ການເປີດເຜີຍ: ນີ້ແມ່ນໂພສທີ່ໄດ້ຮັບການສະໜັບສະໜູນ. ຜູ້ອ່ານຄວນດໍາເນີນການຄົ້ນຄ້ວາຕື່ມອີກກ່ອນທີ່ຈະດໍາເນີນການໃດໆ. ຮຽນຮູ້ເພີ່ມເຕີມ ›
ເລື່ອງຂອງ WorkML.ai ໂຄງການເລີ່ມຕົ້ນດ້ວຍການປະຊຸມຂອງ Michael Bogachev ແລະ Denis Davydov ໃນປີ 2020 ໃນຂະນະທີ່ເຮັດວຽກຢູ່ທີ່ການເລີ່ມຕົ້ນຂອງອູແກຣນທີ່ປະສົບຜົນສໍາເລັດ, ເຊິ່ງໄດ້ມາໂດຍບໍລິສັດຂົນສົ່ງທີ່ໃຫຍ່ທີ່ສຸດໃນ UAE. ຕໍ່ມາໃນປີ 2023, ເປັນຜົນມາຈາກການເດີນທາງໃນທົ່ວເອີຣົບ, ພວກເຂົາເຈົ້າໄດ້ຂ້າມເສັ້ນທາງໃນ Budapest, ບ່ອນທີ່ແນວຄວາມຄິດຫຼັກຂອງໂຄງການໄດ້ຖືກຄົ້ນພົບ.
ໃນການຊອກຫາແນວຄວາມຄິດຂອງເຂົາເຈົ້າ, ພວກເຂົາເຈົ້າໄດ້ສຸມໃສ່ໂດຍສະເພາະກ່ຽວກັບແນວໂນ້ມທີ່ມີຢູ່ແລ້ວໃນຂົງເຂດຂອງ AI ແລະ cryptocurrencies. Denis ມີປະສົບການຢ່າງຫຼວງຫຼາຍໃນ cryptocurrencies, ໄດ້ເຮັດວຽກຢູ່ໃນບໍລິສັດ crypto ອາເມລິກາລະຫວ່າງ 2022-2023 ແລະເຂົ້າຮ່ວມໃນ AI ແລະ crypto startups ຈາກ 2016 ຫາ 2019. Michael ຍັງໄດ້ນໍາໃຊ້ AI ໃນການພັດທະນາລະບົບ logistics ແຕ່ປີ 2016 ຫາ 2022.
ອີງຕາມປະສົບການຂອງເຂົາເຈົ້າ, ພວກເຂົາເຈົ້າໄດ້ກໍານົດບາງຂໍ້ບົກພ່ອງໃນການກະກຽມຮູບແບບ AI ຂະຫນາດໃຫຍ່.
ຄໍຂວດທໍາອິດແມ່ນການປຸງແຕ່ງຊຸດຂໍ້ມູນຂະຫນາດໃຫຍ່, ບັນຫາທີ່ຖືກແກ້ໄຂຢ່າງສໍາເລັດຜົນໂດຍ Nvidia, ຮຸ້ນທີ່ມີຫຼັກຊັບເພີ່ມຂຶ້ນຫຼາຍກວ່າສອງເທົ່າໃນປີ 2023 ຫຼັງຈາກປ່ອຍຕົວເລັ່ງຂອງພວກເຂົາ.
ຄໍຂວດທີສອງແມ່ນບໍ່ຊັດເຈນ, ເນື່ອງຈາກວ່າມັນພຽງແຕ່ສາມາດຖືກກໍານົດໂດຍຜູ້ທີ່ມີສ່ວນຮ່ວມໂດຍກົງໃນແບບການຝຶກອົບຮົມ. ກະຕຸກນີ້ແມ່ນການກະກຽມ metadata, ເຊິ່ງຖືກປ້ອນເຂົ້າໄປໃນຕົວແບບພ້ອມກັບຂໍ້ມູນ.
Metadata ແມ່ນຫຍັງ?
Metadata ແມ່ນອົງປະກອບທີ່ສໍາຄັນ ທີ່ອະນຸຍາດໃຫ້ເຄືອຂ່າຍ neural ສາມາດຕີຄວາມຫມາຍຂອງສິ່ງທີ່ເປັນພາບ, ສຽງ, ຫຼືລາຍລັກອັກສອນ, ແລະວິທີການມັນກ່ຽວຂ້ອງກັບວັດຖຸອື່ນໆ.
ທ່ານສາມາດຮຽນຮູ້ເພີ່ມເຕີມກ່ຽວກັບຂໍ້ມູນນີ້ໃນໂຄງການ WorkML.ai Whitepaper.
ການກະກຽມ metadata ແມ່ນຖືວ່າເປັນວຽກທີ່ທ້າທາຍ
ມັນປະກົດວ່າເພື່ອສ້າງເຄືອຂ່າຍ neural ໃຫມ່, ມັນຈໍາເປັນຕ້ອງໄດ້ຮັບການຝຶກອົບຮົມທັງຫມົດຈາກຈຸດເລີ່ມຕົ້ນດ້ວຍຈໍານວນຂໍ້ມູນຈໍານວນຫຼວງຫຼາຍ (ເຄືອຂ່າຍທີ່ຖືກຝຶກອົບຮົມບໍ່ເຫມາະສົມສໍາລັບການນີ້; ມັນຈໍາເປັນຕ້ອງຝຶກອົບຮົມໃຫມ່ໃນແຕ່ລະຄັ້ງ). ສໍາລັບການນີ້, ນັກພັດທະນາຕ້ອງການທັງຂໍ້ມູນແລະ Metadata ອະທິບາຍຂໍ້ມູນນີ້. ຍິ່ງໄປກວ່ານັ້ນ, ເມື່ອ Metadata ຖືກຕ້ອງຫຼາຍແລະຂໍ້ມູນທີ່ຖືກນໍາໃຊ້ໃນການຝຶກອົບຮົມເຄືອຂ່າຍ neural, ການຄາດຄະເນຂອງມັນຈະສະຫລາດແລະຖືກຕ້ອງຫຼາຍຂຶ້ນ.
ໃນມື້ນີ້, ເພື່ອຝຶກອົບຮົມເຄືອຂ່າຍ neural ທີ່ມີປະສິດທິພາບສໍາລັບການຮັບຮູ້ຮູບພາບສັດຫຼືການສ້າງຮູບພາບ, ສິບລ້ານຮູບພາບ (ຂໍ້ມູນ) ຈໍາເປັນຕ້ອງໄດ້ຮັບການປ້ອນເຂົ້າໄປໃນເຄືອຂ່າຍ neural, ປະກອບໂດຍ Metadata (ໃນກໍລະນີນີ້, ຂໍ້ມູນເພີ່ມເຕີມທີ່ລະບຸບ່ອນທີ່ແນ່ນອນຂອງແຕ່ລະຮູບສັດໂດຍສະເພາະ, ເຊິ່ງສາມາດເປັນສີ່ຫລ່ຽມ, ຮູບສີ່ຫລ່ຽມ, ຕື່ມຂໍ້ມູນໃສ່, ຫຼືໂຄງກະດູກ).
ຄວາມສັບສົນຂອງຂະບວນການ annotation
ຕົວຢ່າງ, ສໍາລັບ 10 ລ້ານຮູບພາບ, ປະມານ 30-40 ລ້ານຫນ່ວຍຂອງ Metadata ແມ່ນຈໍາເປັນ, ຍ້ອນວ່າຮູບພາບຫນຶ່ງສາມາດພັນລະນາຈາກ 1 ຫາ 10 ຫຼືຫຼາຍກວ່ານັ້ນ, ແຕ່ລະອັນຕ້ອງໄດ້ຮັບການຫມາຍ. ນອກຈາກນີ້ຍັງມີຄວາມແຕກຕ່າງໃນວິທີການເນັ້ນໃສ່ວັດຖຸ. ສໍາລັບຕົວຢ່າງ, ຖ້າວັດຖຸຖືກຫມາຍດ້ວຍຮູບສີ່ຫລ່ຽມ, ເຄືອຂ່າຍ neural ທີ່ໄດ້ຮັບການຝຶກອົບຮົມຈະບໍ່ຖືກຕ້ອງໃນການກວດສອບແລະການຜະລິດເປັນເຄືອຂ່າຍທີ່ໄດ້ຮັບການຝຶກອົບຮົມກ່ຽວກັບວັດຖຸທີ່ລະບຸໄວ້ດ້ວຍ polygons (ຮູບຮ່າງແມ່ນ traced ຫຼາຍຊັດເຈນກັບຈຸດແລະເສັ້ນ).
ແທ້ຈິງແລ້ວ, ມັນຈະກາຍເປັນທີ່ຊັດເຈນວ່າ ຄວາມຈໍາເປັນສໍາລັບ Metadata ເກີນຂອງຂໍ້ມູນ ຕົວເອງ. ໃນຂະນະທີ່ຂໍ້ມູນສາມາດໄດ້ຮັບໄດ້ຢ່າງງ່າຍດາຍໃນສະຖານະທີ່ບໍ່ມີການປົນເປື້ອນ, ການສ້າງ Metadata ທີ່ຈໍາເປັນຕ້ອງມີຂະບວນການທີ່ມີເຈດຕະນາແລະຄວາມຄິດ.
ມີຜົນຜະລິດສະເລ່ຍຂອງ ຫນຶ່ງຄໍາບັນຍາຍທຸກໆສອງນາທີໃນລະຫວ່າງ 4.5 ຊົ່ວໂມງຢ່າງຕໍ່ເນື່ອງ ກອງປະຊຸມເຮັດວຽກ, ບຸກຄົນສາມາດສ້າງ Metadata ທີ່ມີຄຸນນະພາບສູງໄດ້ 135 ຫົວໜ່ວຍຕໍ່ມື້.
ໃນເດືອນຫນຶ່ງ, ບັນຊີສໍາລັບ 21 ມື້ເຮັດວຽກ, ນີ້ເພີ້ມ ສູງເຖິງ 2,835 ຫນ່ວຍຂອງ Metadata.
ເພື່ອກະກຽມ 35 ລ້ານຫນ່ວຍຂອງ Metadata, ມັນຈະໃຊ້ເວລາ ຄົນຫນຶ່ງ 12,345 ເດືອນ, ຫຼື 1,028 ປີ!
A ທີມງານຂອງ 100 ຈະຕ້ອງໃຊ້ເວລາ 10 ປີ 3 ເດືອນ ເພື່ອເຮັດສໍາເລັດວຽກງານ, ໃນຂະນະທີ່ ກ 1,000 ກຸ່ມສາມາດເຮັດສໍາເລັດມັນພາຍໃນພຽງແຕ່ 1 ປີ.
ທ່ານສາມາດຊອກຫາການປະມານຂອງການຕັ້ງຄ່າຫ້ອງການສໍາລັບຄໍາບັນຍາຍໃນ a ກໍລະນີທີ່ໃຊ້ສໍາລັບລູກຄ້າ, ບ່ອນທີ່ຄ່າໃຊ້ຈ່າຍສະເລ່ຍປະມານປະມານ $1,800 ຕໍ່ເດືອນຕໍ່ຜູ້ບັນຍາຍ.
ໃນກໍລະນີຂອງ 100 ຕົວອະທິບາຍ, ຄ່າໃຊ້ຈ່າຍເພີ່ມຂຶ້ນເປັນປະມານ $180,000 ຕໍ່ເດືອນໃນໄລຍະ 10 ປີ.!
ຫຼື, $1,800,000 ຕໍ່ເດືອນສໍາລັບ 1 ປີທີ່ມີ 1,000 ຄໍາອະທິບາຍ.
ຈຳ ນວນເງິນນີ້ ປະມານ 21,600,000 ໂດລາ ສຳລັບການບັນຍາຍ 10 ລ້ານຮູບທີ່ມີ 35 ລ້ານ Metadata.
ດັ່ງທີ່ທ່ານສາມາດເຫັນໄດ້, ຂະບວນການສ້າງ Metadata ແມ່ນໃຊ້ຊັບພະຍາກອນຫຼາຍ, ທັງໃນແງ່ຂອງເວລາແລະການລົງທຶນທາງດ້ານການເງິນ.
ຜູ້ປະດິດສ້າງ WorkML ໄດ້ພັດທະນາວິທີແກ້ໄຂບັນຫານີ້ແລ້ວ!
ການແກ້ໄຂກ່ຽວຂ້ອງກັບການສ້າງຕັ້ງສູນການຈ້າງງານໃນເວທີ WorkML, ບ່ອນທີ່ບຸກຄົນຈາກທົ່ວໂລກສາມາດເຂົ້າຮຽນຫຼັກສູດ, ກາຍເປັນສ່ວນຫນຶ່ງຂອງພະນັກງານຜູ້ອະທິບາຍແລະຜູ້ກວດສອບຂໍ້ມູນ. ວິທີການນີ້ສາມາດລະດົມຫຼາຍສິບແລະຫຼາຍຮ້ອຍພັນຂອງຄໍາບັນຍາຍສໍາລັບວຽກງານຄໍາບັນຍາຍ (ກໍລະນີການນຳໃຊ້ຕົວປະກອບ). ນອກຈາກນັ້ນ, ບໍລິສັດສາມາດສ້າງຕັ້ງພະແນກການປະກອບຄໍາຄິດເຫັນຂອງຕົນເອງໂດຍຜ່ານເວທີ WorkML, ການລວມເອົາຜູ້ບັນຍາຍທີ່ມາຈາກພາຍນອກເຂົ້າໄປໃນທີມງານຂອງພວກເຂົາ. ຍຸດທະສາດນີ້ຖືກກໍານົດເພື່ອເພີ່ມຄຸນນະພາບແລະຄວາມໄວຂອງຄໍາບັນຍາຍໂດຍຄໍາສັ່ງຂອງຂະຫນາດ, ໃນຂະນະທີ່ຍັງຫຼຸດຜ່ອນຄ່າໃຊ້ຈ່າຍໃນຄໍາບັນຍາຍປະມານສິບເທົ່າ.
ນະວັດຕະກໍາດັ່ງກ່າວມີຄວາມສໍາຄັນຫຼາຍສໍາລັບອຸດສາຫະກໍາ AI ທີ່ເປັນຕົວເລັ່ງຄວາມໄວຂອງ Nvidia.
ຂັ້ນຕອນການເຮັດວຽກຂອງ annotation ແມ່ນໄດ້ອະທິບາຍຢູ່ໃນແຜນວາດຂ້າງເທິງ, ເບິ່ງທີ່ Whitepaper ສໍາລັບລາຍລະອຽດເພີ່ມເຕີມ.
ຍິ່ງໄປກວ່ານັ້ນ, ເພື່ອເພີ່ມປະສິດທິພາບຄ່າໃຊ້ຈ່າຍແລະຄ່າທໍານຽມ, ໂຄງການຊ່ວຍໃຫ້ການນໍາໃຊ້ cryptocurrencies ສໍາລັບການເຮັດທຸລະກໍາ. ສິ່ງທີ່ສໍາຄັນ, ໂຄງການແນະນໍາ token ຂອງຕົນ - WML, ເຊິ່ງຈະໃຊ້ສໍາລັບການຈ່າຍເງິນພາຍໃນ ແລະຄ່າຕອບແທນຂອງຕົວຊີ້ບອກ.
ຄຸນນະສົມບັດ token:
- ຫຼັກຖານຫຼັກຖານ (PoS) ດ້ວຍການຈ່າຍຕັ້ງແຕ່ 0.5% ຕໍ່ເດືອນ (ຮັບປະກັນ) ເຖິງ 5% ຕໍ່ເດືອນ (ຈາກຜົນກໍາໄລຂອງໂຄງການ).
- ຫຼັກຖານສະເຕກຂອງມະນຸດ (H-PoS) ສະເຫນີກໍາໄລສອງເທົ່າສໍາລັບນັກຂຽນທີ່ປະຕິບັດຕົວຈິງ.
- A ໂຄງການສົ່ງຕໍ່ຫຼາຍຊັ້ນ ໃຫ້ລາງວັນແກ່ຜູ້ໃຊ້ທີ່ຊ່ວຍຂະຫຍາຍຊຸມຊົນໂດຍການເຊີນຜູ້ອະທິບາຍ ແລະລູກຄ້າໃໝ່, ສົ່ງເສີມເຄືອຂ່າຍທີ່ເຕີບໃຫຍ່ ແລະມີສ່ວນຮ່ວມ.
- ກົນໄກ annotation ຖືວ່າເປັນການຂຸດຄົ້ນບໍ່ແຮ່, ຫຼື Humans Proof of Work (H-PoW), ຊຶ່ງຫມາຍຄວາມວ່າວຽກງານທີ່ເຮັດຫຼາຍຂື້ນແລະດີກວ່າເກົ່າ, ລາງວັນທີ່ສູງຂຶ້ນ.
- ເນື່ອງຈາກມູນຄ່າທຸລະກິດສູງແລະລັກສະນະໃຫມ່ໆຂອງໂຄງການ, ມີທ່າແຮງສໍາລັບ WML token ທີ່ຈະເພີ່ມມູນຄ່າຫຼາຍກວ່າສິບເທົ່າ.
- ງົບປະມານລວມມີ 2% ຂອງ tokens ທັງໝົດທີ່ຈັດສັນໄວ້ສໍາລັບ airdrops, ສະຫນອງໂອກາດທີ່ຈະໄດ້ຮັບ tokens ຟຣີແລະມີສ່ວນຮ່ວມກັບຜູ້ຊົມທີ່ກວ້າງຂວາງໃນລະບົບນິເວດຂອງໂຄງການ.
ໂຄງການດັ່ງກ່າວຍັງໄດ້ສະຫນອງສ່ວນຫຼຸດ perpetual ກັບລູກຄ້າທີ່ຈ່າຍດ້ວຍການ ໂທເຄັນ WML ສໍາລັບຜະລິດຕະພັນ WorkML, ດັ່ງນັ້ນການສ້າງສະພາບຄ່ອງເພີ່ມເຕີມ.
WorkML.ai — ສູນການຈ້າງງານທີ່ມີຄຸນສົມບັດທີ່ມີກຳໄລສູງ ແລະມີຄວາມສ່ຽງຕໍ່າ ນັກລົງທຶນ, ລູກຄ້າ ແລະ ຕົວອະທິບາຍ.
WorkML.ai ກຳນົດພູມສັນຖານຂອງຕະຫຼາດ crypto ຄືນໃໝ່ໂດຍການສະເໜີມູນຄ່າທີ່ເຫັນໄດ້ຊັດເຈນໃຫ້ກັບທຸລະກິດ, ນັກລົງທຶນ, ແລະຜູ້ໃຊ້ທີ່ຫຼາກຫຼາຍ, ຈາກລູກຄ້າໄປຫາຜູ້ບັນທຶກຂໍ້ມູນ. ການເຄື່ອນຍ້າຍນອກເຫນືອຈາກການຄາດເດົາຂອງການສະເຫນີ token, ມັນສ້າງຮູບແບບລາຍຮັບທີ່ແຂງໂດຍຜ່ານຄະນະກໍາມະການບໍລິການ. ວິທີນີ້ຮັບປະກັນກະແສການເງິນທີ່ໝັ້ນຄົງ ໃນຂະນະທີ່ເຮັດໃຫ້ຄຸນຄ່າຂອງໂຄງການຢູ່ໃນຜົນປະໂຫຍດຕົວຈິງທີ່ມັນສະໜອງໃຫ້.
ການແກ້ໄຂຄວາມຕ້ອງການທີ່ສໍາຄັນສໍາລັບຊຸດຂໍ້ມູນລາຍລະອຽດໃນອຸດສາຫະກໍາເຕັກໂນໂລຢີ, ທີ່ຈໍາເປັນສໍາລັບການຝຶກອົບຮົມລະບົບ AI, WorkML.ai ຫຼຸດຜ່ອນຄ່າໃຊ້ຈ່າຍແລະເວລາທີ່ກ່ຽວຂ້ອງກັບການພັດທະນາ AI. ມັນອໍານວຍຄວາມສະດວກໃນການຮັບຮອງເອົາເຕັກໂນໂລຢີ AI ໃນຂະແຫນງການຕ່າງໆຢ່າງກວ້າງຂວາງ, ປະກອບສ່ວນຊຸດຂໍ້ມູນທີ່ມີຄຸນນະພາບສູງທີ່ເສີມຂະຫຍາຍການຝຶກອົບຮົມແລະປະສິດທິພາບເຄືອຂ່າຍ neural.
ການລົງທຶນໃນ WorkML.ai ຂ້າມການຮ່ວມທຸລະກິດທາງດ້ານການເງິນ; ມັນ ໝາຍ ເຖິງການເປັນຄູ່ຮ່ວມງານທີ່ຄິດໄປຂ້າງ ໜ້າ ຢູ່ແຖວ ໜ້າ ຂອງນະວັດຕະ ກຳ AI. ມັນສະຫນອງໂອກາດໃຫ້ນັກລົງທຶນເປັນສ່ວນຫນຶ່ງຂອງການເຄື່ອນໄຫວທີ່ສໍາຄັນ, ໃຫ້ຜົນຕອບແທນຢ່າງຫຼວງຫຼາຍແລະມີອິດທິພົນຕໍ່ກອບເຕັກໂນໂລຢີໃນອະນາຄົດ.
ເຂົ້າຮ່ວມການປະຕິວັດ WorkML.ai
ກ້າວເຂົ້າສູ່ຍຸກຕໍ່ໄປຂອງ AI ແລະເທກໂນໂລຍີ blockchain ກັບ WorkML.ai. ສຳຫຼວດແພລດຟອມທີ່ທັນສະໄໝຂອງພວກເຮົາ ແລະໂທເຄັນ WML, ອອກແບບມາເພື່ອປະຕິວັດການຝຶກແອບແບບ AI. ລົງທະບຽນສໍາລັບຈົດຫມາຍຂ່າວຂອງພວກເຮົາເພື່ອໃຫ້ໄດ້ຮັບຄວາມເຂົ້າໃຈພິເສດແລະສືບຕໍ່ເດີນຫນ້າກັບຂ່າວຫລ້າສຸດກ່ຽວກັບການຂາຍ token ໃກ້ເຂົ້າມາຂອງພວກເຮົາ.
ພວກເຮົາແມ່ນເປີດສໍາລັບການສະເຫນີໃຫມ່ແລະຍິນດີຕ້ອນຮັບການຮ່ວມມື (ກໍລະນີຂອງນັກລົງທຶນ).
ມີສ່ວນກ່ຽວຂ້ອງ
ເຊື່ອມຕໍ່ກັບພວກເຮົາຢູ່ໃນເວັບໄຊທ໌ແລະສື່ສັງຄົມຂອງພວກເຮົາເພື່ອເຂົ້າຮ່ວມໃນ webinars ແລະເຂົ້າຮ່ວມຊຸມຊົນທີ່ເຕີບໃຫຍ່ຂອງພວກເຮົາ. ຄວາມເຂົ້າໃຈຂອງເຈົ້າມີຄວາມສໍາຄັນຕໍ່ຄວາມສໍາເລັດລວມຂອງພວກເຮົາ.
ເວັບໄຊທ໌ | LinkedIn | ໂທລະເລກ | ເຟສບຸກ | Instagram | YouTube | Twitter | Threads
ກ່າວເຖິງໃນບົດຄວາມນີ້
ທີ່ມາ: https://cryptoslate.com/workml-ai-real-world-data-annotation-hub-empowers-ai-with-crypto/