La traduction de Proof of Attribution (PoA) en chinois est 归因证明, les mots clés centraux sont 可解释性 et 可支付性.

Beaucoup de gens ont mal à la tête en voyant le terme, pour le dire simplement, la preuve d'attribution consiste à clarifier la relation entre la sortie du modèle et les données d'entraînement. L'objectif est de faire savoir à l'IA qui sont les fournisseurs des données et quelles données ont été fournies, ce qui est clé pour l'interprétabilité.

✍️Pour les grands/petits modèles, il existe deux méthodes d'attribution :
💠Attribution par gradient (applicable aux petits modèles)
C'est similaire à la manière dont un médecin pose des questions, par exemple : « Quel serait l'effet du traitement si le patient ne prenait pas d'hormones ? », « Si une opération était pratiquée, pourrait-on guérir complètement ? »

Pour l'IA, cela signifie vouloir savoir dans quelle mesure un échantillon d'entraînement spécifique influence les résultats de prédiction du modèle, la valeur finale représente le degré de contribution de l'échantillon. Applicable aux petits modèles de fine-tuning réservés à la communauté.

💠Attribution Infini-gram (applicable aux grands modèles de langage)
On peut l'imaginer comme un « système de détection de plagiat » pour les articles, le système vous aide à rechercher des paragraphes similaires dans la littérature et à les marquer.

Tous les contenus des données d'entraînement sont intégrés dans un super moteur, après que le modèle a généré un contenu, il recherche des correspondances dans le moteur. Si un contenu hautement correspondant est trouvé, alors on juge que les données ont influencé la sortie du modèle (contribution).

📙Chaque institution a sa propre base de données, la base de données unique d'OpenLedger s'appelle 'DataNet'.

DataNet est une bibliothèque de documents thématiques, chaque donnée de contenu enregistrée sera stockée hors ligne, mais les métadonnées et les valeurs de hachage correspondantes seront mises en chaîne.

Il est intéressant de noter que tout membre de la communauté peut commenter/contester le contenu existant, ce qui me donne une impression de « Wikipédia sur la chaîne ».

🔆Les caractéristiques de Payable se manifestent également : tant que les données que vous fournissez ont eu un impact sur la sortie future d'un modèle AI, vous recevrez un degré de contribution, ce qui vous permettra de générer des bénéfices.

🌟Si vous avez vraiment lu tout ce qui précède, vous constaterez que le potentiel de PoA est illimité. Il aidera le modèle à enregistrer chaque fois le temps, la version et les données utilisées lors de l'entraînement et de l'inférence, et pourra affiner davantage les poids de récompense et de gouvernance en fonction des étiquettes telles que le domaine et la qualité.