Νέα βάση δεδομένων για την τεχνητή νοημοσύνη
Την Τετάρτη, η Wikimedia Deutschland ανακοίνωσε μια νέα βάση δεδομένων που στοχεύει να κάνει τη γνώση της Wikipedia πιο προσβάσιμη στα μοντέλα τεχνητής νοημοσύνης. Το Wikidata Embedding Project εφαρμόζει μια αναζήτηση βασισμένη σε διανύσματα, μια τεχνική που βοηθά τους υπολογιστές να κατανοούν το νόημα και τις σχέσεις μεταξύ των λέξεων, στα υπάρχοντα δεδομένα της Wikipedia και των αδελφών της πλατφορμών, που περιλαμβάνουν σχεδόν 120 εκατομμύρια καταχωρήσεις.
Υποστήριξη για φυσική γλώσσα και MCP
Με την προσθήκη υποστήριξης για το Model Context Protocol (MCP), ένα πρότυπο που διευκολύνει την επικοινωνία των συστημάτων τεχνητής νοημοσύνης με πηγές δεδομένων, το έργο καθιστά τα δεδομένα πιο εύκολα προσβάσιμα σε ερωτήματα φυσικής γλώσσας από LLMs.
Συνεργασίες και τεχνολογική υποδομή
Το έργο υλοποιήθηκε από το γερμανικό παράρτημα της Wikimedia σε συνεργασία με την Jina.AI, εταιρεία που ειδικεύεται στην αναζήτηση με νευρωνικά δίκτυα, και τη DataStax, εταιρεία που ανήκει στην IBM και δραστηριοποιείται στα δεδομένα εκπαίδευσης σε πραγματικό χρόνο.
Βελτιωμένη αναζήτηση και αξιοποίηση δεδομένων
Η Wikidata προσφέρει εδώ και χρόνια δεδομένα σε μορφή αναγνώσιμη από μηχανές, αλλά τα υπάρχοντα εργαλεία επέτρεπαν μόνο αναζήτηση με λέξεις-κλειδιά ή ερωτήματα SPARQL, μια εξειδικευμένη γλώσσα ερωτημάτων. Το νέο σύστημα συνεργάζεται καλύτερα με συστήματα retrieval-augmented generation (RAG), επιτρέποντας στα μοντέλα τεχνητής νοημοσύνης να αντλούν εξωτερικές πληροφορίες και δίνοντας στους προγραμματιστές τη δυνατότητα να βασίζουν τα μοντέλα τους σε γνώση που έχει ελεγχθεί από συντάκτες της Wikipedia.
Παροχή σημασιολογικού πλαισίου
Τα δεδομένα είναι δομημένα ώστε να προσφέρουν ουσιαστικό σημασιολογικό πλαίσιο. Για παράδειγμα, μια αναζήτηση στη βάση για τη λέξη «επιστήμονας» εμφανίζει λίστες με διακεκριμένους πυρηνικούς επιστήμονες, καθώς και επιστήμονες που εργάστηκαν στα Bell Labs. Περιλαμβάνονται επίσης μεταφράσεις της λέξης «επιστήμονας» σε διάφορες γλώσσες, μια εγκεκριμένη εικόνα από τη Wikimedia με επιστήμονες εν ώρα εργασίας, καθώς και συνδέσεις με συναφείς έννοιες όπως «ερευνητής» και «μελετητής».
Πρόσβαση και εκδηλώσεις για προγραμματιστές
Η βάση δεδομένων είναι δημόσια διαθέσιμη στο Toolforge. Η Wikidata διοργανώνει επίσης ένα webinar για ενδιαφερόμενους προγραμματιστές στις 9 Οκτωβρίου.
Ανάγκη για αξιόπιστα δεδομένα στην τεχνητή νοημοσύνη
Το νέο αυτό έργο έρχεται σε μια περίοδο όπου οι δημιουργοί τεχνητής νοημοσύνης αναζητούν ποιοτικές πηγές δεδομένων για τη βελτίωση των μοντέλων τους. Τα συστήματα εκπαίδευσης έχουν εξελιχθεί και πλέον αποτελούνται από σύνθετα περιβάλλοντα, αλλά εξακολουθούν να απαιτούν προσεκτικά επιλεγμένα δεδομένα για να λειτουργήσουν σωστά. Σε εφαρμογές που απαιτούν υψηλή ακρίβεια, η ανάγκη για αξιόπιστα δεδομένα είναι ιδιαίτερα επιτακτική. Παρόλο που κάποιοι υποτιμούν τη Wikipedia, τα δεδομένα της είναι πολύ πιο ακριβή σε σύγκριση με γενικά σύνολα όπως το Common Crawl, που αποτελεί μια τεράστια συλλογή ιστοσελίδων από όλο το διαδίκτυο.
Νομικές και οικονομικές προεκτάσεις
Σε ορισμένες περιπτώσεις, η αναζήτηση ποιοτικών δεδομένων μπορεί να έχει σημαντικό οικονομικό κόστος για τα εργαστήρια τεχνητής νοημοσύνης. Τον Αύγουστο, η Anthropic πρότεινε να διευθετήσει μια αγωγή με ομάδα συγγραφέων, των οποίων τα έργα χρησιμοποιήθηκαν ως υλικό εκπαίδευσης, προσφέροντας αποζημίωση ύψους $1.5 δισεκατομμυρίων για να τερματιστούν οι σχετικές αξιώσεις.
Ανεξαρτησία και ανοιχτή πρόσβαση
Σε δήλωσή του προς τα μέσα, ο υπεύθυνος του έργου Wikidata AI, Philippe Saadé, τόνισε την ανεξαρτησία του εγχειρήματος από μεγάλες εταιρείες τεχνητής νοημοσύνης ή τεχνολογικούς κολοσσούς. Όπως ανέφερε, «Η έναρξη του Embedding Project αποδεικνύει ότι η ισχυρή τεχνητή νοημοσύνη δεν χρειάζεται να ελέγχεται από λίγες εταιρείες. Μπορεί να είναι ανοιχτή, συνεργατική και σχεδιασμένη για όλους».