Революция в подготовке данных для ИИ: WorkML.ai – Пульс новости ‘8’

Реальность данных: создание аннотаций на платформе WorkML.ai

WorkML.ai — это инновационный проект, который разработал революционный метод аннотирования метаданных, значительно повышающий точность моделей ИИ и сокращающий затраты и время.

Концепт проекта

История проекта WorkML.ai началась со встречи Майкла Богачева и Дениса Давыдова в 2020 году.

Впоследствии в 2023 году, путешествуя по Европе, они пересеклись в Будапеште, где и состоялась встреча, в рамках которой родился основной концепт проекта. В процессе поиска идеи они ориентировались на актуальные тенденции в области ИИ и криптовалют.

Проблема подготовки метаданных

Основываясь на своем опыте, они выявили ряд препятствий при подготовке крупных моделей ИИ. Первое препятствие заключалось в обработке больших наборов данных, которое было успешно решено компанией Nvidia, акции которой выросли более чем в два раза в 2023 году после выпуска ускорителей.

Второе препятствие не столь очевидно и может быть обнаружено только теми, кто напрямую участвует в обучении моделей. Это подготовка метаданных, которые передаются в модель вместе с данными.

Что такое метаданные?

Метаданные — это ключевой элемент, позволяющий нейронной сети интерпретировать воспринимаемую или записанную информацию и понимать ее связь с другими объектами.

Подготовка метаданных считается сложной задачей. Для разработки новой нейронной сети ее необходимо обучить с нуля на основе колоссального объема данных (готовые сети не подходят для этого; необходимо каждый раз обучать новую).

Для этого разработчику нужны как данные, так и метаданные, описывающие эти данные. Более того, чем точнее метаданные и чем больше данных используется при обучении нейронной сети, тем умнее и точнее будут ее предсказания.

Сложность процесса аннотирования

Например, для 10 миллионов изображений требуется около 30-40 миллионов единиц метаданных, поскольку на одном изображении может быть изображено от 1 до 10 или более объектов, каждый из которых необходимо отметить.

Существуют также различия в способах выделения объектов. Например, если объекты обозначены прямоугольниками, обученная нейронная сеть не будет настолько точной в обнаружении и генерации, как сеть, обученная на объектах, очерченных многоугольниками (форма более точно прослеживается точками и линиями).

Таким образом, становится очевидным, что необходимость в метаданных превышает необходимость в самих данных. Хотя данные могут быть легко получены в необработанном виде, создание необходимых метаданных требует сознательного и продуманного процесса.

Решение WorkML.ai

Инноваторы WorkML нашли решение этой проблемы! Оно заключается в создании центра занятости на платформе WorkML, где люди со всего мира могут пройти вводные курсы и стать частью рабочей силы аннотаторов и валидаторов данных.

Этот подход позволит привлечь десятки и сотни тысяч аннотаторов к задачам аннотирования.

Токен WML

Кроме того, для оптимизации расходов и сборов проект допускает использование криптовалют для транзакций.

Важно отметить, что проект представляет свой токен — WML, который будет использоваться для внутренних платежей и вознаграждений аннотаторам.

Особенности токена:

• Proof of Stake (PoS) с выплатами от 0,5% в месяц (гарантировано) до 5% в месяц (из прибыли проекта).
• Human’s Proof of Stake (H-PoS) с двойной прибылью для аннотаторов, выполняющих фактическую работу.
• Многоуровневая реферальная программа вознаграждает пользователей, которые помогают расширять сообщество, приглашая новых аннотаторов и клиентов, содействуя росту и вовлечению сети.

Преимущества и перспективы

Учитывая высокую деловую ценность и инновационные особенности проекта, у токена WML есть потенциал роста более чем в десять раз.

Высокодоходный и малорискованный центр занятости с широкими возможностями для инвесторов, клиентов и аннотаторов.

Решает критическую потребность в детальных наборах данных в технологической отрасли, необходимых для обучения систем ИИ, что снижает затраты и время, связанные с разработкой ИИ. Упрощает более широкое внедрение технологий ИИ в различных секторах, предоставляя высококачественные наборы данных, которые повышают эффективность и качество обучения нейронных сетей.