NVIDIA 컨퍼런스에 등장한 NEAR는 어떻게 어떻게 AI 퍼블릭 체인의 선두주자가 될 수 있었나요?

저자: 하오 티안, 출처: 체인뷰

최근 NEAR 창립자 @ilblackdragon이 NVIDIA AI 컨퍼런스에 참석한다는 소식으로 NEAR 퍼블릭 체인이 많은 주목을 받고 있으며, 시장의 가격 추세도 만족스럽습니다. 많은 친구들이 NEAR 체인이 체인 추상화에 올인하지 않고 어떻게 어떻게 AI 헤드 퍼블릭 체인이 되었는지 궁금해합니다. 다음으로, 제가 관찰한 내용을 공유하고 부수적으로 AI 모델 훈련 지식을 대중화하겠습니다.

1) NEAR의 설립자 일리아 폴로수킨은 오랜 AI 배경을 가지고 있으며 트랜스포머 아키텍처의 공동 구축자입니다. 트랜스포머 아키텍처는 오늘날 LLM을 위한 대규모 언어 모델 학습인 ChatGPT의 기반이 되는 인프라로, NEAR 창업자가 NEAR를 설립하기 전에 AI 대규모 모델 시스템을 만들고 이끈 경험이 있다는 것을 증명합니다.

2) NEAR는 AI 모델 학습 및 개선을 목표로 NEARCON 2023에서 NEAR Tasks를 출시했습니다. 간단히 말해, 모델 학습 수요 측(Vendor)이 플랫폼에 과제 요청을 게시하고 기초 데이터 자료를 업로드하면 사용자(Tasker)가 과제 수행에 참여할 수 있는 구조로 되어 있습니다. Tasker)는 과제에 대한 답변에 참여하고 데이터에 대한 텍스트 주석, 이미지 인식 등의 수작업을 수행할 수 있습니다. 작업이 완료되면 플랫폼은 사용자에게 NEAR 토큰으로 보상하고, 수동으로 주석이 달린 데이터는 해당 AI 모델을 학습시키는 데 사용됩니다.

예를 들어, AI 모델이 사진 속 사물을 식별하는 능력을 개선해야 하는 경우, 벤더는 다양한 사물이 있는 원본 사진을 Tasks 플랫폼에 업로드한 다음 사용자가 사진 속 사물의 위치에 수동으로 주석을 달아 대량의 '사진-사물 위치' 데이터를 생성할 수 있습니다. 그러면 AI는 이 데이터를 사용하여 독립적으로 학습하여 이미지 인식을 개선할 수 있습니다.

언뜻 보기에 NEAR Tasks는 AI 모델의 기본 서비스를 위해 인공 공학을 사회화하고 싶지 않은 것 같은데, 정말 그렇게 중요할까요? AI 모델에 대한 대중적인 지식을 조금 더 알려드리겠습니다.

일반적으로 데이터 수집, 데이터 전처리 및 주석 달기, 모델 설계 및 학습, 모델 튜닝, 미세 조정, 모델 검증 테스트, 모델 배포, 모델 모니터링 및 업데이트 등을 포함한 전체 AI 모델 학습은 수동 부분은 데이터 주석 달기 및 전처리, 기계 부분은 모델 학습 및 최적화로 구분할 수 있습니다. 모델 학습 및 최적화의 기계 부분.

대부분의 사람들은 프로세스의 기계 부분이 수동 부분보다 훨씬 크고, 결국 조금 더 첨단 기술인 것처럼 이해하지만 실제로는 전체 모델 학습에서 수동 주석이 매우 중요합니다.

인공 주석은 이미지 속 사물(사람, 장소, 사물) 등에 라벨을 추가하여 컴퓨터가 시각 모델 학습을 향상시킬 수 있고, 인공 주석은 음성을 텍스트로 변환하고 특정 음절, 문구 등으로 라벨을 지정하여 음성 인식 모델 학습을 위해 컴퓨터를 도울 수 있으며, 인공 주석은 텍스트에 행복, 슬픔, 분노 등을 추가할 수 있습니다. 인공 주석은 텍스트에 행복, 슬픔, 분노 등의 감정 레이블을 추가하여 AI가 감정 분석 기술 등을 향상시킬 수 있도록 할 수도 있습니다.

인공 주석은 기계가 딥러닝 모델을 수행하기 위한 기초이며, 고품질 주석 데이터가 없으면 모델을 효율적으로 학습할 수 없고 주석 데이터의 양이 충분하지 않으면 모델의 성능도 제한된다는 것을 쉽게 알 수 있습니다.

현재 AI 최소침습 분야에서는 2차 미세 조정이나 특수 학습을 위해 ChatGPT 대형 모델을 기반으로 기본적으로 OpenAI의 데이터를 기반으로 새로운 데이터 소스, 특히 수동 주석 데이터를 추가하여 모델 학습을 수행하는 수직적 방향이 많이 존재합니다.

예를 들어 의료 회사에서 의료 이미지 AI를 기반으로 모델 학습을 수행하여 병원에 일련의 온라인 AI 상담 서비스를 제공하려는 경우, 대량의 의료 이미지 원시 데이터를 Task 플랫폼에 업로드한 다음 사용자가 라벨링으로 이동하여 작업을 완료하면 수동으로 주석이 달린 데이터가 생성되고 이를 ChatGPT 모델에 미세 조정하기만 하면 됩니다. 미세 조정 및 최적화를 위한 ChatGPT 빅 모델은 이 범용 AI 도구를 수직 분야의 전문가로 만들 것입니다.

하지만, 태스크 플랫폼만으로는 NEAR가 선도적인 AI 퍼블릭 체인이 되기에는 충분하지 않습니다. NEAR는 실제로 생태계에서 사용자의 모든 온체인 행동과 운영을 자동화하는 데 사용되는 AI 에이전트 서비스를 제공하며, 사용자는 자신의 승인만으로 시장에서 자산을 사고 팔 수 있습니다. 이는 인텐트 중심과 다소 유사한데, 인텐트 중심은 AI 자동화를 사용하여 체인에서 사용자 상호작용 경험을 향상시킵니다. 이 외에도 NEAR의 강력한 DA 기능을 통해 AI 데이터 소스의 추적성, AI 모델 트레이닝 데이터의 유효성 및 진위 여부를 추적하는 역할을 수행할 수 있습니다.

종합적으로, 고성능 체인 기능을 기반으로 하는 NEAR의 기술 확장과 내러티브 가이드는 순수한 체인 추상화보다 훨씬 더 불특정적인 AI의 방향성을 제시하는 것처럼 보입니다.

반달 전, NEAR 체인 추상화를 분석할 때, 저는 NEAR 체인 성능 + 팀의 뛰어난 웹2.0 자원 통합 기능의 장점을 보았고, 체인 추상화가 아직 대중화되지 않아서 상상력을 다시 한번 증폭시키는 AI 역량 강화의 물결의 열매를 따기에는 이르지 못했다고 생각했습니다.

주: 장기적인 관심사는 여전히 '체인 추상화'에 대한 NEAR의 레이아웃과 제품 홍보를 살펴보는 것이며, AI는 상승장의 좋은 플러스 포인트이자 촉매제가 될 것입니다!