Come scala The Graph per diventare un'infrastruttura Web3 guidata dall'IA?

d può aiutare gli utenti a scrivere post che possono ottenere più "mi piace".

Questo approccio consente agli sviluppatori di sfruttare facilmente l'infrastruttura di The Graph, ospitare modelli pre-addestrati sulla rete di The Graph e integrarli nelle applicazioni tramite interfacce API, in modo che gli utenti possano sperimentare direttamente queste funzionalità quando utilizzano dApp.

Per fornire agli sviluppatori più scelte e flessibilità, il Servizio di Inferenza di The Graph supporta la maggior parte dei modelli popolari esistenti. Nel white paper è scritto: "Nella fase MVP, il Servizio di Inferenza di The Graph supporterà un insieme di modelli AI open source popolari selezionati, tra cui Stable Diffusion, Stable Video Diffusion, LLaMA, Mixtral, Grok e Whisper, ecc." In futuro, qualsiasi modello aperto che sia stato sufficientemente testato e operato da un indicizzatore potrà essere distribuito nel Servizio di Inferenza di The Graph. Inoltre, per ridurre la complessità tecnica della distribuzione dei modelli AI, The Graph fornisce un'interfaccia user-friendly che semplifica l'intero processo, permettendo agli sviluppatori di caricare e gestire facilmente i loro modelli AI senza preoccuparsi della manutenzione dell'infrastruttura.

Per migliorare ulteriormente le prestazioni dei modelli in scenari applicativi specifici, The Graph supporta anche la messa a punto dei modelli per set di dati specifici. Tuttavia, va notato che la messa a punto di solito non viene eseguita su The Graph. Gli sviluppatori devono mettere a punto i modelli esternamente e poi distribuirli utilizzando il servizio di inferenza di The Graph. Per incoraggiare gli sviluppatori a divulgare pubblicamente i modelli messi a punto, The Graph sta sviluppando meccanismi di incentivazione, come l'allocazione ragionevole delle tariffe di query tra i creatori dei modelli e gli indicizzatori che forniscono i modelli.

In termini di verifica dell'esecuzione dei compiti di inferenza, The Graph fornisce una varietà di metodi, come autorità fidata, consenso M-of-N, prove di frode interattive e zk-SNARKs. Ognuno di questi quattro metodi ha i propri vantaggi e svantaggi. L'autorità fidata si basa su entità fidate; il consenso M-of-N richiede la verifica da parte di più indicizzatori, il che aumenta la difficoltà di imbrogliare ma anche i costi computazionali e di coordinamento; le prove di frode interattive sono più sicure, ma non adatte per applicazioni che richiedono risposte rapide; e gli zk-SNARKs sono più complessi da implementare e non adatti per modelli di grandi dimensioni.

The Graph ritiene che sviluppatori e utenti dovrebbero avere il diritto di scegliere il livello di sicurezza appropriato in base alle loro esigenze. Pertanto, The Graph prevede di supportare più metodi di verifica nel suo servizio di inferenza per adattarsi a diverse esigenze di sicurezza e scenari applicativi. Ad esempio, in situazioni che coinvolgono transazioni finanziarie o logiche aziendali importanti, potrebbe essere necessario utilizzare metodi di verifica più sicuri, come zk-SNARKs o consenso M-of-N. Per alcune applicazioni a basso rischio o di intrattenimento, è possibile scegliere metodi di verifica meno costosi e più semplici da implementare, come autorità fidate o prove di frode interattive. Inoltre, The Graph prevede anche di esplorare tecnologie che migliorano la privacy per migliorare i problemi di privacy dei modelli e degli utenti.

Servizio Agente: Aiutare gli sviluppatori a costruire applicazioni autonome guidate dall'AI

Rispetto al Servizio di Inferenza, che esegue principalmente modelli AI addestrati per l'inferenza, il Servizio Agente è più complesso e richiede che più componenti lavorino insieme per consentire a questi agenti di eseguire una serie di compiti complessi e automatizzati. La proposta di valore del Servizio Agente di The Graph è integrare la costruzione, l'hosting e l'esecuzione degli agenti in The Graph e fornire servizi dalla rete degli indicizzatori.

Nello specifico, The Graph fornirà una rete decentralizzata per supportare la costruzione e l'hosting degli agenti. Una volta che l'Agente è distribuito sulla rete di The Graph, l'Indicizzatore di The Graph fornirà il supporto necessario per l'esecuzione

rt, inclusi i dati di indicizzazione, la risposta agli eventi on-chain e altre richieste interattive.

Come menzionato sopra, il team di sviluppo principale di The Graph, Semiotic Labs, ha lanciato un prodotto sperimentale iniziale chiamato Agentc, che combina lo stack software di indicizzazione di The Graph e OpenAI. La sua funzione principale è convertire l'input in linguaggio naturale in query SQL, permettendo agli utenti di interrogare direttamente i dati in tempo reale sulla blockchain e presentare i risultati delle query in una forma facile da comprendere. In poche parole, Agentc si concentra nel fornire agli utenti un'analisi conveniente delle tendenze del mercato delle criptovalute e delle query sui dati delle transazioni. Tutti i suoi dati provengono da Uniswap V2, Uniswap V3, Uniswap X e i suoi fork su Ethereum, e i prezzi vengono aggiornati ogni ora.

Inoltre, The Graph ha anche dichiarato che il modello LLM utilizzato da The Graph ha un tasso di accuratezza del solo 63,41%, quindi c'è un problema di risposta errata. Per affrontare questo problema, The Graph sta sviluppando un nuovo modello di linguaggio di grandi dimensioni chiamato KGLLM (Knowledge Graph-enabled Large Language Models).

KGLLM può ridurre significativamente la probabilità di generare informazioni false utilizzando dati strutturati del knowledge graph forniti da Geo. Ogni affermazione nel sistema Geo è supportata da timestamp on-chain e verifica tramite votazione. Dopo aver integrato il knowledge graph di Geo, gli agenti possono essere applicati a una varietà di scenari, inclusi regolamenti medici, sviluppi politici, analisi di mercato, ecc., migliorando così la diversità e l'accuratezza dei servizi degli agenti. Ad esempio, KGLLM può utilizzare dati politici per fornire raccomandazioni sui cambiamenti di politica per le organizzazioni autonome decentralizzate (DAO) e garantire che siano basate su informazioni attuali e accurate.

I vantaggi di KGLLM includono anche:

Uso di dati strutturati: KGLLM utilizza una base di conoscenza esterna strutturata. Le informazioni sono modellate in una forma grafica nel knowledge graph, rendendo chiara a colpo d'occhio la relazione tra i dati, quindi interrogare e comprendere i dati diventa più intuitivo;
Capacità di elaborazione dei dati relazionali: KGLLM è particolarmente adatto per elaborare dati relazionali, ad esempio, può comprendere la relazione tra persone, la relazione tra persone ed eventi, ecc. E utilizza un algoritmo di attraversamento del grafo per trovare informazioni rilevanti saltando più nodi nel knowledge graph (simile a muoversi su una mappa). In questo modo, KGLLM può trovare le informazioni più rilevanti per rispondere alle domande;
Recupero e generazione efficiente delle informazioni: Attraverso l'algoritmo di attraversamento del grafo, le relazioni estratte da KGLLM vengono convertite in prompt che il modello può comprendere in linguaggio naturale. Attraverso queste istruzioni chiare, il modello KGLLM può generare risposte più accurate e pertinenti.

Prospettive

Come il "Google del Web3", The Graph utilizza i suoi vantaggi per compensare l'attuale carenza di dati dei servizi AI e semplifica il processo di sviluppo dei progetti per gli sviluppatori introducendo servizi AI. Con lo sviluppo e l'uso di più applicazioni AI, si prevede che l'esperienza utente venga ulteriormente migliorata. In futuro, il team di sviluppo di The Graph continuerà a esplorare la possibilità di combinare l'intelligenza artificiale con il Web3. Inoltre, altri team nel suo ecosistema, come Playgrounds Analytics e DappLooker, stanno anche progettando soluzioni relative ai servizi proxy.