Con tutto il clamore su ChatGPT e l'intelligenza artificiale (AI) che incidono sui motori di ricerca Big Tech come Google, i membri della community ci hanno chiesto come Presearch intende sfruttare l'AI.

Abbiamo preparato questo post sul blog per esplorare le opportunità e discutere di come Presearch utilizza l'IA ora e in futuro.

Ricerca basata sull'intelligenza artificiale

I motori di ricerca sono stati pionieri nello spazio dell'intelligenza artificiale, essendo stati costruiti per anni su algoritmi di machine learning (ML). A causa di una combinazione di grandi quantità di dati da cercare, input di query da parte degli utenti che indicano il loro intento e il potenziale feedback in tempo reale dalle interazioni degli utenti in corso (clic, paging, scorrimento, ecc.), i motori di ricerca basati su AI hanno la capacità di apprendere e migliorare costantemente da nuovi dati e interazioni.

L'intelligenza artificiale è sotto il cofano che alimenta la ricerca e le esperienze sui social media per miliardi ogni giorno.

È stato solo negli ultimi mesi che la comprensione pubblica del potere dell'IA è aumentata notevolmente, come risultato dell'esposizione alle risposte dell'IA attraverso l'interfaccia ChatGPT lanciata da OpenAI. Ciò ha portato a una massiccia consapevolezza dell'impressionante fase in cui opera attualmente l'IA e delle possibilità future in rapida evoluzione con l'IA.

Il lancio di chatGPT a novembre è stato un "momento iPhone" per la tecnologia AI, svelando un'esperienza di chat avvincente che sembra così intelligente e umana che l'interesse pubblico e il tasso di adozione hanno superato di gran lunga tutti i migliori lanci tecnologici del passato, raggiungendo più di un milione di utenti in soli cinque giorni.

ChatGPT racchiude diversi anni di innovazione aperta su modelli linguistici di grandi dimensioni in un insieme diversificato di aziende e ricercatori (insieme a OpenAI) e sta aprendo la strada a una significativa ondata di innovazione nell'intelligenza artificiale nei prossimi anni.

Il CTO di Presearch, Trey Grainger , è l'autore del libro AI-Powered Search , che pubblica capitolo per capitolo dal 2019, su come implementare l'intelligenza artificiale nel contesto delle esperienze di ricerca. Trey ha trascorso anni come SVP of Engineering e poi Chief Algorithms Officer per una società di ricerca basata sull'intelligenza artificiale, costruendo le capacità di ricerca e intelligenza artificiale che alimentano centinaia delle migliori aziende del mondo. Ha anche pubblicato numerosi libri, articoli di riviste e pubblicazioni di ricerca all'incrocio tra ricerca e intelligenza artificiale. Trey è la persona perfetta per guidare il progetto in questa nuova era di ricerca.

In questo articolo intendiamo fornire una panoramica di alto livello su come stiamo attualmente utilizzando l'IA e su come l'IA svolgerà un ruolo chiave nel motore di ricerca decentralizzato di Presearch in futuro.

Nota: questo articolo è una panoramica di alto livello: Presearch rilascerà presto una roadmap e un white paper aggiornati che approfondiscono l'uso dell'IA da parte del progetto.

Cosa sono gli LLM e perché sono importanti per Presearch?

Presearch sta attualmente utilizzando GPT-3 di OpenAI per potenziare il nostro prototipo di esperienza di ricerca AI che è stato lanciato per la prima volta in beta chiusa nel dicembre 2022. OpenAI ha lavorato sull'IA sin dalla sua fondazione nel 2015, ma si è concentrato per concentrarsi sui Large Language Models (LLM) dopo l'uscita del famoso articolo “Attention is all you need” pubblicato da Google. Il documento ha proposto una nuova architettura per i modelli linguistici chiamata Transformer, che utilizza meccanismi di attenzione per identificare modelli nel linguaggio che si estendono su più parole o frasi. I trasformatori vengono addestrati utilizzando il deep learning su set di dati di grandi dimensioni (il più delle volte testo) per apprendere sia le relazioni linguistiche che le relazioni concettuali presenti nei set di dati.

Dal punto di vista architettonico, i Transformer di solito sono costituiti da un codificatore , che può mappare il testo (o altri input come immagini o audio) in vettori di contesto numerici, e un decodificatore , che può prendere quei vettori di contesto e mapparli di nuovo sul testo. Puoi pensare ai vettori di contesto o incorporamenti, come rappresentazione numerica del significato dell'input compreso dal modello linguistico. Quindi il testo "è uscita per camminare per strada" potrebbe essere codificato in un'incorporazione come [0.12, 9.51, 6.42, ... 0.32], e quella stessa incorporazione potrebbe quindi essere decodificata in un testo simile come "la ragazza è uscita e è scesa la strada". Se il testo su cui è stato addestrato il modello era multilingue, anche il testo con lo stesso significato in una lingua diversa verrebbe associato a un'incorporamento molto simile perché ha lo stesso significato. I trasformatori possono essenzialmente apprendere il significato di parole e frasi in contesti diversi, nonché i costrutti linguistici che determinano il modo in cui parole e frasi vengono combinate.

Questa architettura è stata in grado di superare i modelli precedenti in una varietà di attività, tra cui la traduzione automatica, la modellazione linguistica e la risposta alle domande.

L'architettura di Transformer si basa sull'idea dell'auto-attenzione, che consente al modello di occuparsi simultaneamente di diverse parti dell'input. Ciò consente al modello di acquisire dipendenze a lungo termine nell'input, che è essenziale per comprendere le complesse relazioni trovate nella lingua utilizzata in un contesto potenzialmente ampio. Il Transformer utilizza anche un meccanismo di attenzione a più teste, che consente al modello di prestare attenzione a diverse parti dell'input in parallelo. Ciò consente al modello di acquisire relazioni più complesse tra le parole.

Dopo aver introdotto Transformers nel mondo, Google ha migliorato il suo motore di ricerca con il suo modello linguistico BERT basato su Transformer a partire dal 2019 e molti motori di ricerca hanno continuato a migliorare e sfruttare questi tipi di modelli linguistici a livello di interpretazione delle query e posizionamento. Da allora, l'architettura Transformer ha consentito lo sviluppo di modelli linguistici più ampi (GPT-3 o modelli open source come Flan t5), che possono acquisire relazioni più complesse tra le parole e generare anche risposte convincenti a domande e istruzioni utilizzando le istruzioni come richiede e quindi prevedere - parola per parola (o più precisamente, token per token) - la risposta corretta in base al contesto di input.

Questo è il punto cruciale di ciò che sta dietro a ChatGPT, che ha permesso a OpenAI di creare un prodotto che ha affascinato il mondo.

Sfruttare l'intelligenza artificiale attraverso un indice completamente decentralizzato

Non è un segreto che l'obiettivo a lungo termine di Presearch sia costruire un motore di ricerca completamente decentralizzato. Un componente fondamentale di questo è un indice decentralizzato delle informazioni mondiali. Anche se non è ancora qui, lo stiamo progettando attivamente e crediamo che questa tecnologia rivoluzionaria giocherà un ruolo chiave nella prossima iterazione di Internet.

La tecnologia AI non solo si posizionerà in cima all'indice come esperienza del consumatore, ma sarà utilizzata attivamente per partizionare e indicizzare i dati, archiviarli e replicarli in modo appropriato e instradare le query alle partizioni di indice appropriate. Mentre Presearch sta attualmente utilizzando OpenAI per potenziare la sua esperienza di intelligenza artificiale, questo verrà infine sostituito con modelli aperti che i migliori ingegneri e data scientist del mondo possono aiutare a costruire, addestrare e integrare come parte della comunità di Presearch.

I modelli di OpenAI sono stati un grande valore aggiunto per Presearch, consentendoci di entrare rapidamente nel mercato con un'esperienza AI molto solida, ma la rete Presearch alla fine sarà alimentata dalla nostra tecnologia AI, sfruttando i modelli open source integrati profondamente nell'indice decentralizzato . Presearch sta adottando un approccio fondamentalmente diverso per costruire la tecnologia IA, decentralizzata e aperta, sfruttando il potere della formazione distribuita per potenziare la sua tecnologia IA.

L'addestramento distribuito è un metodo per addestrare i modelli di intelligenza artificiale su più macchine contemporaneamente. Ciò consentirà tempi di formazione più rapidi in un'architettura decentralizzata, portando a modelli più accurati in grado di comprendere meglio il contesto attorno alle query degli utenti e, in ultima analisi, fornire risultati di ricerca più pertinenti.

Presearch sta anche cercando di sfruttare un indice decentralizzato a livello globale, con incorporamenti di questi modelli di intelligenza artificiale addestrati profondamente integrati. Ciò consentirà ricerche più rapide e accurate fornendo una comprensione più profonda delle query degli utenti e quindi limitando il numero di nodi necessari per eseguire una determinata ricerca. Sfruttando un indice decentralizzato a livello globale partizionato sulla base di incorporamenti basati su AI, Presearch può ottimizzare la velocità delle query e massimizzare le risorse di rete, fornendo contemporaneamente i risultati più pertinenti.

La combinazione di formazione distribuita e un indice decentralizzato a livello globale consentirà a Presearch di fornire un motore di ricerca veramente decentralizzato alimentato dai migliori modelli di intelligenza artificiale open source e costruiti dalla comunità.

I modelli di linguaggio di grandi dimensioni, sebbene molto popolari in questo momento, sono ben lungi dall'essere le uniche funzionalità di intelligenza artificiale comuni nei motori di ricerca. Presearch sfrutterà la formazione distribuita per il ranking appreso dalla macchina (noto anche come apprendimento del ranking), i modelli di potenziamento dei segnali, la generazione di grafici della conoscenza e molte altre tecniche per apprendere e generare fattori di ranking migliorati. I Large Language Models svolgeranno un ruolo fondamentale, tuttavia, sia nell'interpretazione che nel riepilogo dei risultati in modo ponderato e utile.

Presearch sta adottando un approccio fondamentalmente diverso rispetto a OpenAI e altri motori di ricerca, concentrandosi sulla collaborazione aperta e sul decentramento. Ciò che Bitcoin ha fatto per la valuta digitale, Presearch lo farà per l'accesso alle informazioni del mondo. Se desideri essere coinvolto nel progetto, gestire un nodo decentralizzato, aiutarci a costruire o semplicemente saperne di più, ci piacerebbe darti il ​​benvenuto come parte della nostra community!

PresearchAI Twitter

Abbiamo creato un account dedicato per condividere i nostri progressi e approfondimenti sull'intelligenza artificiale. Segui qui -https://twitter.com/PresearchAI

Se hai domande, unisciti a uno dei link della nostra community qui sotto

Esegui un nodo :https://nodes.presearch.com
Puntata parola chiave :https://keywords.presearch.com
Sito informativo :https://presearch.io
Cerca con Presearch :https://presearch.com

Canali della comunità:

Telegram : t.me/Presearch
Twitter :https://twitter.com/presearchnews
PresearchAI Twitter:https://twitter.com/PresearchAI
Youtube :https://www.youtube.com/c/Presearch/videos
Ruggito :https://rumble.presearch.io
Discordia :https://discord.presearch.io
Menti :https://www.minds.com/presearch
Reddit:https://www.reddit.com/r/Presearch/
Twitter (Comunità) :https://twitter.com/TeamPresearch
Telegram (Notizie) : t.me/PresearchNews
Facebook :https://www.facebook.com/presearch.io
E-mail : [email protected]
Interessato a collaborare? Inviaci un'e-mail a —[email protected]