Как The Graph масштабируется, чтобы стать инфраструктурой Web3, управляемой ИИ?

d может помочь пользователям писать посты, которые будут получать больше лайков.

Этот подход позволяет разработчикам легко использовать инфраструктуру The Graph, размещать предварительно обученные модели в сети The Graph и интегрировать их в приложения через API-интерфейсы, чтобы пользователи могли напрямую использовать эти функции при использовании dApps.

Для предоставления разработчикам большего выбора и гибкости, Сервис Инференции The Graph поддерживает большинство существующих популярных моделей. В белой книге написано: "На этапе MVP Сервис Инференции The Graph будет поддерживать набор отобранных популярных открытых AI моделей, включая Stable Diffusion, Stable Video Diffusion, LLaMA, Mixtral, Grok и Whisper и т.д." В будущем любая открытая модель, прошедшая достаточное тестирование и управляемая индексатором, может быть развернута в Сервисе Инференции The Graph. Кроме того, для уменьшения технической сложности развертывания AI моделей, The Graph предоставляет удобный интерфейс, упрощающий весь процесс, позволяя разработчикам легко загружать и управлять своими AI моделями без необходимости беспокоиться о поддержке инфраструктуры.

Для дальнейшего повышения производительности моделей в конкретных сценариях применения, The Graph также поддерживает тонкую настройку моделей для конкретных наборов данных. Однако следует отметить, что тонкая настройка обычно не выполняется на The Graph. Разработчикам необходимо выполнять тонкую настройку моделей внешне, а затем развертывать их с использованием сервиса инференции The Graph. Для поощрения разработчиков к публичному раскрытию тонко настроенных моделей, The Graph разрабатывает механизмы стимулирования, такие как разумное распределение платы за запросы между создателями моделей и индексаторами, предоставляющими модели.

В плане проверки выполнения задач инференции, The Graph предоставляет различные методы, такие как доверенные авторитеты, консенсус M-of-N, интерактивные доказательства мошенничества и zk-SNARKs. Каждый из этих четырех методов имеет свои преимущества и недостатки. Доверенные авторитеты полагаются на доверенные сущности; консенсус M-of-N требует проверки несколькими индексаторами, что увеличивает сложность мошенничества, но также увеличивает вычислительные и координационные затраты; интерактивные доказательства мошенничества более безопасны, но не подходят для приложений, требующих быстрого отклика; а zk-SNARKs сложнее в реализации и не подходят для больших моделей.

The Graph считает, что разработчики и пользователи должны иметь право выбирать соответствующий уровень безопасности в зависимости от своих потребностей. Поэтому The Graph планирует поддерживать несколько методов проверки в своем сервисе инференции, чтобы адаптироваться к различным потребностям в безопасности и сценариям применения. Например, в ситуациях, связанных с финансовыми транзакциями или важной бизнес-логикой, может потребоваться использование более безопасных методов проверки, таких как zk-SNARKs или консенсус M-of-N. Для некоторых низкорисковых или развлекательных приложений можно выбрать методы проверки, которые менее затратны и проще в реализации, такие как доверенные авторитеты или интерактивные доказательства мошенничества. Кроме того, The Graph также планирует исследовать технологии повышения конфиденциальности для улучшения вопросов конфиденциальности моделей и пользователей.

Сервис Агентов: Помощь разработчикам в создании автономных приложений на основе AI

По сравнению с Сервисом Инференции, который в основном запускает обученные AI модели для инференции, Сервис Агентов более сложен и требует работы нескольких компонентов вместе, чтобы эти агенты могли выполнять серию сложных и автоматизированных задач. Ценность Сервиса Агентов The Graph заключается в интеграции создания, размещения и выполнения агентов в The Graph и предоставлении услуг от сети индексаторов.

Конкретно, The Graph предоставит децентрализованную сеть для поддержки создания и размещения агентов. Как только Агент будет развернут в сети The Graph, индексатор The Graph предоставит необходимую поддержку выполнения

включая индексирование данных, реагирование на события в цепочке и другие интерактивные запросы.

Как упомянуто выше, основная команда разработчиков The Graph, Semiotic Labs, запустила ранний экспериментальный продукт Agentc, который сочетает в себе стек программного обеспечения для индексирования The Graph и OpenAI. Его основная функция заключается в преобразовании ввода на естественном языке в SQL-запросы, что позволяет пользователям напрямую запрашивать данные в реальном времени на блокчейне и представлять результаты запросов в удобной для понимания форме. Проще говоря, Agentc сосредоточен на предоставлении пользователям удобного анализа рыночных тенденций криптовалют и запросов данных о транзакциях. Все его данные поступают из Uniswap V2, Uniswap V3, Uniswap X и их форков на Ethereum, а цены обновляются каждый час.

Кроме того, The Graph также заявил, что модель LLM, используемая The Graph, имеет точность всего 63,41%, поэтому существует проблема некорректного ответа. Для решения этой проблемы The Graph разрабатывает новую большую языковую модель под названием KGLLM (Knowledge Graph-enabled Large Language Models).

KGLLM может значительно снизить вероятность генерации ложной информации, используя структурированные данные графа знаний, предоставленные Geo. Каждое утверждение в системе Geo поддерживается временными метками в цепочке и проверкой голосования. После интеграции графа знаний Geo агенты могут применяться к различным сценариям, включая медицинские регламенты, политические события, анализ рынка и т.д., что повышает разнообразие и точность агентских услуг. Например, KGLLM может использовать политические данные для предоставления рекомендаций по изменению политики для децентрализованных автономных организаций (DAO) и обеспечивать их актуальность и точность.

Преимущества KGLLM также включают:

Использование структурированных данных: KGLLM использует структурированную внешнюю базу знаний. Информация моделируется в графической форме в графе знаний, что делает отношения между данными очевидными, поэтому запрос и понимание данных становятся более интуитивными;
Возможности обработки реляционных данных: KGLLM особенно подходит для обработки реляционных данных, например, он может понимать отношения между людьми, отношения между людьми и событиями и т.д. И он использует алгоритм обхода графа для поиска релевантной информации, переходя через несколько узлов в графе знаний (аналогично перемещению по карте). Таким образом, KGLLM может найти наиболее релевантную информацию для ответа на вопросы;
Эффективный поиск и генерация информации: С помощью алгоритма обхода графа отношения, извлеченные KGLLM, преобразуются в подсказки, которые модель может понять на естественном языке. Благодаря этим четким инструкциям модель KGLLM может генерировать более точные и релевантные ответы.

Перспективы

Как "Google Web3", The Graph использует свои преимущества для восполнения текущего дефицита данных AI-сервисов и упрощает процесс разработки проектов для разработчиков, вводя AI-сервисы. С развитием и использованием большего количества AI-приложений ожидается дальнейшее улучшение пользовательского опыта. В будущем команда разработчиков The Graph продолжит исследовать возможность сочетания искусственного интеллекта с Web3. Кроме того, другие команды в его экосистеме, такие как Playgrounds Analytics и DappLooker, также разрабатывают решения, связанные с прокси-сервисами.