Le hub d’annotation de données du monde réel renforce l’IA avec la cryptographie

Divulgation: Ceci est un message parrainé. Les lecteurs devraient effectuer des recherches plus approfondies avant de prendre des mesures. Apprendre encore plus >

L’histoire du WorkML.ai Le projet commence avec la rencontre de Michael Bogachev et Denis Davydov en 2020 alors qu’ils travaillaient dans une startup ukrainienne à succès, rachetée par la plus grande entreprise de logistique des Émirats arabes unis. Plus tard en 2023, après avoir voyagé à travers l’Europe, ils se sont croisés à Budapest, où le concept de base du projet a été découvert.

Dans leur recherche d’idée, ils se sont particulièrement concentrés sur les tendances existantes dans les domaines de l’IA et des crypto-monnaies. Denis avait déjà une expérience substantielle dans les crypto-monnaies, ayant travaillé dans des sociétés de crypto américaines entre 2022 et 2023 et participé à des startups d’IA et de crypto de 2016 à 2019. Michael a également utilisé l’IA dans le développement de systèmes logistiques de 2016 à 2022.

Sur la base de leur expérience, ils ont identifié certains goulots d’étranglement dans la préparation de grands modèles d’IA.

Le premier goulot d’étranglement concernait le traitement de grands ensembles de données, un problème qui a été résolu avec succès par Nvidia, dont les stocks ont plus que doublé en 2023 après la sortie de leurs accélérateurs.

Le deuxième goulot d’étranglement n’est pas aussi évident, puisqu’il ne peut être identifié que par ceux qui sont directement impliqués dans les modèles de formation. Ce goulot d’étranglement est la préparation des métadonnées, qui sont introduites dans le modèle avec les données.

Que sont les métadonnées ?

Les métadonnées sont un élément clé cela permet au réseau neuronal de faire une interprétation de ce qui est visualisé, exprimé ou écrit, et de ses relations avec d’autres objets.

Vous pouvez en savoir plus sur ces informations dans le projet WorkML.ai Papier blanc.

La préparation des métadonnées est considérée comme une tâche difficile

Il s’avère que pour créer un nouveau réseau de neurones, il faut l’entraîner entièrement à partir de zéro avec une quantité colossale de données (les réseaux pré-entraînés ne sont pas adaptés à cela ; il est obligatoire de s’entraîner à nouveau à chaque fois). Pour cela, un développeur a besoin à la fois des données et des métadonnées décrivant ces données. De plus, plus les métadonnées sont précises et plus les données utilisées pour entraîner le réseau neuronal sont nombreuses, plus ses prédictions seront intelligentes et précises.

Aujourd’hui, pour former efficacement un réseau neuronal à la reconnaissance d’images animales ou à la génération d’images, des dizaines de millions d’images (Données) doivent être introduits dans le réseau neuronal, accompagnés de Métadonnées (dans ce cas, des informations supplémentaires précisant où exactement sur chaque image est représenté un animal particulier, qui peut être un rectangle, un polygone, un remplissage ou un squelette).

La complexité du processus d’annotation

Par exemple, pour 10 millions d’images, environ 30 à 40 millions d’unités de métadonnées sont nécessaires, car une image peut représenter de 1 à 10 objets ou plus, dont chacun doit être marqué. Il existe également une différence dans la façon dont les objets sont mis en évidence. Par exemple, si les objets sont marqués de rectangles, le réseau neuronal formé ne sera pas aussi précis en termes de détection et de génération qu’un réseau formé sur des objets délimités par des polygones (la forme est tracée plus précisément avec des points et des lignes).

En effet, il devient évident que la nécessité des métadonnées dépasse celle des données lui-même. Bien que les données puissent être facilement obtenues dans leur état brut, la création des métadonnées requises implique un processus délibéré et réfléchi.

Avec un rendement moyen de une annotation toutes les deux minutes pendant une période continue de 4,5 heures séance de travail, un individu peut générer 135 unités de métadonnées de haute qualité par jour de travail.

En un mois, représentant 21 jours ouvrablescela ajoute jusqu’à 2 835 unités de métadonnées.

Pour préparer 35 millions d’unités de métadonnées, il faudrait une personne 12 345 mois, soit 1 028 ans !

UN une équipe de 100 personnes aurait besoin de 10 ans et 3 mois pour terminer la tâche, tandis qu’un un groupe de 1 000 personnes pourrait y parvenir en seulement 1 an.

Vous pouvez trouver une approximation de la configuration du bureau pour annotation dans un cas d’utilisation pour les clientsoù les coûts moyens s’élèvent à environ 1 800 $ par mois par annotateur.

Dans le cas d 100 annotateurs, les coûts s’élèvent à environ 180 000 $ par mois sur 10 ans!

Ou, 1 800 000 $ par mois pendant 1 an avec 1 000 annotateurs.

Cela revient à environ 21 600 000 $ pour l’annotation de 10 millions d’images avec 35 millions d’unités de métadonnées.

Comme vous pouvez le constater, le processus de création de métadonnées est gourmand en ressources, à la fois en termes de temps et d’investissement financier.

Les innovateurs WorkML ont développé une solution à ce problème !

La solution consiste à créer un pôle d’emploi sur la plateforme WorkML, où des individus du monde entier peuvent suivre des cours d’intégration, devenant ainsi partie intégrante du personnel des annotateurs et des validateurs de données. Cette approche pourrait mobiliser des dizaines, voire des centaines de milliers d’annotateurs pour des tâches d’annotation (cas d’utilisation de l’annotateur). De plus, les entreprises peuvent créer leurs propres services d’annotation via la plateforme WorkML, en intégrant des annotateurs externalisés dans leurs équipes. Cette stratégie devrait augmenter la qualité et la vitesse de l’annotation de plusieurs ordres de grandeur, tout en réduisant d’environ dix fois les coûts d’annotation.

Une telle innovation est aussi cruciale pour l’industrie de l’IA que les accélérateurs de Nvidia.

Le workflow des tâches d’annotation est décrit dans le diagramme ci-dessus, voir le Papier blanc pour plus de détails.

De plus, pour optimiser les dépenses et les frais, le projet permet l’utilisation de crypto-monnaies pour les transactions. Surtout, le projet présente son jeton – WMLqui servira aux paiements internes et aux rémunérations des annotateurs.

Les caractéristiques du jeton :

  • Preuve de participation (PoS) avec des paiements allant de 0,5 % par mois (garantis) jusqu’à 5 % par mois (sur les bénéfices du projet).
  • Preuve d’enjeu humain (H-PoS) offrant un double profit aux annotateurs qui effectuent le travail réel.
  • UN programme de parrainage à plusieurs niveaux récompense les utilisateurs qui contribuent à élargir la communauté en invitant de nouveaux annotateurs et clients, favorisant ainsi un réseau croissant et engagé.
  • Le mécanisme d’annotation est considéré comme du minage, ou Humans Proof of Work (H-PoW), ce qui signifie que plus le travail est effectué et de qualité, plus la récompense est élevée.
  • Compte tenu de la valeur commerciale élevée et des fonctionnalités innovantes du projet, il existe un potentiel pour que la valeur du jeton WML augmente de plus de dix fois.
  • Le budget comprend 2 % de tous les jetons alloués aux parachutages, offrant ainsi la possibilité de gagner des jetons gratuits et d’impliquer un public plus large dans l’écosystème du projet.

Le projet offre également des réductions perpétuelles aux clients payant avec le Jeton WML pour les produits WorkML, créant ainsi des liquidités supplémentaires.

WorkML.ai – pôle d’emploi riche en fonctionnalités hautement rentable et à faible risque pour investisseurs, clients et annotateurs.

WorkML.ai redéfinit le paysage du marché de la cryptographie en offrant une valeur tangible aux entreprises, aux investisseurs et à un large éventail d’utilisateurs, des clients aux annotateurs de données. Au-delà de la vague spéculative d’offres de jetons, il établit un modèle de revenus solide grâce aux commissions de service. Cette approche garantit un flux financier stable tout en fondant la valeur du projet sur les avantages réels qu’il procure.

Répondant au besoin critique d’ensembles de données détaillés dans l’industrie technologique, essentiels à la formation des systèmes d’IA, WorkML.ai réduit le coût et le temps nécessaires au développement de l’IA. Il facilite l’adoption plus large des technologies d’IA dans divers secteurs, en fournissant des ensembles de données de haute qualité qui améliorent la formation et l’efficacité des réseaux neuronaux.

Investir dans WorkML.ai transcende une simple entreprise financière ; cela signifie un partenariat avant-gardiste à la pointe de l’innovation en matière d’IA. Il offre aux investisseurs la possibilité de faire partie d’un mouvement crucial, générant des rendements substantiels et influençant le futur cadre technologique.

Rejoignez la révolution WorkML.ai

Entrez dans la prochaine ère de la technologie de l’IA et de la blockchain avec WorkML.ai. Découvrez notre plateforme de pointe et le token WML, conçus pour révolutionner la formation des modèles d’IA. Inscrivez-vous à notre newsletter pour obtenir des informations spéciales et rester au courant des dernières nouvelles sur notre vente imminente de jetons.

Nous sommes ouverts à de nouvelles propositions et apprécions la collaboration (cas d’utilisation pour les investisseurs).

Être impliqué

Connectez-vous avec nous sur notre site Web et nos réseaux sociaux pour participer à des webinaires et rejoindre notre communauté grandissante. Vos idées sont essentielles à notre réussite collective.

Site web | LinkedIn | Télégramme | Facebook | Instagram | Youtube | Twitter | Sujets

Mentionné dans cet article

More Info

Greatly hearted has who believe. Drift allow green son walls years for blush. Sir margaret drawings repeated recurred exercise.

You have been successfully Subscribed! Ops! Something went wrong, please try again.

Quick Links

Services

About Me

Projects

Contact

Address

+1-(360) 416-7563

Phone Number

FelicitymcDowell@mail.com

Email Address

© 2024 Created with Royal Elementor Addons