ด้วยกระแสข่าวเกี่ยวกับ ChatGPT และปัญญาประดิษฐ์ (AI) ที่ส่งผลกระทบต่อเครื่องมือค้นหาของ Big Tech เช่น Google เราจึงได้รับคำถามจากสมาชิกในชุมชนว่า Presearch ตั้งใจที่จะใช้ประโยชน์จาก AI อย่างไร

เราได้เตรียมบล็อกโพสต์นี้เพื่อสำรวจโอกาสและหารือเกี่ยวกับวิธีที่ Presearch ใช้ AI ทั้งในปัจจุบันและอนาคต

การค้นหาที่ขับเคลื่อนด้วย AI

เสิร์ชเอ็นจิ้นเป็นผู้บุกเบิกด้าน AI โดยสร้างขึ้นบนอัลกอริทึมแมชชีนเลิร์นนิง (ML) มานานหลายปี เนื่องจากการรวมข้อมูลจำนวนมากเพื่อค้นหาผ่าน การป้อนข้อความค้นหาจากผู้ใช้เพื่อระบุเจตนาของพวกเขา และศักยภาพในการตอบรับตามเวลาจริงจากการโต้ตอบของผู้ใช้อย่างต่อเนื่อง (การคลิก การเพจ การเลื่อน ฯลฯ) เครื่องมือค้นหาที่ขับเคลื่อนด้วย AI จึงมี ความสามารถในการเรียนรู้และปรับปรุงอย่างต่อเนื่องจากข้อมูลและการโต้ตอบใหม่ๆ

AI อยู่ภายใต้ประทุนที่ขับเคลื่อนประสบการณ์การค้นหาและโซเชียลมีเดียนับพันล้านทุกวัน

ในช่วงไม่กี่เดือนที่ผ่านมา ความเข้าใจของสาธารณชนเกี่ยวกับพลังของ AI เพิ่มขึ้นอย่างมาก อันเป็นผลมาจากการเปิดรับการตอบสนองของ AI ผ่านอินเทอร์เฟซ ChatGPT ที่เปิดตัวโดย OpenAI สิ่งนี้นำไปสู่การตระหนักรู้อย่างมากเกี่ยวกับขั้นตอนที่น่าประทับใจซึ่ง AI ดำเนินการอยู่ในปัจจุบัน และความเป็นไปได้ในอนาคตที่พัฒนาอย่างรวดเร็วด้วย AI

การเปิดตัว chatGPT ในเดือนพฤศจิกายนถือเป็น “ช่วงเวลาแห่ง iPhone” สำหรับเทคโนโลยี AI โดยเป็นการเปิดตัวประสบการณ์การแชทที่น่าสนใจซึ่งให้ความรู้สึกที่ชาญฉลาดและเหมือนมนุษย์ ซึ่งความสนใจของสาธารณชนและอัตราการนำไปใช้นั้นสูงเกินกว่าการเปิดตัวเทคโนโลยีที่ดีที่สุดในอดีตทั้งหมดถึง ผู้ใช้มากกว่าหนึ่งล้านคนในเวลาเพียงห้าวัน

ChatGPT รวบรวมนวัตกรรมแบบเปิดเป็นเวลาหลายปีในโมเดลภาษาขนาดใหญ่ในกลุ่มบริษัทและนักวิจัยที่หลากหลาย (ควบคู่ไปกับ OpenAI) และกำลังปูทางสำหรับคลื่นลูกใหม่ของนวัตกรรมด้านปัญญาประดิษฐ์ในอีกไม่กี่ปีข้างหน้า

Trey Grainger ซึ่งเป็น CTO ของ Presearch เป็นผู้เขียนหนังสือAI-Powered Searchซึ่งเขาเปิดตัวบทต่อบทตั้งแต่ปี 2019 เกี่ยวกับวิธีนำปัญญาประดิษฐ์ไปใช้ในบริบทของประสบการณ์การค้นหา Trey ใช้เวลาหลายปีในตำแหน่งรองประธานอาวุโสฝ่ายวิศวกรรม จากนั้นเป็นหัวหน้าเจ้าหน้าที่อัลกอริทึมของบริษัทค้นหาที่ขับเคลื่อนด้วย AI โดยสร้างความสามารถในการค้นหาและ AI ที่ขับเคลื่อนบริษัทชั้นนำหลายร้อยแห่งในโลก เขายังตีพิมพ์หนังสือ บทความในวารสาร และสิ่งพิมพ์วิจัยจำนวนมากที่จุดบรรจบกันของการค้นหาและ AI Trey เป็นบุคคลที่สมบูรณ์แบบที่จะนำโครงการไปสู่ยุคใหม่ของการค้นหานี้

ในบทความนี้ เราวางแผนที่จะให้ภาพรวมระดับสูงเกี่ยวกับวิธีที่เราใช้ AI ในปัจจุบัน และวิธีที่ AI จะมีบทบาทสำคัญในเครื่องมือค้นหาแบบกระจายศูนย์ของ Presearch ในอนาคต

หมายเหตุ:บทความนี้เป็นภาพรวมระดับสูง — Presearch จะเผยแพร่แผนการทำงานและสมุดปกขาวที่อัปเดตซึ่งจะลงลึกเกี่ยวกับการใช้ AI ของโครงการในเร็วๆ นี้

LLM คืออะไร และเหตุใดจึงมีความสำคัญต่อ Presearch

ปัจจุบัน Presearch ใช้ GPT-3 ของ OpenAI เพื่อขับเคลื่อนต้นแบบประสบการณ์การค้นหา AI ของเรา ซึ่งเปิดตัวครั้งแรกในรุ่นเบต้าแบบปิดในเดือนธันวาคม 2022 OpenAI ทำงานเกี่ยวกับ AI มาตั้งแต่ก่อตั้งในปี 2015 แต่มุ่งเน้นไปที่โมเดลภาษาขนาดใหญ่ (LLMs) หลังจากการเปิดตัวบทความชื่อดัง“Attention is all you need”ที่เผยแพร่โดย Google บทความนี้เสนอสถาปัตยกรรมใหม่สำหรับโมเดลภาษาที่เรียกว่า Transformer ซึ่งใช้กลไกความสนใจเพื่อระบุรูปแบบในภาษาที่ครอบคลุมคำหรือประโยคหลายคำ Transformers ได้รับการฝึกอบรมโดยใช้การเรียนรู้เชิงลึกในชุดข้อมูลขนาดใหญ่ (ส่วนใหญ่มักจะเป็นข้อความ) เพื่อเรียนรู้ทั้งความสัมพันธ์ทางภาษาและความสัมพันธ์เชิงแนวคิดที่มีอยู่ในชุดข้อมูล

ในทางสถาปัตยกรรม Transformers มักจะประกอบด้วยตัวเข้ารหัสซึ่งสามารถแมปข้อความ (หรืออินพุตอื่นๆ เช่น รูปภาพหรือเสียง) เข้ากับเวกเตอร์บริบทที่เป็นตัวเลข และตัวถอดรหัสซึ่งสามารถนำเวกเตอร์บริบทเหล่านั้นมาแมปกลับเป็นข้อความได้ คุณสามารถนึกถึงเวกเตอร์บริบทหรือการฝังเป็นการแสดงตัวเลขของความหมายของอินพุตที่เข้าใจโดยโมเดลภาษา ดังนั้น ข้อความ “เธอออกไปข้างนอกเพื่อเดินไปตามถนน” อาจถูกเข้ารหัสเป็นการฝังเช่น [0.12, 9.51, 6.42, … 0.32] และการฝังแบบเดียวกันนั้นสามารถถอดรหัสเป็นข้อความที่คล้ายกัน เช่น “หญิงสาวเดินออกไปข้างนอกและลงมา ถนน". หากข้อความที่โมเดลได้รับการฝึกอบรมเป็นแบบหลายภาษา ข้อความที่มีความหมายเดียวกันในภาษาอื่นก็จะแมปกับการฝังที่คล้ายกันมาก เพราะมีความหมายเหมือนกัน โดยพื้นฐานแล้ว Transformers สามารถเรียนรู้ความหมายของทั้งคำและวลีภายในบริบทที่แตกต่างกัน เช่นเดียวกับโครงสร้างภาษาที่กำหนดวิธีการรวมคำและวลี

สถาปัตยกรรมนี้สามารถทำงานได้ดีกว่ารุ่นก่อนหน้าในงานต่างๆ รวมถึงการแปลด้วยเครื่อง การสร้างแบบจำลองภาษา และการตอบคำถาม

สถาปัตยกรรม Transformer ขึ้นอยู่กับแนวคิดของการเอาใจใส่ในตัวเอง ซึ่งช่วยให้โมเดลสามารถเข้าร่วมกับส่วนต่างๆ ของอินพุตได้พร้อมกัน สิ่งนี้ทำให้โมเดลสามารถบันทึกการพึ่งพาระยะยาวในอินพุต ซึ่งจำเป็นสำหรับการทำความเข้าใจความสัมพันธ์ที่ซับซ้อนที่พบในภาษาที่ใช้ในบริบทขนาดใหญ่ที่อาจเกิดขึ้น Transformer ยังใช้กลไกการให้ความสนใจแบบหลายหัว ซึ่งช่วยให้โมเดลสามารถเข้าร่วมกับส่วนต่าง ๆ ของอินพุตพร้อมกันได้ สิ่งนี้ทำให้โมเดลสามารถจับความสัมพันธ์ที่ซับซ้อนมากขึ้นระหว่างคำต่างๆ

หลังจากเปิดตัว Transformers ไปทั่วโลก Google ได้ปรับปรุงเสิร์ชเอ็นจิ้นด้วยโมเดลภาษา BERT ที่ใช้ Transformer โดยเริ่มต้นในปี 2019 และเสิร์ชเอ็นจิ้นจำนวนมากยังคงปรับปรุงและใช้ประโยชน์จากโมเดลภาษาประเภทนี้ในการตีความข้อความค้นหาและชั้นการจัดอันดับ ตั้งแต่นั้นมา สถาปัตยกรรม Transformer ได้เปิดใช้งานการพัฒนาโมเดลภาษาที่ใหญ่ขึ้น (GPT-3 หรือโมเดลโอเพ่นซอร์ส เช่น Flan t5) ซึ่งสามารถจับความสัมพันธ์ที่ซับซ้อนมากขึ้นระหว่างคำ และยังสร้างการตอบคำถามและคำสั่งที่น่าสนใจโดยใช้คำสั่งเป็น แจ้งแล้วคาดการณ์ — คำต่อคำ (หรือถูกต้องกว่านั้น โทเค็นต่อโทเค็น) — การตอบสนองที่ถูกต้องตามบริบทอินพุต

นี่คือจุดสำคัญของสิ่งที่อยู่เบื้องหลัง ChatGPT ซึ่งทำให้ OpenAI สามารถสร้างผลิตภัณฑ์ที่ทำให้โลกหลงใหลได้

ใช้ประโยชน์จาก AI ผ่านดัชนีที่กระจายอำนาจอย่างสมบูรณ์

ไม่ใช่ความลับที่เป้าหมายระยะยาวของ Presearch คือการสร้างเครื่องมือค้นหาแบบกระจายอำนาจอย่างสมบูรณ์ องค์ประกอบหลักของสิ่งนี้คือดัชนีการกระจายข้อมูลของโลก แม้ว่าจะยังไม่เกิดขึ้น เรากำลังดำเนินการออกแบบอย่างแข็งขัน และเชื่อว่าเทคโนโลยีที่ปฏิวัติวงการนี้จะมีบทบาทสำคัญในการทำซ้ำครั้งถัดไปของอินเทอร์เน็ต

เทคโนโลยี AI จะไม่เพียงแต่อยู่เหนือดัชนีในฐานะประสบการณ์ของผู้บริโภคเท่านั้น แต่จะถูกนำมาใช้อย่างจริงจังในการแบ่งพาร์ติชันและจัดทำดัชนีข้อมูล จัดเก็บและจำลองข้อมูลอย่างเหมาะสม และกำหนดเส้นทางการสืบค้นไปยังพาร์ติชันดัชนีที่เหมาะสม ในขณะที่ Presearch กำลังใช้ OpenAI เพื่อขับเคลื่อนประสบการณ์ AI ในท้ายที่สุด สิ่งนี้จะถูกแทนที่ด้วยโมเดลแบบเปิดที่วิศวกรและนักวิทยาศาสตร์ข้อมูลที่ดีที่สุดในโลกสามารถช่วยสร้าง ฝึกอบรม และผสานรวมเป็นส่วนหนึ่งของชุมชน Presearch

แบบจำลองของ OpenAI เป็นการเพิ่มมูลค่าที่ยอดเยี่ยมสำหรับ Presearch ทำให้เราเข้าสู่ตลาดได้อย่างรวดเร็วด้วยประสบการณ์ AI ที่มีประสิทธิภาพมาก แต่ท้ายที่สุดแล้ว เครือข่าย Presearch จะขับเคลื่อนโดยเทคโนโลยี AI ของเราเอง โดยใช้ประโยชน์จากโมเดลโอเพ่นซอร์สที่ผสานรวมลึกเข้าไปในดัชนีการกระจายอำนาจ . Presearch ใช้วิธีการที่แตกต่างกันโดยพื้นฐานในการสร้างเทคโนโลยี AI ซึ่งเป็นวิธีการแบบกระจายอำนาจและเปิดกว้าง โดยใช้ประโยชน์จากพลังของการฝึกอบรมแบบกระจายเพื่อขับเคลื่อนเทคโนโลยี AI

การฝึกอบรมแบบกระจายเป็นวิธีการฝึกอบรมแบบจำลอง AI บนเครื่องหลายเครื่องพร้อมกัน ซึ่งจะช่วยให้การฝึกอบรมเร็วขึ้นทั่วทั้งสถาปัตยกรรมแบบกระจายอำนาจ ซึ่งนำไปสู่แบบจำลองที่แม่นยำยิ่งขึ้น ซึ่งสามารถเข้าใจบริบทรอบ ๆ ข้อความค้นหาของผู้ใช้ได้ดีขึ้น และท้ายที่สุดจะให้ผลการค้นหาที่เกี่ยวข้องมากขึ้น

นอกจากนี้ Presearch ยังต้องการใช้ประโยชน์จากดัชนีที่กระจายอำนาจทั่วโลกด้วยการฝังตัวจากโมเดล AI ที่ผ่านการฝึกอบรมเหล่านี้ที่ผสานรวมอย่างลึกซึ้ง การดำเนินการนี้จะช่วยให้ค้นหาได้รวดเร็วและแม่นยำยิ่งขึ้นโดยให้ความเข้าใจที่ลึกซึ้งยิ่งขึ้นเกี่ยวกับข้อความค้นหาของผู้ใช้ จากนั้นจึงจำกัดจำนวนโหนดที่จำเป็นในการดำเนินการค้นหาที่กำหนด ด้วยการใช้ประโยชน์จากดัชนีกระจายอำนาจทั่วโลกที่แบ่งพาร์ติชันตามการฝังแบบ AI ทำให้ Presearch สามารถเพิ่มความเร็วของการค้นหาและเพิ่มทรัพยากรเครือข่ายได้สูงสุด ในขณะเดียวกันก็ให้ผลลัพธ์ที่เกี่ยวข้องมากที่สุด

การผสมผสานระหว่างการฝึกอบรมแบบกระจายและดัชนีแบบกระจายศูนย์ทั่วโลกจะช่วยให้ Presearch สามารถส่งมอบเครื่องมือค้นหาแบบกระจายอำนาจอย่างแท้จริงซึ่งขับเคลื่อนโดยโมเดล AI แบบโอเพ่นซอร์สและชุมชนที่ดีที่สุด

แบบจำลองภาษาขนาดใหญ่ที่ได้รับความนิยมอย่างมากในขณะนี้ ยังห่างไกลจากความสามารถของ AI เพียงอย่างเดียวในเสิร์ชเอ็นจิ้น Presearch จะใช้การฝึกอบรมแบบกระจายสำหรับการจัดอันดับแบบแมชชีนเลิร์นนิง (หรือที่เรียกว่าการเรียนรู้เพื่อจัดอันดับ) แบบจำลองการส่งเสริมสัญญาณ การสร้างกราฟความรู้ และเทคนิคอื่นๆ อีกมากมายเพื่อเรียนรู้และสร้างปัจจัยการจัดอันดับที่ดีขึ้น โมเดลภาษาขนาดใหญ่จะมีบทบาทสำคัญในการตีความและสรุปผลลัพธ์ด้วยวิธีที่รอบคอบและเป็นประโยชน์

Presearch ใช้วิธีการที่แตกต่างไปจาก OpenAI และเครื่องมือค้นหาอื่นๆ โดยเน้นที่การทำงานร่วมกันแบบเปิดและการกระจายอำนาจ สิ่งที่ Bitcoin ทำเพื่อสกุลเงินดิจิทัล Presearch จะทำเพื่อการเข้าถึงข้อมูลของโลก หากคุณต้องการมีส่วนร่วมในโครงการ เรียกใช้โหนดแบบกระจายอำนาจ ช่วยเราสร้าง หรือเพียงแค่เรียนรู้เพิ่มเติม เรายินดีที่จะต้อนรับคุณในฐานะส่วนหนึ่งของชุมชนของเรา!

PresearchAI Twitter

เราได้สร้างบัญชีเฉพาะเพื่อแบ่งปันความคืบหน้าและข้อมูลเชิงลึกของเราเกี่ยวกับปัญญาประดิษฐ์ ติดตามได้ที่นี่ —https://twitter.com/PresearchAI

หากคุณมีคำถาม โปรดเข้าร่วมหนึ่งในลิงก์ชุมชนของเราด้านล่าง

เรียกใช้โหนด :https://nodes.presearch.com
คำหลักเดิมพัน :https://keywords.presearch.com
เว็บไซต์ข้อมูล :https://presearch.io
ค้นหาด้วยการค้นหาล่วงหน้า :https://presearch.com

ช่องชุมชน:

โทรเลข : t.me/Presearch
Twitter :https://twitter.com/presearchnews
PresearchAI Twitter:https://twitter.com/PresearchAI
ยูทูบ :https://www.youtube.com/c/Presearch/videos
เสียงดังก้อง :https://rumble.presearch.io
ความไม่ลงรอยกัน :https://discord.presearch.io
จิตใจ :https://www.minds.com/presearch
เรดดิท:https://www.reddit.com/r/Presearch/
ทวิตเตอร์ (ชุมชน) :https://twitter.com/TeamPresearch
โทรเลข (ข่าว) : t.me/PresearchNews
Facebook :https://www.facebook.com/presearch.io
อีเมล : [email protected]
สนใจเป็นพันธมิตรหรือไม่? ส่งอีเมลถึงเราที่ — [email protected]