금융, 의료, 법률 등의 수직적 응용 시나리오에서 대규모 AI 모델을 구현하는 데 있어 가장 큰 장애물은 바로 AI 출력 결과의 "환상" 문제가 정밀도가 요구되는 실제 응용 시나리오와 일치하지 않는다는 점이라는 것은 누구나 알고 있습니다. 어떻게 해결하나요? 최근 @Mira_Network는 공개 테스트넷을 출시하고 솔루션을 제공했습니다. 무슨 일이 일어났는지 말씀드리겠습니다.

우선, AI 빅모델 툴에는 누구나 느낄 수 있는 '환각'이 있습니다. 두 가지 주요 이유가 있습니다.

1. AI LLM 교육 데이터가 완전하지 않습니다. 기존 데이터는 방대하지만 여전히 일부 틈새 시장이나 전문 분야를 포괄하지 못하고 있습니다. 이때 AI는 '창의적 완성'을 하는 경향이 있고, 그러다 보면 실시간으로 오류가 발생합니다.

2. AI LLM은 본질적으로 "확률적 샘플링"에 의존하는데, 이는 진정으로 "이해"하는 것보다는 훈련 데이터에서 통계적 패턴과 상관 관계를 식별하는 것입니다. 따라서 확률적 샘플링의 무작위성, 학습 및 추론 결과의 불일치 등으로 인해 AI가 고정밀 사실 문제를 처리하는 데 있어 편차가 발생할 것입니다.

이 문제를 어떻게 해결하나요? 코넬 대학은 ArXiv 플랫폼에 여러 모델을 공동으로 검증하여 LLM 결과의 신뢰도를 개선하는 방법을 설명하는 논문을 발표했습니다.

간단히 말해서, 먼저 주 모델을 사용하여 결과를 생성한 다음 여러 검증 모델을 통합하여 문제에 대한 "다수결 투표 분석"을 수행하여 모델이 생성하는 "환상"을 줄이는 것입니다.

일련의 테스트를 통해 이 방법을 사용하면 AI 출력의 정확도를 95.6%까지 높일 수 있는 것으로 나타났습니다.

이 경우에는 주모델과 검증모델 간의 협업적 상호작용 프로세스를 관리하고 검증하기 위한 분산형 검증 플랫폼이 반드시 필요합니다. Mira Network는 사용자와 기본 AI 모델 간에 신뢰할 수 있는 검증 계층을 구축하는 AI LLM 검증 구축에 전념하는 미들웨어 네트워크입니다.

이러한 검증 계층 네트워크가 존재함으로써 개인정보 보호, 정확성 보장, 확장 가능한 디자인, 표준화된 API 인터페이스 등을 포함한 통합 서비스를 실현할 수 있습니다. AI LLM의 출력 환상을 줄임으로써 다양한 응용 시나리오에 AI가 적용될 가능성을 넓힐 수 있습니다. 또한 Crypto 분산 검증 네트워크는 AI LLM 엔지니어링 구현 프로세스에서 역할을 할 수 있다는 것도 관행입니다.

예를 들어 Mira Network는 금융, 교육 및 블록체인 생태계에서 여러 사례를 공유하여 다음을 증명했습니다.

1) Gigabrain이 Mira를 거래 플랫폼에 통합하면 시스템은 시장 분석과 예측의 정확성을 검증하는 링크를 추가하고, 신뢰할 수 없는 제안을 걸러내고, AI 거래 신호의 정확성을 향상시키고, DeFai 시나리오에서 AI LLM의 신뢰성을 높일 수 있습니다.

2) Learnrite는 mira를 사용하여 AI가 생성한 표준화된 시험 문제를 검증합니다. 이를 통해 교육 기관은 AI를 사용하여 교육 시험 내용의 정확성에 영향을 미치지 않으면서 대규모로 콘텐츠를 생성하여 엄격한 교육 표준을 유지할 수 있습니다.

3) 블록체인 커널 프로젝트는 미라의 LLM 합의 메커니즘을 활용하여 BNB 생태계에 통합하여 분산형 검증 네트워크 DVN을 구축했습니다. 이를 통해 블록체인에서 수행되는 AI 계산의 정확성과 보안을 어느 정도 보장할 수 있습니다.

위에.

실제로 Mira Network는 미들웨어 합의 네트워크 서비스를 제공하는데, 이는 AI 애플리케이션 기능을 향상시키는 유일한 방법은 아닙니다. 실제로 데이터 측의 교육 강화, 멀티모달 대규모 모델을 통한 상호작용 강화, ZKP, FHE, TEE 등의 잠재적 암호화 기술을 통한 개인 정보 보호 컴퓨팅 강화는 모두 선택 사항입니다. 하지만 이에 비해 Mira의 솔루션은 구현이 빠르고 즉각적인 결과를 보여줍니다.