تقوم Chainlink بتنفيذ استراتيجية جديدة لحل مشكلة رئيسية في الذكاء الاصطناعي: الأنظمة الهلوسية. عندما تفسر النماذج اللغوية الكبيرة البيانات بشكل خاطئ أو تولد بيانات جديدة غير صحيحة، يمكن أن تكون العواقب مكلفة، خاصة في مجال المالية. بدلاً من الاعتماد على نموذج ذكاء اصطناعي واحد، تتبع Chainlink الآن نهجًا متعدد النماذج، باستخدام أنظمة الذكاء الاصطناعي من OpenAI وGoogle وAnthropic.
الحد من الأخطاء وزيادة الشفافية
أوضح لورانس موروني، مستشار Chainlink والرئيس السابق للذكاء الاصطناعي في Google، أن استخدام نماذج متعددة للذكاء الاصطناعي بدلاً من نموذج واحد فقط يقلل من معدل الخطأ. يُطلب من كل نموذج ذكاء اصطناعي تحليل نفس البيانات المالية بشكل منفصل. يتم تخزين البيانات الموثوقة على البلوكشين، مما يجعلها شفافة وثابتة وآمنة. يمنع هذا الأسلوب القائم على الإجماع البيانات المالية من التحريف بسبب المعلومات الخاطئة ويزيد من موثوقية البيانات المولدة بواسطة الذكاء الاصطناعي.
تحسين الدقة المالية من خلال التعاون
تهدف مقاربة Chainlink إلى تغيير النظام من خلال تقليل التحقق اليدوي من البيانات وزيادة دقتها المالية. في تعاون حديث مع مؤسسات مالية رائدة مثل UBS وFranklin Templeton وWellington Management وVontobel وSygnum Bank، اختبرت Chainlink هذا النظام الممول بالذكاء الاصطناعي. كانت النتائج واعدة، حيث أظهرت تقليلاً في الأخطاء وعدم الكفاءة في البيانات المالية.
الأسئلة الشائعة
- ما هي مشكلة الأنظمة الهلوسية في الذكاء الاصطناعي؟
الأنظمة الهلوسية هي عندما تفسر نماذج الذكاء الاصطناعي البيانات بشكل خاطئ أو تولد بيانات غير صحيحة، مما يؤدي إلى عواقب مكلفة خاصة في المالية. - كيف تُخفّض Chainlink الأخطاء في البيانات المالية؟
تُخفّض Chainlink الأخطاء من خلال استخدام نماذج متعددة للذكاء الاصطناعي وتحليل البيانات بشكل منفصل لكل نموذج، ثم تخزين البيانات الموثوقة على البلوكشين. - ما نتائج تعاون Chainlink مع المؤسسات المالية؟
أظهرت التجارب تقليلاً في الأخطاء وعدم الكفاءة في البيانات المالية، مما يعزز الثقة في البيانات المولدة بواسطة الذكاء الاصطناعي.
