. Verileri merkezi bir sunucuya göndermek yerine, verileri yerel olarak depolayan ve işleyen birden fazla cihaz/sunucuda AI modellerini eğitmenin bir yolu. Bu, veri gizliliğini ve güvenliğini iyileştirir ve üretilen ham veriler yerel olarak depolanan konumdan asla ayrılmaz.
Görünüm
Veri kıtlığı, yenilikçi yaklaşımları teşvik edecek ve sentetik veri üretimi, AI gizlilik araçları ve alternatif veri toplama yöntemlerinde yeni yatırım fırsatları yaratacaktır. Aynı zamanda, sentetik verilere veya eski modellere çok fazla güvenen AI şirketleri, düşük performansla daha az doğru hale gelebilir, bu nedenle dikkatli olunması gerekir. Çoğu şirketin verileri daha akıllıca kullanın, yeni veri kaynaklarını keşfedin ve rekabet etmek için uzmanlaşmış stratejiler geliştirin.
The Ulusal Kitle Fonlaması ve Fintech Derneği (NCFA Kanada), binlerce topluluk üyesine eğitim, pazar istihbaratı, endüstri yönetimi, ağ oluşturma ve finansman fırsatları ve hizmetleri sağlayan ve canlı ve yenilikçi bir fintech ve finansman oluşturmak için endüstri, hükümet, ortaklar ve bağlı kuruluşlarla yakın işbirliği içinde çalışan bir finansal yenilik ekosistemidir. Kanada'da endüstri. Merkezi olmayan ve dağıtılmış olan NCFA, küresel paydaşlarla etkileşim halindedir ve fintech, alternatif finans, kitlesel fonlama, eşler arası finans, ödemeler, dijital varlıklar ve tokenler, yapay zeka, blockchain, kripto para birimi, regtech ve sigorta teknolojisi sektörlerindeki proje ve yatırımların geliştirilmesine yardımcı olur . Kaydol Kanada'nın Fintech ve Finansman Topluluğu bugün ÜCRETSİZ! Veya bir katkıda bulunan üye ve avantajlar elde edin. Daha fazla bilgi için lütfen ziyaret edin: www.ncfacanada.org
İlgili Mesajlar
- SEO Destekli İçerik ve Halkla İlişkiler Dağıtımı. Bugün Gücünüzü Artırın.
- PlatoData.Network Dikey Üretken Yapay Zeka. Kendine güç ver. Buradan Erişin.
- PlatoAiStream. Web3 Zekası. Bilgi Genişletildi. Buradan Erişin.
- PlatoESG. karbon, temiz teknoloji, Enerji, Çevre, Güneş, Atık Yönetimi. Buradan Erişin.
- PlatoSağlık. Biyoteknoloji ve Klinik Araştırmalar Zekası. Buradan Erişin.
- Kaynak: https://ncfacanada.org/musk-says-human-data-for-ai-training-is-depleted/