На фоне шумихи вокруг ChatGPT и искусственного интеллекта (ИИ), влияющих на поисковые системы крупных технологий, таких как Google, члены сообщества спрашивали нас, как Presearch намеревается использовать ИИ.

Мы подготовили этот пост в блоге, чтобы изучить возможности и обсудить, как Presearch использует ИИ сейчас и в будущем.

поиск с помощью искусственного интеллекта

Поисковые системы были пионерами в области искусственного интеллекта, поскольку в течение многих лет они строились на основе алгоритмов машинного обучения (ML). Из-за сочетания больших объемов данных для поиска, ввода запросов от пользователей, указывающих на их намерения, и возможности получения обратной связи в реальном времени от текущих взаимодействий с пользователем (клики, просмотр страниц, прокрутка и т. д.) поисковые системы на основе ИИ способность постоянно учиться и совершенствоваться на основе новых данных и взаимодействий.

ИИ находится под капотом, обеспечивая поиск и работу в социальных сетях для миллиардов людей каждый день.

Только в последние месяцы общественное понимание мощи ИИ резко возросло в результате доступа к ответам ИИ через интерфейс ChatGPT, запущенный OpenAI. Это привело к массовому осознанию того впечатляющего этапа, на котором в настоящее время работает ИИ, и быстро развивающихся будущих возможностей ИИ.

Запуск chatGPT в ноябре стал «моментом для iPhone» для технологии ИИ, представив захватывающий опыт чата, который кажется настолько интеллектуальным и похожим на человека, что общественный интерес и скорость принятия намного превзошли все лучшие запуски технологий в прошлом, достигнув более миллиона пользователей всего за пять дней.

ChatGPT объединяет в себе несколько лет открытых инноваций в моделях больших языков в различных компаниях и исследователях (наряду с OpenAI) и прокладывает путь для значительной волны инноваций в области искусственного интеллекта в течение следующих нескольких лет.

Технический директор Presearch, Трей Грейнджер , является автором книги « Поиск на основе ИИ », которую он выпускает по главам с 2019 года, о том, как внедрить искусственный интеллект в контексте поиска. Трей провел годы в качестве старшего вице-президента по проектированию, а затем директора по алгоритмам в поисковой компании, работающей на базе искусственного интеллекта, создавая возможности поиска и искусственного интеллекта для сотен ведущих компаний мира. Он также опубликовал множество книг, журнальных статей и исследовательских публикаций на стыке поиска и искусственного интеллекта. Трей идеально подходит для того, чтобы возглавить проект в новую эру поиска.

В этой статье мы планируем дать вам общий обзор того, как мы в настоящее время используем ИИ, и как ИИ будет играть ключевую роль в развитии децентрализованной поисковой системы Presearch.

Примечание. Эта статья представляет собой обзор высокого уровня — Presearch скоро выпустит обновленную дорожную карту и технический документ, в котором будет более подробно рассказано об использовании ИИ в проекте.

Что такое LLM и почему это важно для Presearch?

Presearch в настоящее время использует OpenAI GPT-3 для поддержки нашего прототипа поиска ИИ, который впервые был запущен в закрытом бета-тестировании в декабре 2022 года. OpenAI работает над ИИ с момента своего основания в 2015 году, но сосредоточился на больших языковых моделях (LLM). после выхода знаменитой статьи «Внимание — это все, что вам нужно», опубликованной Google. В документе предложена новая архитектура языковых моделей под названием Transformer, которая использует механизмы внимания для выявления языковых шаблонов, охватывающих несколько слов или предложений. Преобразователи обучаются с помощью глубокого обучения на больших наборах данных (чаще всего текстовых), чтобы изучить как лингвистические отношения, так и концептуальные отношения, присутствующие в наборах данных.

Архитектурно Transformers обычно состоят из кодировщика , который может отображать текст (или другие входные данные, такие как изображения или аудио) в числовые векторы контекста, и декодера , который может принимать эти векторы контекста и отображать их обратно в текст. Вы можете думать о векторах контекста или встраиваниях, как числовое представление значения ввода, которое понимается языковой моделью. Таким образом, текст «она вышла на улицу, чтобы пройтись по улице» может быть закодирован во вложение типа [0,12, 9,51, 6,42, … 0,32], а затем это же вложение может быть декодировано в аналогичный текст, например «девушка вышла на улицу и спустилась вниз». улица". Если бы текст, на котором обучалась модель, был многоязычным, то текст с тем же значением на другом языке также отображался бы на очень похожее вложение, поскольку он несет то же значение. Трансформеры могут, по сути, выучить значение как слов, так и фраз в разных контекстах, а также языковые конструкции, которые определяют, как сочетаются слова и фразы.

Эта архитектура смогла превзойти предыдущие модели в различных задачах, включая машинный перевод, языковое моделирование и ответы на вопросы.

Архитектура Transformer основана на идее самоконтроля, которая позволяет модели одновременно обращать внимание на разные части ввода. Это позволяет модели фиксировать долгосрочные зависимости во входных данных, что важно для понимания сложных отношений, обнаруженных в языке, используемом в потенциально большом контексте. Transformer также использует механизм внимания с несколькими головками, который позволяет модели параллельно уделять внимание различным частям ввода. Это позволяет модели фиксировать более сложные отношения между словами.

После представления Transformers миру Google расширил свою поисковую систему с помощью языковой модели BERT на основе Transformer, начиная с 2019 года, и многие поисковые системы продолжали улучшать и использовать такие языковые модели на уровне интерпретации запросов и ранжирования. С тех пор архитектура Transformer позволила разработать более крупные языковые модели (GPT-3 или модели с открытым исходным кодом, такие как Flan t5), которые могут фиксировать более сложные отношения между словами, а также генерировать убедительные ответы на вопросы и инструкции, используя инструкции как подсказки, а затем предсказание — слово за словом (или, точнее, токен за токеном) — правильный ответ на основе входного контекста.

В этом суть того, что стоит за ChatGPT, что позволило OpenAI создать продукт, покоривший мир.

Использование ИИ через полностью децентрализованный индекс

Не секрет, что долгосрочная цель Presearch — создать полностью децентрализованную поисковую систему. Основным компонентом этого является децентрализованный индекс мировой информации. Хотя ее еще нет, мы активно разрабатываем ее и верим, что эта революционная технология сыграет ключевую роль в следующей итерации Интернета.

Технология искусственного интеллекта не только будет находиться поверх индекса в качестве пользовательского опыта, но и будет активно использоваться при секционировании и индексировании данных, их надлежащем хранении и репликации, а также маршрутизации запросов в соответствующие разделы индекса. Хотя Presearch в настоящее время использует OpenAI для поддержки своего опыта ИИ, в конечном итоге он будет заменен открытыми моделями, которые лучшие инженеры и специалисты по данным в мире могут помочь построить, обучить и интегрировать в рамках сообщества Presearch.

Модели OpenAI принесли большую пользу Presearch, позволив нам быстро выйти на рынок с очень надежным ИИ, но в конечном итоге сеть Presearch будет работать на нашей собственной технологии ИИ, используя модели с открытым исходным кодом, глубоко интегрированные в децентрализованный индекс. . Presearch использует принципиально иной подход к созданию технологии ИИ, который является децентрализованным и открытым, используя возможности распределенного обучения для поддержки своей технологии ИИ.

Распределенное обучение — это метод обучения моделей ИИ на нескольких машинах одновременно. Это позволит сократить время обучения в децентрализованной архитектуре, что приведет к созданию более точных моделей, которые смогут лучше понять контекст пользовательских запросов и, в конечном итоге, предоставить более релевантные результаты поиска.

Presearch также стремится использовать глобально децентрализованный индекс с глубоко интегрированными вложениями этих обученных моделей ИИ. Это позволит выполнять более быстрый и точный поиск, обеспечивая более глубокое понимание пользовательских запросов, а затем ограничивая количество узлов, необходимых для выполнения любого заданного поиска. Используя глобально децентрализованный индекс, разделенный на основе внедрений на основе ИИ, Presearch может оптимизировать скорость запросов и максимизировать сетевые ресурсы, одновременно предоставляя наиболее релевантные результаты.

Сочетание распределенного обучения и глобально децентрализованного индекса позволит Presearch предоставить действительно децентрализованную поисковую систему, основанную на лучших моделях искусственного интеллекта с открытым исходным кодом и созданных сообществом.

Большие языковые модели, несмотря на то, что сейчас очень популярны, далеко не единственные возможности ИИ, распространенные в поисковых системах. Presearch будет использовать распределенное обучение для машинного обучения ранжированию (также известное как обучение ранжированию), модели усиления сигналов, создание графа знаний и многие другие методы для обучения и создания улучшенных факторов ранжирования. Однако большие языковые модели будут играть решающую роль как в интерпретации, так и в обобщении результатов вдумчивым и полезным способом.

Presearch использует принципиально иной подход, чем OpenAI и другие поисковые системы, сосредоточившись на открытом сотрудничестве и децентрализации. То, что Биткойн сделал для цифровой валюты, Presearch сделает для доступа к мировой информации. Если вы хотите принять участие в проекте, запустить децентрализованную ноду, помочь нам построить или просто узнать больше, мы будем рады приветствовать вас в нашем сообществе!

PresearchAI Твиттер

Мы создали специальную учетную запись, чтобы делиться своими достижениями и знаниями об искусственном интеллекте. Следите за собой здесь —https://twitter.com/PresearchAI

Если у вас есть вопросы, присоединяйтесь к одной из ссылок нашего сообщества ниже.

Запустите узел :https://nodes.presearch.com
Ставка по ключевому слову :https://keywords.presearch.com
Информационный сайт :https://presearch.io
Поиск с предварительным поиском :https://presearch.com

Каналы сообщества:

Телеграмма : t.me/Presearch
Twitter :https://twitter.com/presearchnews
Твиттер PresearchAI:https://twitter.com/PresearchAI
Ютуб :https://www.youtube.com/c/Presearch/videos
Грохот :https://rumble.presearch.io
Дискорд :https://discord.presearch.io
Умы :https://www.minds.com/presearch
Реддит:https://www.reddit.com/r/Presearch/
Твиттер (Сообщество) :https://twitter.com/TeamPresearch
Telegram (Новости) : t.me/PresearchNews
Facebook :https://www.facebook.com/presearch.io
Электронная почта : [email protected]
Заинтересованы в партнерстве? Отправьте нам письмо по адресу — [email protected]