Mira Network peut-il résoudre le problème des « hallucinations » des grands modèles d'IA ?
TechFlow SélectionTechFlow Sélection
Mira Network peut-il résoudre le problème des « hallucinations » des grands modèles d'IA ?
Mira Network est un réseau intermédiaire spécialisé dans la validation des grands modèles linguistiques d'intelligence artificielle (LLM), créant une couche de vérification fiable entre les utilisateurs et les modèles d'IA sous-jacents.
Dédié à des analyses Web3 approfondiesRédaction : Haotian
Tout le monde sait que l’obstacle principal à l’application des grands modèles d’intelligence artificielle dans des domaines verticaux tels que la finance, la santé ou le droit est un seul et même problème : les « hallucinations » produites par l’IA, qui ne correspondent pas aux exigences de précision des cas d’utilisation réels. Alors, comment résoudre cela ? Récemment, @Mira_Network a lancé son réseau test public en proposant une solution. Voici de quoi il s’agit :
Premièrement, tout le monde perçoit plus ou moins que les outils basés sur les grands modèles d’IA (LLMs) souffrent d’hallucinations. Deux raisons principales expliquent ce phénomène :
1. Les données d'entraînement des LLMs ne sont pas suffisamment complètes. Bien que leur volume soit déjà énorme, elles ne couvrent toujours pas certaines informations de niche ou spécialisées. Dans ces cas, l’IA a tendance à effectuer une « complétion créative », entraînant des erreurs factuelles ;
2. Le fonctionnement fondamental des LLMs repose sur un « échantillonnage probabiliste ». Ces modèles identifient des motifs statistiques et des corrélations dans les données d’entraînement, sans véritablement « comprendre ». Ainsi, la nature aléatoire de l’échantillonnage, ainsi que les incohérences entre entraînement et inférence, conduisent à des biais lorsque l’IA traite des questions exigeant une grande précision factuelle.
Comment remédier à ce problème ? Un article publié sur la plateforme ArXiv de l’université Cornell propose une méthode consistant à utiliser plusieurs modèles pour valider conjointement les résultats, améliorant ainsi la fiabilité des LLMs.
En termes simples, on demande d’abord au modèle principal de générer une réponse, puis on fait intervenir plusieurs modèles de vérification qui effectuent une « analyse par vote majoritaire » sur cette réponse, permettant ainsi de réduire les hallucinations du modèle.
Des tests ont montré que cette méthode peut porter le taux de précision des sorties de l’IA à 95,6 %.
Dès lors, il devient nécessaire de disposer d’une plateforme de validation décentralisée capable de gérer et d’assurer l’interaction entre le modèle principal et les modèles de vérification. C’est exactement ce que propose Mira Network : un réseau intermédiaire spécialement conçu pour la validation des LLMs, créant une couche fiable entre l’utilisateur et le modèle d’IA de base.
Grâce à ce réseau de validation, il devient possible d’offrir des services intégrés tels que la protection de la vie privée, la garantie de précision, une conception extensible et des interfaces API standardisées. En réduisant les hallucinations des LLMs, cette solution élargit considérablement les possibilités de déploiement de l’IA dans divers scénarios d’application spécifiques. Il s’agit également d’une mise en pratique concrète de l’application des réseaux de validation décentralisés issus de la crypto aux processus d’ingénierie des LLMs.
Par exemple, Mira Network cite plusieurs cas d’usage dans les domaines de la finance, de l’éducation et de l’écosystème blockchain :
1) La plateforme de trading Gigabrain, après intégration de Mira, ajoute une étape de vérification sur l’analyse et les prévisions du marché, filtrant ainsi les recommandations peu fiables, ce qui améliore la précision des signaux de trading générés par l’IA et rend l’application des LLMs dans les scénarios DeFi plus robuste ;
2) Learnrite utilise Mira pour valider les questions d’examens normalisés générées par l’IA, permettant aux institutions éducatives d’utiliser massivement les contenus générés par IA sans compromettre l’exactitude des tests, préservant ainsi des standards éducatifs rigoureux ;
3) Le projet blockchain Kernel intègre le mécanisme de consensus LLM de Mira dans l’écosystème BNB, créant un réseau de validation décentralisé (DVN), assurant ainsi une meilleure précision et sécurité lors de l’exécution de calculs d’IA sur la blockchain.
Ce qui précède résume la situation.
En réalité, Mira Network fournit un service de réseau intermédiaire basé sur un mécanisme de consensus. Ce n’est certes pas la seule voie possible pour améliorer les capacités des applications d’IA. D’autres approches alternatives existent, comme le renforcement des données d’entraînement, l’amélioration via des interactions entre modèles multimodaux, ou encore l’utilisation de techniques cryptographiques prometteuses telles que les preuves à divulgation nulle de connaissance (ZKP), le chiffrement homomorphe (FHE) ou les environnements sécurisés (TEE). Toutefois, comparé à ces solutions, celle de Mira se distingue par sa rapidité de mise en œuvre et son efficacité immédiate.
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
Haotian | CryptoInsight
