Nouveau paradigme de l’économie des données IA : Les ambitions de DIN et la vente de nœuds à travers le prisme du prétraitement modulaire des données

Préface

À l’échelle mondiale aujourd’hui, l’IA est sans aucun doute l’un des secteurs les plus en vogue. Que ce soit OpenAI dans la Silicon Valley ou Moonshot et Zhipu Qingyan en Chine, de nombreux nouveaux entrepreneurs et grandes entreprises traditionnelles se sont lancés dans cette révolution de l’IA. Elle ne mène pas seulement la tendance dans le domaine technologique, mais constitue également l’un des secteurs les plus performants du marché des cryptomonnaies cette année. En observant les projets listés sur les principales CEX cette année, malgré la récente volatilité du marché, le leader de l’IA Bittensor (TAO) continue de dominer tous les nouveaux tokens de l’année avec un rendement supérieur à 5 fois. Avec le développement et l’application continus des technologies d’IA, la donnée, pierre angulaire du développement de l’IA, voit son importance de plus en plus mise en avant.

À l’ère de l’IA, l’importance et la valeur potentielle des données atteignent des sommets inédits

Selon les statistiques, les principales entreprises de grands modèles d’IA doivent actuellement traiter et consommer chaque année des centaines de millions de jeux de données, dont l’efficacité et la précision influencent directement la qualité de l’entraînement des modèles d’IA. Cependant, le coût d’acquisition de ces données ne cesse d’augmenter, devenant un défi majeur pour toutes les entreprises d’IA.

L’optimisation des performances s’appuie sur une consommation de données en constante augmentation

Sur le marché actuel, les entreprises de grands modèles traitent et consomment chaque année d’énormes volumes de données. Par exemple, OpenAI a utilisé environ 45 To de données textuelles pour entraîner le modèle GPT-3, et le coût d’entraînement de GPT-4 a atteint 78 millions de dollars ; le coût informatique pour entraîner le modèle Gemini Ultra de Google est d’environ 191 millions de dollars. Ce besoin massif de données ne se limite pas à OpenAI : d’autres entreprises d’IA telles que Google ou Meta doivent également traiter des volumes de données colossaux pour entraîner leurs grands modèles d’IA.

L’efficacité des données doit être prise en compte

Des données efficaces doivent être de haute qualité, non biaisées et riches en informations caractéristiques, afin de permettre aux modèles d’IA d’apprendre et de faire des prédictions précises. Par exemple, lors de l’entraînement de GPT-3, OpenAI a utilisé des données textuelles provenant de diverses sources, notamment des livres, des articles et des sites web, pour garantir la diversité et la représentativité des données. Cependant, l’efficacité des données ne dépend pas uniquement de leur origine, mais implique également des étapes de nettoyage, d’annotation et de prétraitement, qui nécessitent d’importants investissements humains et matériels.

L’aspect économique à ne pas négliger : le coût de la collecte et du traitement des données

Dans la pratique de l’entraînement des modèles d’IA, les coûts de collecte, d’annotation et de traitement des données sont souvent sous-estimés, alors qu’ils peuvent être très significatifs. Plus précisément, l’annotation des données est un processus chronophage et coûteux, nécessitant souvent un travail manuel. Une fois les données collectées, elles doivent également être nettoyées, organisées et traitées pour que les algorithmes d’IA puissent les exploiter efficacement. Selon un rapport de McKinsey, le coût d’entraînement d’un grand modèle d’IA peut atteindre plusieurs millions de dollars. De plus, la construction et la maintenance des centres de données et des infrastructures informatiques des entreprises d’IA représentent également des dépenses considérables.

En résumé, l’entraînement des grands modèles d’IA dépend d’une grande quantité de données de haute qualité, dont le volume, l’efficacité et le coût d’acquisition déterminent directement la performance et le succès des modèles d’IA. À l’avenir, avec les progrès continus de l’IA, la capacité à acquérir et utiliser efficacement les données deviendra un facteur clé de la compétition entre entreprises d’IA.

Couche de prétraitement des données modulaire : une solution décentralisée basée sur la blockchain pour les données d’IA

Dans ce contexte, DIN (anciennement Web3Go), en tant que première couche de prétraitement de données native IA modulaire, a vu le jour. DIN vise à permettre, grâce à la validation décentralisée des données et au traitement vectoriel, à chacun de fournir des données à l’IA et d’en être récompensé, inaugurant une nouvelle ère où chacun peut monétiser ses données personnelles et où les entreprises peuvent acquérir des données de manière plus efficace et économique. Actuellement, DIN a levé 4 millions de dollars en financement d’amorçage auprès de Binance Labs, puis 4 millions de dollars supplémentaires en financement pre-listing auprès d’autres institutions, de la communauté et de réseaux de KOL, pour une valorisation actuelle de 80 millions de dollars, témoignant de la forte reconnaissance du marché pour son potentiel et son développement futur. Parmi ses partenaires figurent Polkadot, BNB Chain, Moonbeam Network et Manta Network.

Le nœud de prétraitement des données de DIN – Chipper Node

Le positionnement de DIN sur le marché est très clair : établir un réseau d’intelligence de données décentralisé dans le domaine de l’IA et des données.Chipper Node joue un rôle clé dans l’écosystème DIN,étant responsable de la validation des données, du traitement vectoriel et du calcul des récompenses ; il s’agit du composant central de la couche de prétraitement des données de DIN.