Wie skaliert The Graph, um eine KI-gesteuerte Web3-Infrastruktur zu werden?

d kann Benutzern helfen, Beiträge zu schreiben, die mehr Likes erhalten.

Dieser Ansatz ermöglicht es Entwicklern, die Infrastruktur von The Graph einfach zu nutzen, vortrainierte Modelle im The Graph-Netzwerk zu hosten und sie über API-Schnittstellen in Anwendungen zu integrieren, sodass Benutzer diese Funktionen direkt beim Verwenden von dApps erleben können.

Um Entwicklern mehr Auswahlmöglichkeiten und Flexibilität zu bieten, unterstützt der Inferenzdienst von The Graph die meisten der derzeit beliebten Modelle. Im Whitepaper heißt es: „In der MVP-Phase wird der Inferenzdienst von The Graph eine Reihe von ausgewählten beliebten Open-Source-AI-Modellen unterstützen, darunter Stable Diffusion, Stable Video Diffusion, LLaMA, Mixtral, Grok und Whisper usw.“ In Zukunft kann jedes ausreichend getestete und von Indexern betriebene offene Modell im Inferenzdienst von The Graph bereitgestellt werden. Darüber hinaus bietet The Graph eine benutzerfreundliche Oberfläche, die den gesamten Prozess vereinfacht, sodass Entwickler ihre AI-Modelle einfach hochladen und verwalten können, ohne sich um die Wartung der Infrastruktur kümmern zu müssen.

Um die Leistung von Modellen in spezifischen Anwendungsszenarien weiter zu verbessern, unterstützt The Graph auch das Feintuning von Modellen für spezifische Datensätze. Es sollte jedoch beachtet werden, dass das Feintuning normalerweise nicht auf The Graph durchgeführt wird. Entwickler müssen die Modelle extern feintunen und sie dann mithilfe des Inferenzdienstes von The Graph bereitstellen. Um Entwickler zu ermutigen, feingetunte Modelle öffentlich zugänglich zu machen, entwickelt The Graph Anreizmechanismen, wie z.B. die angemessene Verteilung der Abfragegebühren zwischen Modellschöpfern und Indexern, die Modelle bereitstellen.

In Bezug auf die Verifizierung der Ausführung von Inferenzaufgaben bietet The Graph verschiedene Methoden an, wie z.B. vertrauenswürdige Autoritäten, M-von-N-Konsens, interaktive Betrugsnachweise und zk-SNARKs. Jede dieser vier Methoden hat ihre eigenen Vor- und Nachteile. Vertrauenswürdige Autoritäten verlassen sich auf vertrauenswürdige Entitäten; M-von-N-Konsens erfordert die Verifizierung durch mehrere Indexer, was die Schwierigkeit des Betrugs erhöht, aber auch die Rechen- und Koordinationskosten erhöht; interaktive Betrugsnachweise sind sicherer, aber nicht geeignet für Anwendungen, die schnelle Antworten erfordern; und zk-SNARKs sind komplexer zu implementieren und nicht geeignet für große Modelle.

The Graph ist der Ansicht, dass Entwickler und Benutzer das Recht haben sollten, das geeignete Sicherheitsniveau basierend auf ihren Bedürfnissen zu wählen. Daher plant The Graph, mehrere Verifizierungsmethoden in seinem Inferenzdienst zu unterstützen, um sich an unterschiedliche Sicherheitsbedürfnisse und Anwendungsszenarien anzupassen. Beispielsweise kann es in Situationen, die finanzielle Transaktionen oder wichtige Geschäftslogik betreffen, notwendig sein, sicherere Verifizierungsmethoden wie zk-SNARKs oder M-von-N-Konsens zu verwenden. Für einige risikoarme oder Unterhaltungsanwendungen können Sie Verifizierungsmethoden wählen, die weniger kostspielig und einfacher zu implementieren sind, wie vertrauenswürdige Autoritäten oder interaktive Betrugsnachweise. Darüber hinaus plant The Graph, datenschutzfördernde Technologien zu erforschen, um die Datenschutzprobleme von Modellen und Benutzern zu verbessern.

Agentendienst: Entwicklern helfen, autonome AI-gesteuerte Anwendungen zu erstellen

Im Vergleich zum Inferenzdienst, der hauptsächlich trainierte AI-Modelle für Inferenzaufgaben ausführt, ist der Agentendienst komplexer und erfordert, dass mehrere Komponenten zusammenarbeiten, um diesen Agenten die Ausführung einer Reihe von komplexen und automatisierten Aufgaben zu ermöglichen. Der Wertvorschlag des Agentendienstes von The Graph besteht darin, den Bau, das Hosting und die Ausführung von Agenten in The Graph zu integrieren und Dienste aus dem Indexernetzwerk bereitzustellen.

Insbesondere wird The Graph ein dezentrales Netzwerk bereitstellen, um den Bau und das Hosting von Agenten zu unterstützen. Sobald der Agent im The Graph-Netzwerk bereitgestellt ist, wird der The Graph Indexer die notwendige Ausführungsunterstützung bieten.

rt, einschließlich der Indizierung von Daten, der Reaktion auf On-Chain-Ereignisse und andere interaktive Anfragen.

Wie oben erwähnt, hat das Kernentwicklungsteam von The Graph, Semiotic Labs, ein frühes experimentelles Agentenprodukt namens Agentc eingeführt, das den Indizierungssoftware-Stack von The Graph und OpenAI kombiniert. Seine Hauptfunktion besteht darin, natürliche Spracheingaben in SQL-Abfragen umzuwandeln, sodass Benutzer Echtzeitdaten auf der Blockchain direkt abfragen und die Abfrageergebnisse in einer leicht verständlichen Form präsentieren können. Einfach ausgedrückt, konzentriert sich Agentc darauf, den Benutzern eine bequeme Analyse von Kryptowährungsmarkttrends und Transaktionsdatenabfragen zu bieten. Alle seine Daten stammen von Uniswap V2, Uniswap V3, Uniswap X und deren Forks auf Ethereum, und die Preise werden stündlich aktualisiert.

Darüber hinaus erklärte The Graph, dass das von The Graph verwendete LLM-Modell nur eine Genauigkeitsrate von 63,41 % aufweist, sodass es zu fehlerhaften Antworten kommen kann. Um dieses Problem zu lösen, entwickelt The Graph ein neues großes Sprachmodell namens KGLLM (Knowledge Graph-enabled Large Language Models).

KGLLM kann die Wahrscheinlichkeit der Generierung falscher Informationen erheblich reduzieren, indem es strukturierte Wissensgraph-Daten verwendet, die von Geo bereitgestellt werden. Jede Aussage im Geo-System wird durch On-Chain-Zeitstempel und Abstimmungsverifizierung unterstützt. Nach der Integration des Wissensgraphen von Geo können Agenten in einer Vielzahl von Szenarien angewendet werden, einschließlich medizinischer Vorschriften, politischer Entwicklungen, Marktanalysen usw., wodurch die Vielfalt und Genauigkeit der Agentendienste verbessert wird. Zum Beispiel kann KGLLM politische Daten verwenden, um Empfehlungen für politische Änderungen für dezentrale autonome Organisationen (DAOs) bereitzustellen und sicherzustellen, dass diese auf aktuellen und genauen Informationen basieren.

Die Vorteile von KGLLM umfassen auch:

Verwendung strukturierter Daten: KGLLM verwendet eine strukturierte externe Wissensbasis. Informationen werden in grafischer Form im Wissensgraphen modelliert, wodurch die Beziehung zwischen den Daten auf einen Blick klar wird, sodass das Abfragen und Verstehen von Daten intuitiver wird;
Fähigkeiten zur Verarbeitung relationaler Daten: KGLLM ist besonders geeignet für die Verarbeitung relationaler Daten, zum Beispiel kann es die Beziehung zwischen Personen, die Beziehung zwischen Personen und Ereignissen usw. verstehen. Und es verwendet einen Graph-Traversierungsalgorithmus, um relevante Informationen zu finden, indem es mehrere Knoten im Wissensgraphen überspringt (ähnlich wie bei der Bewegung auf einer Karte). Auf diese Weise kann KGLLM die relevantesten Informationen finden, um Fragen zu beantworten;
Effiziente Informationsabfrage und -generierung: Durch den Graph-Traversierungsalgorithmus werden die von KGLLM extrahierten Beziehungen in Eingabeaufforderungen umgewandelt, die das Modell in natürlicher Sprache verstehen kann. Durch diese klaren Anweisungen kann das KGLLM-Modell genauere und relevantere Antworten generieren.

Ausblick

Als das "Google von Web3" nutzt The Graph seine Vorteile, um den aktuellen Datenmangel bei KI-Diensten auszugleichen und den Projektentwicklungsprozess für Entwickler durch die Einführung von KI-Diensten zu vereinfachen. Mit der Entwicklung und Nutzung weiterer KI-Anwendungen wird erwartet, dass das Benutzererlebnis weiter verbessert wird. In Zukunft wird das Entwicklungsteam von The Graph weiterhin die Möglichkeit der Kombination von künstlicher Intelligenz mit Web3 erkunden. Darüber hinaus entwerfen andere Teams in seinem Ökosystem, wie Playgrounds Analytics und DappLooker, ebenfalls Lösungen im Zusammenhang mit Proxy-Diensten.