Büyük dil modeli şifreleme alanında nasıl kök salıyor?

Yazar: Yiping, IOSG Ventures

Bu makale, IOSG'nin orijinal içeriği olup, yalnızca sektörel öğrenme ve iletişim amaçlıdır ve herhangi bir yatırım referansı oluşturmaz. Alıntı yapmanız gerekiyorsa lütfen kaynak belirtiniz.Yeniden basım için lütfen yetkilendirme ve yeniden basım talimatları için IOSG ekibiyle iletişime geçin.

önüne yaz

• Büyük dil modeli (LLM) giderek daha başarılı hale geldikçe, birçok projenin yapay zeka (AI) ve blockchain'i entegre ettiğini görüyoruz. LLM ve blockchain kombinasyonu artıyor ve ayrıca yapay zekanın blockchain ile yeniden bütünleşmesi için fırsatlar görüyoruz. Bahsetmeye değer bir şey, sıfır bilgili makine öğrenimidir (ZKML).
• Yapay zeka ve blockchain, temelde farklı özelliklere sahip iki dönüştürücü teknolojidir. Yapay zeka, genellikle merkezi veri merkezleri tarafından sağlanan güçlü bilgi işlem gücü gerektirir. Blockchain, merkezi olmayan bilgi işlem ve gizlilik koruması sağlarken, büyük ölçekli bilgi işlem ve depolama görevlerinde iyi performans göstermez. Hala yapay zeka ve blockchain entegrasyonunun en iyi uygulamalarını araştırıyor ve araştırıyoruz ve gelecekte "AI + blockchain"i birleştiren bazı güncel proje örneklerini tanıtacağız.

Kaynak: IOSG Ventures

Bu araştırma raporu iki bölüme ayrılmıştır.Bu makale üst kısımdır.LLM'nin şifreleme alanındaki uygulamasına odaklanacağız ve uygulama iniş stratejisini tartışacağız.

LLM nedir?

LLM (Large Language Model), çok sayıda parametreye (genellikle milyarlarca) sahip bir yapay sinir ağından oluşan bilgisayarlı bir dil modelidir. Bu modeller, büyük miktarda etiketlenmemiş metin üzerinde eğitilmiştir.

2018 civarında, LLM'nin doğuşu, doğal dil işleme araştırmalarını tamamen değiştirdi. Belirli bir görev için belirli bir denetlenen modelin eğitilmesini gerektiren önceki yöntemlerden farklı olarak LLM, genel bir model olarak çeşitli görevlerde iyi performans gösterir. Yetenekleri ve uygulamaları şunları içerir:

• **Metni anlayın ve özetleyin:**LLM, büyük miktarda insan dilini ve metin verisini anlayabilir ve özetleyebilir. Önemli bilgileri çıkarabilir ve özlü özetler oluşturabilirler.
• **Yeni içerik oluştur:**LLM, metin tabanlı içerik oluşturma yeteneğine sahiptir. Bunu modele besleyerek soruları, yeni oluşturulan metni, özetlemeyi veya duygu analizini yanıtlayabilir.
• **Çeviri:**LLM, farklı diller arasında çeviri yapmak için kullanılabilir. Kelimeler arasındaki bağlamı ve ilişkileri anlamak için derin öğrenme algoritmalarını ve sinir ağlarını kullanırlar.
• **Metin tahmin edin ve oluşturun:**LLM, şarkılar, şiirler, hikayeler, pazarlama materyalleri vb. dahil olmak üzere insan yapımı içeriğe benzer şekilde bağlama dayalı metinleri tahmin edebilir ve oluşturabilir.
• **Çeşitli alanlardaki uygulamalar: **Büyük dil modelleri, doğal dil işleme görevlerinde geniş uygulanabilirliğe sahiptir. Konuşmaya dayalı yapay zeka, sohbet robotları, sağlık hizmetleri, yazılım geliştirme, arama motorları, özel ders verme, yazma araçları ve diğer pek çok alanda kullanılırlar.

LLM'nin güçlü yönleri arasında büyük miktarda veriyi anlama yeteneği, dille ilgili birden çok görevi gerçekleştirme yeteneği ve sonuçları kullanıcı ihtiyaçlarına göre uyarlama potansiyeli yer alır.

Ortak büyük ölçekli dil modeli uygulamaları

Olağanüstü doğal dil anlama yeteneği nedeniyle, LLM önemli bir potansiyele sahiptir ve geliştiriciler esas olarak aşağıdaki iki konuya odaklanır:

• Kullanıcılara büyük miktarda bağlamsal veri ve içeriğe dayalı olarak doğru ve güncel yanıtlar sağlayın
• Farklı aracılar ve araçlar kullanarak kullanıcılar tarafından atanan belirli görevleri tamamlayın

XX ile sohbetin LLM uygulamasını yağmurdan sonra mantar gibi patlatan bu iki özelliktir. Örneğin, PDF'lerle sohbet edin, belgelerle sohbet edin ve akademik makalelerle sohbet edin.

Daha sonra, LLM'yi çeşitli veri kaynaklarıyla birleştirmek için girişimlerde bulunuldu. Geliştiriciler Github, Notion gibi platformları ve bazı not alma yazılımlarını LLM ile başarıyla entegre ettiler.

LLM'nin doğasında var olan sınırlamaların üstesinden gelmek için sisteme farklı araçlar dahil edildi. Bu tür ilk araç, LLM'lere güncel bilgilere erişim sağlayan bir arama motoruydu. Daha fazla ilerleme, WolframAlpha, Google Suites ve Etherscan gibi araçları büyük dil modelleriyle entegre edecek.

LLM Uygulamalarının Mimarisi

Aşağıdaki şekil, kullanıcı sorgularına yanıt verirken LLM uygulamasının akışını özetlemektedir: İlk olarak, ilgili veri kaynakları gömme vektörlere dönüştürülür ve bir vektör veritabanında saklanır. LLM bağdaştırıcısı, vektör veritabanından ilgili bağlamı bulmak için kullanıcı sorgularını ve benzerlik aramalarını kullanır. İlgili içerik konur ve LLM'ye gönderilir. LLM bunları yürütecek ve yanıtlar oluşturmak için araçlar kullanacaktır. Bazen LLM'ler, doğruluğu artırmak ve maliyeti azaltmak için belirli veri kümelerinde ayarlanır.

LLM uygulamasının iş akışı kabaca üç ana aşamaya ayrılabilir:

1. Veri hazırlama ve yerleştirme: Bu aşama, proje notları gibi gizli bilgileri gelecekte erişim için saklamayı içerir. Tipik olarak dosyalar, vektör veritabanı adı verilen özel bir veritabanı türünde tutulan gömme modeller aracılığıyla bölümlere ayrılır ve işlenir.
2. Formülasyon ve Çıkarma: Bir kullanıcı bir arama isteği gönderdiğinde (bu durumda öğe bilgilerini aramak için), yazılım, dil modeline beslenen bir dizi oluşturur. Sonuncusu genellikle yazılım geliştiricisi tarafından sabit kodlanmış bir bilgi istemi şablonu, birkaç adımlık bir örnek olarak geçerli çıktı örneği ve harici bir API'den elde edilen gerekli veriler ve vektör veritabanından çıkarılan ilgili dosyalar içerir.
3. Yürütme ve çıkarım: Tamamlandıktan sonra bunları, çıkarım için özel model API'leri, açık kaynak veya ayrı ayrı ince ayarlı modeller içerebilen önceden var olan dil modelleriyle besleyin. Bu aşamada, bazı geliştiriciler sisteme günlük tutma, önbelleğe alma ve doğrulama gibi işletim sistemlerini de dahil edebilir.

LLM'yi Kriptoya Getirmek

Şifreleme alanı (Web3), Web2'ye benzer bazı uygulamalara sahip olsa da, şifreleme alanında mükemmel LLM uygulamaları geliştirmek özel dikkat gerektirir.

Kripto ekosistemi, kendi kültürü, verileri ve yakınsaması ile benzersizdir. Bu kriptografik olarak kısıtlanmış veri kümelerinde ince ayarı yapılan LLM'ler, nispeten düşük maliyetle üstün sonuçlar sağlayabilir. Veri bol miktarda bulunurken, HuggingFace gibi platformlarda belirgin bir açık veri kümesi eksikliği vardır. Şu anda akıllı sözleşmelerle ilgili 113.000 akıllı sözleşme içeren tek bir veri seti var.

Geliştiriciler ayrıca farklı araçları LLM'ye entegre etme zorluğuyla karşı karşıyadır. Bu araçlar, LLM'lere işlemle ilgili verilere erişme, merkezi olmayan uygulamalarla (Dapps) etkileşim kurma ve işlemleri yürütme yeteneği vererek Web2'de kullanılanlardan farklıdır. Şimdiye kadar, Langchain'de herhangi bir Dapp entegrasyonu bulamadık.

Yüksek kaliteli kriptografik LLM uygulamaları geliştirmek için ek yatırım gerekebilse de, LLM kriptografik alan için doğal bir uyumdur. Bu etki alanı zengin, temiz, yapılandırılmış veriler sağlar. Bu, Solidity kodunun genellikle özlü olması gerçeğiyle birleştiğinde, LLM'nin işlevsel kod üretmesini kolaylaştırır.

2. Bölümde, LLM'nin blockchain alanına yardımcı olabileceği 8 potansiyel yönü tartışacağız, örneğin:

Yerleşik AI/LLM yeteneklerini blok zincirine entegre edin

• LLM kullanarak işlem kayıtlarını analiz edin
• LLM kullanarak potansiyel botları belirleyin
• LLM kullanarak kod yaz
• LLM ile kodu oku
• Topluluğa yardım etmek için LLM'yi kullanın
• Piyasayı takip etmek için LLM'yi kullanın
• LLM kullanarak projeleri analiz edin

Bizi izlemeye devam edin!