Bei all dem Hype um ChatGPT und künstliche Intelligenz (KI), die sich auf Big-Tech-Suchmaschinen wie Google auswirken, wurden wir von Community-Mitgliedern gefragt, wie Presearch KI nutzen will.

Wir haben diesen Blogbeitrag vorbereitet, um die Möglichkeiten zu erkunden und zu diskutieren, wie Presearch KI jetzt und in Zukunft nutzt.

KI-gestützte Suche

Suchmaschinen sind Pioniere im KI-Bereich und basieren seit Jahren auf Algorithmen des maschinellen Lernens (ML). Aufgrund einer Kombination aus großen zu durchsuchenden Datenmengen, Abfrageeingaben von Benutzern, die ihre Absichten angeben, und dem Potenzial für Echtzeit-Feedback aus laufenden Benutzerinteraktionen (Klicks, Blättern, Scrollen usw.) haben KI-gestützte Suchmaschinen dies getan die Fähigkeit, ständig aus neuen Daten und Interaktionen zu lernen und sich zu verbessern.

KI steckt unter der Haube und ermöglicht täglich Milliarden von Menschen Such- und Social-Media-Erlebnisse.

Erst in den letzten Monaten ist das öffentliche Verständnis für die Leistungsfähigkeit der KI dramatisch gestiegen, da KI-Antworten über die von OpenAI eingeführte ChatGPT-Schnittstelle ausgesetzt sind. Dies hat zu einem massiven Bewusstsein für das beeindruckende Stadium geführt, in dem sich KI derzeit befindet, und für die sich schnell entwickelnden zukünftigen Möglichkeiten mit KI.

Der Start von chatGPT im November war ein „iPhone-Moment“ für die KI-Technologie und enthüllte ein fesselndes Chat-Erlebnis, das sich so intelligent und menschlich anfühlt, dass das öffentliche Interesse und die Akzeptanzrate alle besten Technologieeinführungen der Vergangenheit bei weitem übertrafen mehr als eine Million Benutzer in nur fünf Tagen.

ChatGPT bündelt mehrere Jahre offener Innovation zu großen Sprachmodellen in einer Vielzahl von Unternehmen und Forschern (neben OpenAI) und ebnet den Weg für eine bedeutende Innovationswelle im Bereich der künstlichen Intelligenz in den nächsten Jahren.

Trey Grainger , CTO von Presearch , ist Autor des Buches „ AI-Powered Search“ , das er seit 2019 Kapitel für Kapitel veröffentlicht und sich mit der Implementierung künstlicher Intelligenz im Kontext von Sucherlebnissen befasst. Trey war jahrelang SVP of Engineering und dann Chief Algorithms Officer für ein KI-gestütztes Suchunternehmen und baute die Such- und KI-Funktionen auf, die Hunderte der Top-Unternehmen der Welt antreiben. Er hat außerdem zahlreiche Bücher, Zeitschriftenartikel und Forschungspublikationen an der Schnittstelle von Suche und KI veröffentlicht. Trey ist die perfekte Person, um das Projekt in diese neue Ära der Suche zu führen.

In diesem Artikel möchten wir Ihnen einen allgemeinen Überblick darüber geben, wie wir KI derzeit nutzen und wie KI künftig eine Schlüsselrolle in der dezentralen Suchmaschine von Presearch spielen wird.

Hinweis: Dieser Artikel ist ein allgemeiner Überblick – Presearch wird in Kürze eine aktualisierte Roadmap und ein Whitepaper veröffentlichen, die sich eingehender mit der Nutzung von KI im Projekt befassen.

Was sind LLMs und warum sind sie für Presearch wichtig?

Presearch verwendet derzeit GPT-3 von OpenAI, um unseren Prototyp für die KI-Sucherfahrung zu betreiben, der erstmals im Dezember 2022 in der geschlossenen Betaversion eingeführt wurde. OpenAI arbeitet seit seiner Gründung im Jahr 2015 an KI, hat sich jedoch auf Large Language Models (LLMs) konzentriert. nach der Veröffentlichung des berühmten von Google veröffentlichten Artikels „Aufmerksamkeit ist alles, was Sie brauchen“ . Das Papier schlug eine neue Architektur für Sprachmodelle namens Transformer vor, die Aufmerksamkeitsmechanismen nutzt, um Muster in der Sprache zu identifizieren, die sich über mehrere Wörter oder Sätze erstrecken. Transformatoren werden mithilfe von Deep Learning an großen Datensätzen (meistens Text) trainiert, um sowohl die sprachlichen Beziehungen als auch die konzeptionellen Beziehungen zu lernen, die in den Datensätzen vorhanden sind.

Architektonisch bestehen Transformer normalerweise aus einem Encoder – der Text (oder andere Eingaben wie Bilder oder Audio) in numerische Kontextvektoren abbilden kann – und einem Decoder , der diese Kontextvektoren zurück in Text abbilden kann. Sie können sich die Kontextvektoren oder Einbettungen vorstellen, als numerische Darstellung der Bedeutung der Eingabe, die vom Sprachmodell verstanden wird. Der Text „Sie ging nach draußen, um die Straße entlang zu gehen“ könnte also in eine Einbettung wie [0,12, 9,51, 6,42, … 0,32] kodiert werden, und dieselbe Einbettung könnte dann in einen ähnlichen Text wie „Das Mädchen ging nach draußen und hinunter“ dekodiert werden die Straße". Wenn der Text, auf den das Modell trainiert wurde, mehrsprachig wäre, würde Text mit derselben Bedeutung in einer anderen Sprache ebenfalls einer sehr ähnlichen Einbettung zugeordnet, da er dieselbe Bedeutung trägt. Transformer können im Wesentlichen die Bedeutung von Wörtern und Phrasen in verschiedenen Kontexten sowie die Sprachkonstrukte lernen, die bestimmen, wie Wörter und Phrasen kombiniert werden.

Diese Architektur konnte frühere Modelle bei einer Vielzahl von Aufgaben übertreffen, darunter maschinelle Übersetzung, Sprachmodellierung und Fragebeantwortung.

Die Transformer-Architektur basiert auf der Idee der Selbstaufmerksamkeit, die es dem Modell ermöglicht, sich gleichzeitig um verschiedene Teile der Eingabe zu kümmern. Dadurch kann das Modell langfristige Abhängigkeiten in der Eingabe erfassen, was für das Verständnis der komplexen Beziehungen in der Sprache, die in einem potenziell großen Kontext verwendet wird, von wesentlicher Bedeutung ist. Der Transformer verwendet außerdem einen Mehrkopf-Aufmerksamkeitsmechanismus, der es dem Modell ermöglicht, verschiedene Teile der Eingabe parallel zu bearbeiten. Dadurch kann das Modell komplexere Beziehungen zwischen Wörtern erfassen.

Nach der weltweiten Einführung von Transformers erweiterte Google ab 2019 seine Suchmaschine mit seinem Transformer-basierten BERT-Sprachmodell, und viele Suchmaschinen haben diese Art von Sprachmodellen weiter verbessert und auf der Ebene der Abfrageinterpretation und des Rankings genutzt. Seitdem hat die Transformer-Architektur die Entwicklung größerer Sprachmodelle (GPT-3 oder Open-Source-Modelle wie Flan t5) ermöglicht, die komplexere Beziehungen zwischen Wörtern erfassen und durch die Verwendung der Anweisungen auch überzeugende Antworten auf Fragen und Anweisungen generieren können Eingabeaufforderungen und dann Vorhersage – Wort für Wort (oder genauer gesagt, Token für Token) – der richtigen Antwort basierend auf dem Eingabekontext.

Das ist der Kern dessen, was sich hinter ChatGPT verbirgt, das es OpenAI ermöglicht hat, ein Produkt zu entwickeln, das die Welt fasziniert hat.

Nutzung von KI durch einen vollständig dezentralen Index

Es ist kein Geheimnis, dass das langfristige Ziel von Presearch darin besteht, eine vollständig dezentrale Suchmaschine aufzubauen. Ein zentraler Bestandteil davon ist ein dezentraler Index der weltweiten Informationen. Obwohl es noch nicht da ist, arbeiten wir aktiv an der Architektur und glauben, dass diese revolutionäre Technologie eine Schlüsselrolle in der nächsten Iteration des Internets spielen wird.

Die KI-Technologie wird nicht nur als Verbrauchererlebnis an der Spitze des Index stehen, sondern auch aktiv bei der Partitionierung und Indizierung der Daten, ihrer angemessenen Speicherung und Replikation sowie der Weiterleitung von Abfragen an die entsprechenden Indexpartitionen eingesetzt werden. Während Presearch derzeit OpenAI verwendet, um seine KI-Erfahrung voranzutreiben, wird dies letztendlich durch offene Modelle ersetzt, bei deren Aufbau, Schulung und Integration die besten Ingenieure und Datenwissenschaftler der Welt als Teil der Presearch-Community helfen können.

Die Modelle von OpenAI stellten einen großen Mehrwert für Presearch dar und ermöglichten uns eine schnelle Markteinführung mit einem sehr robusten KI-Erlebnis. Letztendlich wird das Presearch-Netzwerk jedoch auf unserer eigenen KI-Technologie basieren und Open-Source-Modelle nutzen, die tief in den dezentralen Index integriert sind . Presearch verfolgt beim Aufbau der KI-Technologie einen grundlegend anderen Ansatz: einen, der dezentral und offen ist, und nutzt die Leistungsfähigkeit verteilter Schulungen, um seine KI-Technologie voranzutreiben.

Verteiltes Training ist eine Methode zum gleichzeitigen Trainieren von KI-Modellen auf mehreren Maschinen. Dies ermöglicht schnellere Trainingszeiten in einer dezentralen Architektur und führt zu genaueren Modellen, die den Kontext rund um Benutzeranfragen besser verstehen und letztendlich relevantere Suchergebnisse liefern können.

Presearch möchte außerdem einen global dezentralen Index nutzen, in den Einbettungen dieser trainierten KI-Modelle tief integriert sind. Dies ermöglicht eine schnellere und genauere Suche, indem es ein tieferes Verständnis der Benutzeranfragen ermöglicht und dann die Anzahl der Knoten begrenzt, die zur Durchführung einer bestimmten Suche erforderlich sind. Durch die Nutzung eines global dezentralen Index, der auf der Grundlage von KI-basierten Einbettungen partitioniert ist, kann Presearch die Geschwindigkeit von Abfragen optimieren und Netzwerkressourcen maximieren und gleichzeitig die relevantesten Ergebnisse liefern.

Die Kombination aus verteiltem Training und einem weltweit dezentralisierten Index wird es Presearch ermöglichen, eine wirklich dezentrale Suchmaschine bereitzustellen, die auf den besten Open-Source- und Community-basierten KI-Modellen basiert.

Obwohl große Sprachmodelle derzeit sehr beliebt sind, sind sie bei weitem nicht die einzigen KI-Funktionen, die in Suchmaschinen üblich sind. Presearch wird das verteilte Training für maschinell erlerntes Ranking (auch bekannt als Learning to Ranking), signalverstärkende Modelle, die Generierung von Wissensgraphen und viele andere Techniken nutzen, um verbesserte Ranking-Faktoren zu erlernen und zu generieren. Große Sprachmodelle werden jedoch eine entscheidende Rolle dabei spielen, Ergebnisse auf durchdachte und nützliche Weise zu interpretieren und zusammenzufassen.

Presearch verfolgt einen grundlegend anderen Ansatz als OpenAI und andere Suchmaschinen, indem es sich auf offene Zusammenarbeit und Dezentralisierung konzentriert. Was Bitcoin für die digitale Währung getan hat, wird Presearch für den Zugang zu den Informationen der Welt tun. Wenn Sie sich am Projekt beteiligen, einen dezentralen Knoten betreiben, uns beim Aufbau helfen oder einfach mehr erfahren möchten, würden wir Sie gerne als Teil unserer Community begrüßen!

PresearchAI Twitter

Wir haben ein spezielles Konto erstellt, um unsere Fortschritte und Erkenntnisse zur künstlichen Intelligenz zu teilen. Folgen Sie hier –https://twitter.com/PresearchAI

Wenn Sie Fragen haben, treten Sie bitte einem unserer Community-Links unten bei

Führen Sie einen Knoten aus :https://nodes.presearch.com
Keyword-Einsatz :https://keywords.presearch.com
Infoseite :https://presearch.io
Suche mit Presearch :https://presearch.com

Community-Kanäle:

Telegramm : t.me/Presearch
Twitter :https://twitter.com/presearchnews
PresearchAI Twitter:https://twitter.com/PresearchAI
YouTube :https://www.youtube.com/c/Presearch/videos
Rumpeln :https://rumble.presearch.io
Zwietracht :https://discord.presearch.io
Köpfe :https://www.minds.com/presearch
Reddit:https://www.reddit.com/r/Presearch/
Twitter (Community) :https://twitter.com/TeamPresearch
Telegramm (Nachrichten) : t.me/PresearchNews
Facebook :https://www.facebook.com/presearch.io
E-Mail : [email protected]
Interesse an einer Partnerschaft? Senden Sie uns eine E-Mail an – [email protected]