Dengan semua desas-desus tentang ChatGPT dan kecerdasan buatan (AI) yang berdampak pada mesin telusur Teknologi Besar seperti Google, kami telah ditanya oleh anggota komunitas bagaimana Presearch bermaksud memanfaatkan AI.

Kami telah menyiapkan postingan blog ini untuk mengeksplorasi peluang dan mendiskusikan bagaimana Presearch menggunakan AI sekarang dan di masa mendatang.

Pencarian bertenaga AI

Mesin pencari telah menjadi pelopor dalam ruang AI, yang telah dibangun di atas algoritma pembelajaran mesin (ML) selama bertahun-tahun. Karena kombinasi data dalam jumlah besar untuk ditelusuri, input kueri dari pengguna yang menunjukkan niat mereka, dan potensi umpan balik waktu nyata dari interaksi pengguna yang sedang berlangsung (klik, paging, gulir, dll.), mesin telusur bertenaga AI memiliki kemampuan untuk terus belajar dan meningkatkan dari data dan interaksi baru.

Kecerdasan buatan mendukung pengalaman pencarian dan media sosial untuk miliaran orang setiap hari.

Hanya dalam beberapa bulan terakhir pemahaman publik tentang kekuatan AI telah meningkat secara dramatis, sebagai akibat paparan respons AI melalui antarmuka ChatGPT yang diluncurkan oleh OpenAI. Hal ini menyebabkan kesadaran besar akan tahap mengesankan di mana AI saat ini beroperasi dan kemungkinan masa depan yang berkembang pesat dengan AI.

Peluncuran chatGPT pada bulan November adalah "momen iPhone" untuk teknologi AI, mengungkap pengalaman obrolan yang menarik yang terasa begitu cerdas dan manusiawi sehingga minat publik dan tingkat adopsi jauh melampaui semua peluncuran teknologi terbaik di masa lalu, mencapai lebih dari satu juta pengguna hanya dalam lima hari.

ChatGPT mengemas inovasi terbuka selama beberapa tahun pada Model Bahasa Besar di berbagai perusahaan dan peneliti (bersama OpenAI), dan membuka jalan bagi gelombang inovasi yang signifikan dalam kecerdasan buatan selama beberapa tahun ke depan.

CTO Presearch, Trey Grainger , adalah penulis buku, AI-Powered Search , yang telah dia rilis bab demi bab sejak 2019, tentang cara menerapkan kecerdasan buatan dalam konteks pengalaman pencarian. Trey menghabiskan waktu bertahun-tahun sebagai SVP of Engineering dan kemudian Chief Algorithms Officer untuk perusahaan pencarian yang didukung AI, membangun kemampuan pencarian dan AI yang memberdayakan ratusan perusahaan teratas di dunia. Dia juga menerbitkan banyak buku, artikel jurnal, dan publikasi penelitian di persimpangan Search dan AI. Trey adalah orang yang tepat untuk memimpin proyek ke era penelusuran baru ini.

Dalam artikel ini kami berencana untuk memberi Anda ikhtisar tingkat tinggi tentang bagaimana kami saat ini menggunakan AI, dan bagaimana AI akan memainkan peran kunci dalam mesin pencari terdesentralisasi Presearch yang bergerak maju.

Catatan: Artikel ini adalah ikhtisar tingkat tinggi — Presearch akan segera merilis roadmap dan whitepaper yang diperbarui yang membahas lebih dalam penggunaan AI proyek.

Apa itu LLM dan mengapa itu penting untuk Presearch?

Presearch saat ini menggunakan GPT-3 OpenAI untuk mendukung prototipe pengalaman pencarian AI kami yang pertama kali diluncurkan dalam versi beta tertutup pada Desember 2022. OpenAI telah mengerjakan AI sejak didirikan pada tahun 2015, tetapi berputar untuk fokus pada Model Bahasa Besar (LLM) setelah rilis artikel terkenal “Attention is all you need” yang diterbitkan oleh Google. Makalah tersebut mengusulkan arsitektur baru untuk model bahasa yang disebut Transformer, yang menggunakan mekanisme perhatian untuk mengidentifikasi pola dalam bahasa yang menjangkau beberapa kata atau kalimat. Transformer dilatih menggunakan pembelajaran mendalam pada kumpulan data besar (paling sering teks) untuk mempelajari hubungan linguistik dan hubungan konseptual yang ada dalam kumpulan data.

Secara arsitektur, Transformers biasanya terdiri dari encoder — yang dapat memetakan teks (atau input lain seperti gambar atau audio) ke dalam vektor konteks numerik — dan decoder , yang dapat mengambil vektor konteks tersebut dan memetakannya kembali ke teks. Anda dapat memikirkan vektor konteks, atau penyematan, sebagai representasi numerik dari arti input yang dipahami oleh model bahasa. Jadi teks “dia pergi ke luar untuk berjalan di jalan” dapat dikodekan ke penyematan seperti [0.12, 9.51, 6.42, … 0.32], dan penyematan yang sama itu kemudian dapat didekodekan menjadi teks serupa seperti “gadis itu berjalan keluar dan turun jalan". Jika teks tempat model dilatih multibahasa, maka teks dengan arti yang sama dalam bahasa yang berbeda juga akan dipetakan ke penyematan yang sangat mirip karena memiliki arti yang sama. Transformer pada dasarnya dapat mempelajari arti kata dan frasa dalam konteks yang berbeda, serta konstruksi bahasa yang menentukan bagaimana kata dan frasa digabungkan.

Arsitektur ini mampu mengungguli model sebelumnya dalam berbagai tugas, termasuk terjemahan mesin, pemodelan bahasa, dan menjawab pertanyaan.

Arsitektur Transformer didasarkan pada gagasan perhatian diri, yang memungkinkan model untuk hadir ke berbagai bagian masukan secara bersamaan. Hal ini memungkinkan model untuk menangkap ketergantungan jangka panjang dalam input, yang penting untuk memahami hubungan kompleks yang ditemukan dalam bahasa yang digunakan dalam konteks yang berpotensi besar. Transformer juga menggunakan mekanisme perhatian multi-kepala, yang memungkinkan model untuk memperhatikan bagian input yang berbeda secara paralel. Hal ini memungkinkan model untuk menangkap hubungan yang lebih kompleks antara kata-kata.

Setelah memperkenalkan Transformers kepada dunia, Google menyempurnakan mesin telusurnya dengan model bahasa BERT berbasis Transformer mulai tahun 2019, dan banyak mesin telusur terus menyempurnakan dan memanfaatkan model bahasa semacam ini pada lapisan interpretasi kueri dan peringkat. Sejak saat itu, arsitektur Transformer telah memungkinkan pengembangan model bahasa yang lebih besar (GPT-3, atau model sumber terbuka seperti Flan t5), yang dapat menangkap hubungan yang lebih kompleks antara kata-kata dan juga menghasilkan respons yang menarik terhadap pertanyaan dan instruksi dengan menggunakan instruksi sebagai meminta dan kemudian memprediksi - kata demi kata (atau lebih tepatnya, token demi token) - respons yang benar berdasarkan konteks masukan.

Inilah inti dari apa yang ada di balik ChatGPT, yang memungkinkan OpenAI membangun produk yang memikat dunia.

Memanfaatkan AI melalui indeks yang sepenuhnya terdesentralisasi

Bukan rahasia lagi bahwa tujuan jangka panjang Presearch adalah membangun mesin pencari yang sepenuhnya terdesentralisasi. Komponen inti dari ini adalah indeks informasi dunia yang terdesentralisasi. Meskipun belum ada, kami secara aktif merancangnya dan percaya bahwa teknologi revolusioner ini akan memainkan peran kunci dalam iterasi internet berikutnya.

Teknologi AI tidak hanya akan duduk di atas indeks sebagai pengalaman konsumen, tetapi akan digunakan secara aktif dalam mempartisi dan mengindeks data, menyimpan dan menggandakannya dengan tepat, dan merutekan kueri ke partisi indeks yang sesuai. Sementara Presearch saat ini menggunakan OpenAI untuk memperkuat pengalaman AI-nya, ini pada akhirnya akan digantikan dengan model terbuka yang dapat dibangun, dilatih, dan diintegrasikan oleh insinyur dan ilmuwan data terbaik di dunia sebagai bagian dari komunitas Presearch.

Model OpenAI telah menjadi nilai tambah yang besar untuk Presearch, memungkinkan kami memasuki pasar dengan cepat dengan pengalaman AI yang sangat kuat, tetapi jaringan Presearch pada akhirnya akan didukung oleh teknologi AI kami sendiri, memanfaatkan model sumber terbuka yang terintegrasi secara mendalam ke dalam indeks terdesentralisasi . Presearch mengambil pendekatan yang berbeda secara fundamental untuk membangun teknologi AI, yang terdesentralisasi dan terbuka, memanfaatkan kekuatan pelatihan terdistribusi untuk menggerakkan teknologi AI-nya.

Pelatihan terdistribusi adalah metode pelatihan model AI pada beberapa mesin secara bersamaan. Ini akan memungkinkan waktu pelatihan yang lebih cepat di seluruh arsitektur terdesentralisasi, yang menghasilkan model yang lebih akurat yang dapat lebih memahami konteks seputar kueri pengguna dan pada akhirnya memberikan hasil penelusuran yang lebih relevan.

Presearch juga ingin memanfaatkan indeks yang terdesentralisasi secara global, dengan penyematan dari model AI terlatih ini yang terintegrasi secara mendalam. Ini akan memungkinkan pencarian yang lebih cepat dan lebih akurat dengan memberikan pemahaman yang lebih dalam tentang kueri pengguna dan kemudian membatasi jumlah node yang diperlukan untuk melakukan pencarian tertentu. Dengan memanfaatkan indeks terdesentralisasi global yang dipartisi berdasarkan penyematan berbasis AI, Presearch dapat mengoptimalkan kecepatan kueri dan memaksimalkan sumber daya jaringan, sekaligus memberikan hasil yang paling relevan.

Kombinasi dari pelatihan terdistribusi dan indeks yang terdesentralisasi secara global akan memungkinkan Presearch menghadirkan mesin pencari yang benar-benar terdesentralisasi yang ditenagai oleh model AI sumber terbuka dan buatan komunitas terbaik.

Model Bahasa Besar, meskipun sangat populer saat ini, bukanlah satu-satunya kemampuan AI yang umum di mesin telusur. Presearch akan memanfaatkan pelatihan terdistribusi untuk peringkat yang dipelajari mesin (juga dikenal sebagai pembelajaran untuk menentukan peringkat), model penguat sinyal, pembuatan grafik pengetahuan, dan banyak teknik lainnya untuk mempelajari dan menghasilkan faktor peringkat yang lebih baik. Model Bahasa Besar akan memainkan peran penting, bagaimanapun, baik dalam menafsirkan dan meringkas hasil dengan cara yang bijaksana dan berguna.

Presearch mengambil pendekatan yang berbeda secara fundamental dari OpenAI dan mesin pencari lainnya dengan berfokus pada kolaborasi terbuka dan desentralisasi. Apa yang Bitcoin lakukan untuk mata uang digital, Presearch akan lakukan untuk akses ke informasi dunia. Jika Anda ingin terlibat dengan proyek, menjalankan node terdesentralisasi, membantu kami membangun, atau sekadar mempelajari lebih lanjut, kami akan senang menyambut Anda sebagai bagian dari komunitas kami!

PresearchAI Twitter

Kami telah membuat akun khusus untuk membagikan kemajuan dan wawasan kami tentang kecerdasan buatan. Ikuti di sini -https://twitter.com/PresearchAI

Jika Anda memiliki pertanyaan, silakan bergabung dengan salah satu tautan Komunitas kami di bawah ini

Jalankan simpul :https://nodes.presearch.com
Taruhan Kata Kunci :https://keywords.presearch.com
Situs informasi :https://presearch.io
Cari dengan Presearch :https://presearch.com

Saluran komunitas:

Telegram : t.me/Presearch
Twitter :https://twitter.com/presearchnews
PresearchAI Twitter:https://twitter.com/PresearchAI
YouTube :https://www.youtube.com/c/Presearch/videos
Gemuruh :https://rumble.presearch.io
Perselisihan :https://discord.presearch.io
Pikiran :https://www.minds.com/presearch
Reddit:https://www.reddit.com/r/Presearch/
Twitter (Komunitas) :https://twitter.com/TeamPresearch
Telegram (Berita) : t.me/PresearchNews
Facebook :https://www.facebook.com/presearch.io
Email : [email protected]
Tertarik untuk bermitra? Kirimi kami email di — [email protected]