TAO affiche le plus fort rebond, découvrez 12 projets IA utiles sur le sous-réseau
TechFlow SélectionTechFlow Sélection
TAO affiche le plus fort rebond, découvrez 12 projets IA utiles sur le sous-réseau
12 nouveaux sous-réseaux ont été ajoutés sur Bittensor, chacun contribuant dans une certaine mesure au développement lié à l'IA.
Dédié à des analyses Web3 approfondiesRédaction : TechFlow
Le marché de la cryptomonnaie a été laminé après le « lundi noir » de cette semaine, mais un rebond s’est produit dès le lendemain parmi les jetons des différents secteurs.
Parmi eux, le plus remarquable est sans conteste Bittensor (TAO).
Selon les données de Coinmarketcap, hier, parmi les 100 premiers jetons par capitalisation boursière, Bittensor (TAO) a progressé de 23,08 %, se classant en tête du classement du rebond.
Bien que le récit autour de l’IA ne soit plus aussi brûlant qu’au début de l’année, ce choix des capitaux spéculatifs reflète néanmoins une confiance dans les projets leaders du secteur.
Toutefois, Bittensor a fait face auparavant à une certaine dose de FUD. La communauté pense que le projet est surfait et que ses sous-réseaux ne comportent aucune application concrète.
(Lire aussi : Rumeurs alarmistes : Bittensor, le nouveau roi de l’IA, va-t-il tomber de son piédestal ?)
Même si l’utilité d’un projet de cryptomonnaie n’est pas directement liée au prix de son jeton, Bittensor est-il vraiment vide de substance ?
Ces derniers mois, 12 nouveaux sous-réseaux ont été ajoutés à Bittensor, chacun contribuant dans une certaine mesure au développement lié à l’IA, et il se pourrait bien que parmi eux émerge un nouveau projet porteur d’alpha.
Nous avons examiné ces nouveaux sous-réseaux pour analyser, au-delà de l’attention portée à la remontée du prix du TAO, l’évolution de ses fondamentaux.
Sous-réseau 38 : Sylliba, outil de traduction texte-voix prenant en charge plus de 70 langues
Équipe de développement : Agent Artificial
Présentation :
Sylliba est une application de traduction qui prend en charge la traduction textuelle et vocale, capable de traiter plus de 70 langues.
À noter que cette application peut être utilisée par des agents IA sur chaîne :
-
Automatisation du processus de traduction : les agents IA peuvent appeler automatiquement ce service pour traiter des informations et communiquer en plusieurs langues.
-
Renforcement des capacités IA : permet aux systèmes IA dépourvus de compétences multilingues de réaliser des tâches multilingues.
-
Les demandes et résultats de traduction peuvent être vérifiés sur la blockchain, renforçant ainsi la fiabilité du système.
-
Mécanisme d’incitation : grâce à l’économie tokenisée, les fournisseurs de services de traduction de haute qualité peuvent être récompensés.
Adresse du projet : https://github.com/agent-artificial/sylliba-subnet
Sous-réseau 34 : Bitmind, détection et distinction entre contenus réels et contenus synthétiques falsifiés
Équipe de développement : @BitMindAI
Présentation :
BitMind se concentre sur le développement de technologies de détection des deepfakes de manière décentralisée. Avec la montée en puissance rapide des modèles d'IA générative, distinguer les médias synthétiques de haute qualité des contenus authentiques devient de plus en plus complexe.
Le sous-réseau de BitMind résout ce problème en déployant des mécanismes de détection robustes sur le réseau Bittensor, utilisant des modèles d’IA génératifs et discriminants pour identifier efficacement les deepfakes.
En outre, l’API BitMind permet de développer de puissantes applications grand public exploitant cette fonctionnalité de détection. L’application web BitMind, dotée d’une interface de téléchargement d’image, peut utiliser l’API pour aider les utilisateurs à identifier rapidement la probabilité qu’une image soit vraie ou fausse, offrant ainsi un outil anti-escroquerie facile d’accès et compréhensible.
Sous-réseau 43 : Graphite, réseau intelligent de planification de trajets
Équipe de développement : @GraphiteSubnet
Présentation :
Graphite est un sous-réseau spécialement conçu pour traiter les problèmes liés aux graphes, en se concentrant particulièrement sur le problème du voyageur de commerce (TSP). Le TSP est un problème d’optimisation classique dont l’objectif est de trouver le chemin le plus court passant par un ensemble de villes et revenant au point de départ.
Graphite exploite le réseau d’apprentissage machine décentralisé de Bittensor afin de connecter efficacement les mineurs pour répondre aux besoins de calcul liés au TSP et à d’autres problèmes similaires.
Actuellement, les validateurs génèrent des requêtes synthétiques et les envoient aux mineurs du réseau. Les mineurs doivent alors résoudre le TSP à l’aide d’algorithmes qu’ils ont conçus, puis renvoyer les résultats aux validateurs pour évaluation.
Sous-réseau 42 : Gen42, assistant open source d’IA codante pour GitHub
Équipe de développement : @RizzoValidator, @FrankRizz07
Présentation :
Gen42 utilise le réseau Bittensor pour fournir un service décentralisé de génération de code. Son objectif principal est de créer des outils puissants et évolutifs pour les questions/réponses basées sur le code et la complétion de code, pilotés par de grands modèles linguistiques open source.
Produits principaux :
a. Application de chat : fournit une interface conversationnelle permettant aux utilisateurs d’interagir avec leur sous-réseau. Cette application vise principalement les questions/réponses basées sur le code.
b. Complétion de code : propose une API compatible OpenAI, utilisable avec continue.dev.
Pour connaître les modalités de participation des mineurs et validateurs, voir le projet sur Github.
Sous-réseau 41 : Sportstensor, modèle de prédiction sportive
Équipe de développement : @sportstensor
Présentation :
Sportstensor est un projet consacré au développement d’algorithmes décentralisés de prédiction sportive, soutenu par le réseau Bittensor.
Le projet met à disposition sur HuggingFace, plateforme open source, des modèles de base que les mineurs peuvent entraîner et améliorer. Il permet également une planification stratégique et une analyse de performance à partir de données historiques et en temps réel, tout en récompensant la collecte complète de jeux de données et le développement de modèles prédictifs performants.
Fonctions des mineurs et validateurs :
-
Mineurs : reçoivent les demandes des validateurs, accèdent aux données pertinentes et effectuent des prédictions à l’aide de modèles d’apprentissage machine.
-
Validateurs : collectent les prédictions des mineurs, les comparent aux résultats réels, puis enregistrent les résultats de validation.
Sous-réseau 29 : coldint, entraînement de modèles d’IA de niche
Développeur : non identifié, site officiel ici
Présentation :
SN29 coldint, sigle de Collective Distributed Incentivized Training (Entraînement collectif distribué incitatif).
Objectif : se concentrer sur le pré-entraînement de modèles de niche. Ces « modèles de niche » désignent probablement des modèles qui, bien qu’ils ne soient pas aussi largement utilisés que les grands modèles généraux, sont très précieux dans des domaines ou tâches spécifiques.
Participation et répartition des rôles des mineurs et autres intervenants :
a) Les mineurs obtiennent principalement des récompenses en partageant publiquement leurs modèles formés.
b) Des récompenses secondaires sont attribuées aux mineurs ou autres contributeurs qui partagent leurs connaissances via des contributions au code.
c) En récompensant les petites améliorations, on encourage les mineurs à partager régulièrement leurs progrès.
d) De hautes récompenses sont accordées aux contributions de code capables de combiner les efforts individuels d’entraînement en modèles combinés supérieurs.
Sous-réseau 40 : Chunking, optimisation des ensembles de données pour les applications RAG (Retrieval-Augmented Generation, génération assistée par recherche)
Équipe de développement : @vectorchatai
Jeton : $CHAT
Présentation :
Le SN40 Chunking agit comme un bibliothécaire extrêmement intelligent. Il consiste à diviser de grandes quantités d’informations (texte, images, sons, etc.) en petits morceaux. Cela permet à l’IA de mieux comprendre et utiliser ces informations. Comme une bibliothèque bien rangée, cela permet de retrouver rapidement ce que l’on cherche.
Le SN40 Chunking aide donc l’IA à « ranger sa bibliothèque ».
Et ce n’est pas limité au texte : le SN40 Chunking peut aussi traiter les images, les sons et d'autres types d'information. C’est comme un bibliothécaire polyvalent, qui gère non seulement les livres, mais aussi les albums photos, les CD musicaux, etc.
Sous-réseau 39 : EdgeMaxxing, optimisation des modèles d’IA pour fonctionner sur des appareils grand public
Équipe de développement : @WOMBO
Présentation : Le sous-réseau SN39 EdgeMaxxing se concentre sur l’optimisation des modèles d’IA destinés aux appareils grand public, des smartphones aux ordinateurs portables.
Le sous-réseau EdgeMaxxing adopte un système de récompense concurrentiel, avec une compétition quotidienne visant à encourager les participants à continuellement améliorer les performances des modèles d’IA sur les appareils grand public.
Rôles et répartition des tâches des participants :
Mineurs (Miners) :
Leur tâche principale est de soumettre des points de contrôle (checkpoints) de modèles d’IA optimisés.
Ils utilisent divers algorithmes et outils pour améliorer les performances du modèle.
Validateurs (Validators) :
Doivent exécuter les tests sur un matériel cible spécifique (par exemple, NVIDIA GeForce RTX 4090), collecter quotidiennement tous les modèles soumis par les mineurs, effectuer un benchmarking de chaque soumission, comparer aux checkpoints de référence, évaluer selon l’amélioration de vitesse, le maintien de la précision et l’efficacité globale, puis désigner chaque jour le modèle ayant obtenu les meilleurs résultats comme vainqueur.
Dépôt open source du projet : https://github.com/womboai/edge-maxxing
Sous-réseau 30 : Bettensor, marché de prédiction sportive décentralisé
Équipe de développement : @Bettensor
Présentation :
Bettensor permet aux amateurs de sports de parier sur les résultats des matchs, créant ainsi un marché de prédiction sportive décentralisé basé sur la blockchain.
Rôles des participants :
Mineur : chargé de produire les résultats prévisionnels
Validateur : vérifie l’exactitude des prévisions
Collecteur de données : collecte les données sportives provenant de diverses sources
Dépôt open source du projet : https://github.com/Bettensor/bettensor (semble toujours en cours de développement)
Sous-réseau 06 : Infinite Games, marché de prédiction généraliste
Équipe de développement :@Playinfgames
Présentation :
Infinite Games développe des outils en temps réel et prédictifs pour les marchés de prédiction. Le projet pratique également l’arbitrage et l’agrégation d’événements issus de plateformes telles que @Polymarket et @azuroprotocol.
Système d’incitation :
Utilise le jeton $TAO comme moyen d’incitation.
Récompense les prévisions exactes et la fourniture d’informations pertinentes.
Globalement, le projet encourage la participation des utilisateurs aux prévisions et au partage d’informations, favorisant ainsi une communauté active de prédiction.
Sous-réseau 37 : LLM Fine-tuning, affinement des grands modèles linguistiques
Équipe de développement : Taoverse & @MacrocosmosAI
Présentation :
Ce sous-réseau se concentre spécifiquement sur l’affinement des grands modèles linguistiques (LLMs) : il récompense les mineurs (miners) qui affinent les LLMs, en utilisant un flux continu de données synthétiques provenant du sous-réseau 18 pour l’évaluation des modèles.
Fonctionnement :
-
Les mineurs entraînent les modèles et les publient régulièrement sur la plateforme Hugging Face.
-
Les validateurs (validators) téléchargent les modèles depuis Hugging Face et les évaluent continuellement à l’aide de données synthétiques.
-
Les résultats d’évaluation sont enregistrés sur la plateforme wandb.
-
Des récompenses en jetons TAO sont distribuées aux mineurs et validateurs selon un système de pondération.
Adresse du dépôt du projet : https://github.com/macrocosm-os/finetuning
Sous-réseau 21 : Any to Any, création de modèles d’IA multimodaux avancés
Équipe de développement : @omegalabsai
Présentation :
« Any to Any » dans ce projet désigne la capacité d’un système d’IA multimodal à convertir et comprendre différents types de données ou d’informations, par exemple du texte vers une image, une image vers du texte, de l’audio vers une vidéo, ou encore une vidéo vers du texte.
Le système peut non seulement effectuer ces conversions, mais aussi comprendre les relations entre les différents modes. Par exemple, il peut saisir le lien entre une description textuelle et une image, ou entre une vidéo et son audio correspondant.
Dans ce sous-réseau, un mécanisme d’incitation est mis en place pour encourager les chercheurs et développeurs d’IA du monde entier à participer au projet. Plus précisément :
-
Les contributeurs peuvent recevoir des récompenses en jetons en fournissant des modèles, des données ou des ressources de calcul utiles.
-
Cette incitation économique directe rend la recherche et le développement d’IA de haute qualité durables.
Adresse du dépôt du projet : https://github.com/omegalabsinc/omegalabs-anytoany-bittensor
Connaissance complémentaire :
Pour ceux qui ne connaîtraient pas l’intérêt des sous-réseaux de Bittensor, voici une explication simple :
-
Les sous-réseaux sont des réseaux spécialisés au sein de l’écosystème Bittensor.
-
Chaque sous-réseau se concentre sur une tâche spécifique d’IA ou d’apprentissage machine.
-
Les sous-réseaux permettent aux développeurs de créer et déployer des modèles d’IA à usages spécifiques.
-
Ils utilisent l’économie cryptographique pour inciter les participants à fournir des ressources informatiques et à améliorer les modèles.
Bienvenue dans la communauté officielle TechFlow
Groupe Telegram :https://t.me/TechFlowDaily
Compte Twitter officiel :https://x.com/TechFlowPost
Compte Twitter anglais :https://x.com/BlockFlow_News
深潮TechFlow
