¿Cómo escala The Graph para convertirse en una infraestructura Web3 impulsada por IA?

d puede ayudar a los usuarios a escribir publicaciones que obtengan más "me gusta".

Este enfoque permite a los desarrolladores aprovechar fácilmente la infraestructura de The Graph, alojar modelos preentrenados en la red de The Graph e integrarlos en aplicaciones a través de interfaces API, para que los usuarios puedan experimentar directamente estas características al usar dApps.

Para proporcionar a los desarrolladores más opciones y flexibilidad, el Servicio de Inferencia de The Graph admite la mayoría de los modelos populares existentes. En el libro blanco se escribió: "En la etapa MVP, el Servicio de Inferencia de The Graph admitirá un conjunto de modelos de IA de código abierto populares seleccionados, incluidos Stable Diffusion, Stable Video Diffusion, LLaMA, Mixtral, Grok y Whisper, etc." En el futuro, cualquier modelo abierto que haya sido suficientemente probado y operado por indexadores puede ser desplegado en el Servicio de Inferencia de The Graph. Además, para reducir la complejidad técnica del despliegue de modelos de IA, The Graph proporciona una interfaz fácil de usar que simplifica todo el proceso, permitiendo a los desarrolladores cargar y gestionar sus modelos de IA sin preocuparse por el mantenimiento de la infraestructura.

Para mejorar aún más el rendimiento de los modelos en escenarios de aplicación específicos, The Graph también admite la afinación de modelos para conjuntos de datos específicos. Sin embargo, cabe señalar que la afinación generalmente no se realiza en The Graph. Los desarrolladores necesitan afinar los modelos externamente y luego desplegarlos utilizando el servicio de razonamiento de The Graph. Para incentivar a los desarrolladores a divulgar públicamente los modelos afinados, The Graph está desarrollando mecanismos de incentivos, como la asignación razonable de tarifas de consulta entre los creadores de modelos y los indexadores que proporcionan los modelos.

En términos de verificación de la ejecución de tareas de razonamiento, The Graph proporciona una variedad de métodos, como autoridad confiable, consenso M-de-N, pruebas de fraude interactivas y zk-SNARKs. Cada uno de estos cuatro métodos tiene sus propias ventajas y desventajas. La autoridad confiable depende de entidades confiables; el consenso M-de-N requiere la verificación por múltiples indexadores, lo que aumenta la dificultad de hacer trampa pero también incrementa los costos computacionales y de coordinación; las pruebas de fraude interactivas son más seguras, pero no son adecuadas para aplicaciones que requieren respuestas rápidas; y los zk-SNARKs son más complejos de implementar y no son adecuados para modelos grandes.

The Graph cree que los desarrolladores y usuarios deben tener el derecho de elegir el nivel de seguridad adecuado según sus necesidades. Por lo tanto, The Graph planea admitir múltiples métodos de verificación en su servicio de inferencia para adaptarse a diferentes necesidades de seguridad y escenarios de aplicación. Por ejemplo, en situaciones que involucren transacciones financieras o lógica empresarial importante, puede ser necesario utilizar métodos de verificación más seguros, como zk-SNARKs o consenso M-de-N. Para algunas aplicaciones de bajo riesgo o entretenimiento, se pueden elegir métodos de verificación menos costosos y más simples de implementar, como autoridades confiables o pruebas de fraude interactivas. Además, The Graph también planea explorar tecnologías que mejoren la privacidad para abordar problemas de privacidad de modelos y usuarios.

Servicio de Agentes: Ayudando a los desarrolladores a construir aplicaciones autónomas impulsadas por IA

En comparación con el Servicio de Inferencia, que principalmente ejecuta modelos de IA entrenados para razonamiento, el Servicio de Agentes es más complejo y requiere que múltiples componentes trabajen juntos para permitir que estos agentes realicen una serie de tareas complejas y automatizadas. La propuesta de valor del Servicio de Agentes de The Graph es integrar la construcción, el alojamiento y la ejecución de agentes en The Graph y proporcionar servicios desde la red de indexadores.

Específicamente, The Graph proporcionará una red descentralizada para apoyar la construcción y el alojamiento de agentes. Una vez que el Agente se despliega en la red de The Graph, el Indexador de The Graph proporcionará el soporte de ejecución necesario.

Como se mencionó anteriormente, el equipo de desarrollo central de The Graph, Semiotic Labs, ha lanzado un producto experimental temprano llamado Agentc, que combina la pila de software de indexación de The Graph y OpenAI. Su función principal es convertir la entrada de lenguaje natural en consultas SQL, permitiendo a los usuarios consultar directamente datos en tiempo real en la blockchain y presentar los resultados de las consultas de una manera fácil de entender. En pocas palabras, Agentc se enfoca en proporcionar a los usuarios un análisis conveniente de las tendencias del mercado de criptomonedas y consultas de datos de transacciones. Todos sus datos provienen de Uniswap V2, Uniswap V3, Uniswap X y sus bifurcaciones en Ethereum, y los precios se actualizan cada hora.

Además, The Graph también declaró que el modelo LLM utilizado por The Graph tiene una tasa de precisión de solo el 63.41%, por lo que existe un problema de respuesta incorrecta. Para abordar este problema, The Graph está desarrollando un nuevo modelo de lenguaje grande llamado KGLLM (Modelos de Lenguaje Grande habilitados por Knowledge Graph).

KGLLM puede reducir significativamente la probabilidad de generar información falsa utilizando datos estructurados del grafo de conocimiento proporcionado por Geo. Cada declaración en el sistema Geo está respaldada por marcas de tiempo en la cadena y verificación por votación. Después de integrar el grafo de conocimiento de Geo, los agentes pueden aplicarse a una variedad de escenarios, incluyendo regulaciones médicas, desarrollos políticos, análisis de mercado, etc., mejorando así la diversidad y precisión de los servicios de los agentes. Por ejemplo, KGLLM puede usar datos políticos para proporcionar recomendaciones de cambios de políticas para organizaciones autónomas descentralizadas (DAOs) y asegurar que se basen en información actual y precisa.

Las ventajas de KGLLM también incluyen:

Uso de datos estructurados: KGLLM utiliza una base de conocimiento externa estructurada. La información se modela en forma gráfica en el grafo de conocimiento, haciendo que la relación entre los datos sea clara a simple vista, por lo que consultar y entender los datos se vuelve más intuitivo;
Capacidades de procesamiento de datos relacionales: KGLLM es particularmente adecuado para procesar datos relacionales, por ejemplo, puede entender la relación entre personas, la relación entre personas y eventos, etc. Y utiliza un algoritmo de recorrido de grafos para encontrar información relevante saltando múltiples nodos en el grafo de conocimiento (similar a moverse en un mapa). De esta manera, KGLLM puede encontrar la información más relevante para responder preguntas;
Recuperación y generación eficiente de información: A través del algoritmo de recorrido de grafos, las relaciones extraídas por KGLLM se convierten en indicaciones que el modelo puede entender en lenguaje natural. A través de estas instrucciones claras, el modelo KGLLM puede generar respuestas más precisas y relevantes.

Perspectivas

Como el "Google de Web3", The Graph utiliza sus ventajas para compensar la actual escasez de datos de los servicios de IA y simplifica el proceso de desarrollo de proyectos para los desarrolladores al introducir servicios de IA. Con el desarrollo y uso de más aplicaciones de IA, se espera que la experiencia del usuario mejore aún más. En el futuro, el equipo de desarrollo de The Graph continuará explorando la posibilidad de combinar inteligencia artificial con Web3. Además, otros equipos en su ecosistema, como Playgrounds Analytics y DappLooker, también están diseñando soluciones relacionadas con servicios de proxy.