تواجه صناعة الذكاء الاصطناعي اليوم تحديات كبيرة بسبب التركيز على القليل من الشركات الكبيرة. يثير ذلك مخاوف بشأن خصوصية البيانات والممارسات الاحتكارية والوصول المحدود إلى التكنولوجيا المتقدمة. بالإضافة إلى ذلك ، فإن الاعتماد المفرط على النماذج اللغوية الكبيرة مثل GPT-3 ، على الرغم من قدراتها ، يثير قضايا مثل التكاليف الحسابية العالية والتأثير البيئي والانحيازات المحتملة في البيانات التي يتم تدريبها عليها. تتطلب هذه النماذج بيانات وموارد واسعة ، مما يجعلها متاحة فقط للمؤسسات ذات التمويل الجيد.

تتناول Assisterr هذه التحديات من خلال تقديم نماذج لغات صغيرة (SLMs) وتعزيز نهج مملوك للمجتمع في تطوير الذكاء الاصطناعي. تم تصميم SLMs لتكون أكثر كفاءة، متطلبة أقل قدر من الطاقة الحسابية والبيانات مع الحفاظ على أداء عالٍ، مما يجعل تكنولوجيا الذكاء الاصطناعي أكثر إمكانية الوصول واستدامة. علاوة على ذلك، تمكن النماذج ووكلاء الذكاء الاصطناعي المملوكة من قبل مجتمع Assisterr المستخدمين من المساهمة في التطورات في مجال الذكاء الاصطناعي والاستفادة منها، مما يعزز الابتكار والشمولية، ويضمن أن فوائد الذكاء الاصطناعي مشتركة على نطاق أوسع في المجتمع.

ما هو Assisterr AI؟

المصدر: موقع Assisterr

Assisterr AI هي منصة AI لامركزية مصممة لتمكين الوصول إلى الذكاء الاصطناعي عن طريق استخدام نماذج اللغة الصغيرة (SLMs) ووكلاء AI المملوكة من قبل المجتمع. الغرض الرئيسي منها هو توفير بديل أكثر كفاءة ووصولًا واستدامة للنماذج التقليدية للذكاء الاصطناعي ، ومعالجة قيود النماذج اللغوية الكبيرة (LLMs) وتعزيز نظام الذكاء الاصطناعي التعاوني.

ميزات وفوائد Assisterr AI الرئيسية

• نماذج اللغة الصغيرة (SLMs): على عكس LLMs ، تتطلب SLMs قدرًا أقل من القوة الحسابية والبيانات ، مما يجعلها أكثر إمكانية الوصول وصديقة للبيئة. تم تصميمها لأداء مهام محددة بكفاءة، مما يقلل من السلبيات المرتبطة بالنماذج الأكبر حجمًا.
• نماذج مملوكة للمجتمع: يعزز Assisterr نهجًا لامركزيًا حيث يمكن للمستخدمين المساهمة في التقدم التكنولوجي الذكاء الاصطناعي والاستفادة منه. يعزز هذا النموذج الابتكار والشمولية، مضمنًا عدم استحواذ عدد قليل من الجهات الكبيرة على تكنولوجيا الذكاء الاصطناعي.
• أدوات بدون كود: توفر Assisterr أدوات سهلة الاستخدام وبدون كود تتيح للأفراد والشركات إنشاء ونشر نماذج الذكاء الاصطناعي بدون الحاجة إلى معرفة تقنية شاملة. وهذا يخفض حاجز الدخول ويشجع على مشاركة واسعة في تطوير الذكاء الاصطناعي.
• سوق البيانات: تتضمن المنصة سوقًا للبيانات ونماذج الذكاء الاصطناعي، مما يتيح للمستخدمين شراء وبيع ومشاركة الموارد. وهذا يحفز مشاركة البيانات والتعاون، مما يعزز بشكل أكبر النظام البيئي للذكاء الاصطناعي.
• الأمان والشفافية: تستخدم Assisterr تدابير أمان قوية وعمليات شفافة لضمان سلامة وجدارة نماذجها الذكية ومعاملات بياناتها.

نماذج اللغة (LLM و SLM)

نماذج اللغة الكبيرة (LLM)

تعتبر النماذج اللغوية الضخمة (LLMs) مثل GPT-3 و BERT نماذج AI تم تدريبها على كميات هائلة من بيانات النص لفهم وتوليد لغة تشبه اللغة البشرية. إنها قادرة على أداء مجموعة واسعة من المهام ، بدءًا من استكمال النص إلى الترجمة والتلخيص. ومع ذلك ، لدى النماذج اللغوية الضخمة عدة نقاط ضعف ملحوظة:

• تكاليف حسابية عالية: يتطلب تدريب وتشغيل LLMs موارد حسابية كبيرة، مما يجعلها مكلفة وتشكل عبئًا على البيئة.
• انحياز البيانات: يمكن للرموز اللغوية الطويلة المشتقة من اللغة الطبيعية أن ترث الانحيازات الموجودة في بيانات التدريب الخاصة بها، مما يؤدي إلى إخراجات محايدة أو غير مناسبة.
• الوصول المحدود: نظرًا لطبيعتها القائمة على الموارد، يكون الوصول إلى LLMs في كثير من الأحيان متاحًا فقط للمؤسسات الكبيرة ذات التمويل الكبير.
• مشاكل التوسع: يمكن أن تجعل الهياكل الموحدة لـ LLMs أقل مرونة وأصعب في التكيف مع المهام أو المجالات المحددة.

نماذج اللغة الصغيرة (SLMs)

تعتبر نماذج اللغة الصغيرة (SLMs)، على الرغم من أنها مشابهة في الفكرة لـ LLMs، مصممة لتكون أكثر دقة وتخصصًا وكفاءة. من خلال التركيز على المهام والمجموعات البيانات المحددة، توفر نماذج SLMs أداءًا متفوقًا لتطبيقات الفراغ، مما يجعلها أكثر مناسبة لحالات الاستخدام المتخصصة. من خلال استخدام مجموعات بيانات مخصصة والتركيز على احتياجات الأعمال المحددة، يمكن لنماذج SLMs توفير أداء متفوق وقابلية تكيف موقفية بكلفة أقل بكثير. وهذا مشجع أيضًا لبناء نماذج SLMs مفتوحة المصدر، حيث طوّرت مشاريع أرخص من قبل نماذج SLMs بدقة تنافسية لـ LLMs القدامى بتكلفة أقل بكثير.

التقنية وراء Assisterr AI

نماذج لغوية صغيرة (SLM)

تتمحور تكنولوجيا Assisterr حول نماذج اللغة الصغيرة (SLMs)، والتي تختلف عن النماذج الكبيرة (LLMs) بكونها أكثر كفاءة وتخصصًا. تركز SLMs على المهام والمجموعات البيانات الخاصة بها، مما يتيح لها تحقيق أداء متفوق في التطبيقات الفرعية. تجعل هذه التخصصات SLMs أكثر إمكانية الوصول والاستدامة، حيث تتطلب معالجة حسابية وبيانات أقل.

الهندسة المعمارية لنظام SLM المتكامل

لمعالجة قيود وكلاء النماذج اللغوية الصغيرة (SLMs)، ظهرت نهج متقدمة تشمل العديد من النماذج اللغوية الصغيرة (SLMs) تعمل في أطر وكيلة تعاونية. يتم الاستفادة من نهجين أساسيين عند تطوير وكلاء الذكاء الاصطناعي من مجموعات SLM: مزيج الخبراء (MoE) ومزيج الوكلاء (MoA).

مزائج الخبراء (MoE)

المصدر: Assisterr Litepaper

عند دمجها في مجموعات وزارة التربية والتعليم ، يمكن أن يحقق منطق SLM الحديث مرونة تعلم معززة دون فقدان قدرته على حل المشكلات الوظيفية. يمكن أن يجمع التعلم الجماعي بين مهارات التفكير لنماذج أصغر متعددة ، كل منها متخصص في سياقات مختلفة مرتبطة ، لحل المشكلات المعقدة. هذا يولد فهما هجينا يستمر في السماح الذكاء الاصطناعي بالغوص العميق. يمكن أن تتكون طبقات الخبراء نفسها من MoE ، مما يخلق هياكل هرمية لتخفيف التعقيد السياقي والكفاءة في حل المشكلات بشكل أكبر. عادة ما تستخدم MoE طبقة بوابات متفرقة تختار ديناميكيا بين عدة شبكات متوازية لإعطاء الاستجابة الأنسب للمطالبة. لتحقيق استجابات أكثر مرونة ، يمكن ضبط الخبراء الفرديين لإنشاء التعليمات البرمجية أو الترجمة أو تحليل المشاعر. قد تحتوي معماريات MoE الأكثر تطورا على العديد من طبقات MoE هذه بالاقتران مع مكونات أخرى. مثل أي بنية نموذجية لنموذج اللغة ، تعمل طبقة بوابة MoE على الرموز الدلالية وتتطلب التدريب.

مزائج من الوكلاء (MoA)

وعند تجميع آليات الإدارة المستدامة للأراضي في هياكل وزارة الزراعة، فإنها تعزز انتقائية مجموعات التفكير المتنوعة، مما يمكن الذكاء الاصطناعي من تنفيذ دقيق لمهمة ما بالمنهجية المطلوبة. يتم تجميع النماذج الوكيلية في اتحاد طبقات بروتوكولات التنفيذ لتحسين الكفاءة وحل المشكلات للمهام المعقدة. لذلك يعمل الذكاء الاصطناعي في سيناريوهات متعددة المجالات. يمكن لفرق الوكلاء العمل بالتسلسل ، وتحسين النتائج السابقة بشكل متكرر. تفوقت MoA سابقا بشكل كبير على الطرز الأكبر ، بما في ذلك درجة دقة GPT-4 Omni بنسبة 57.5٪ على AlpacaEval 2.0 ، حتى في النماذج مفتوحة المصدر. يعمل مزيج من الوكلاء (MoA) على مستوى مخرجات النموذج ، وليس الرموز الدلالية. لا يحتوي على طبقة بوابة ولكنه يعيد توجيه موجه النص إلى جميع الوكلاء بطريقة متوازية. كما أن نواتج مذكرة التفاهم لا تجمع عن طريق الإضافة والتطبيع. بدلا من ذلك ، يتم تسلسلها ودمجها مع موجه توليف وتجميع قبل تمريرها إلى نموذج منفصل لإنتاج الناتج النهائي. وهكذا تنقسم النماذج إلى "مقترحات" تحسب نواتج متنوعة و "مجمعات" تدمج النتائج. تماما كما هو الحال بالنسبة لوزارة التربية والتعليم ، يمكن دمج العديد من هذه الطبقات. إن عدم وجود طبقات بوابات يجعل هذا النهج أكثر مرونة وقابلية للتكيف مع المهام المعقدة.

اقتصاد DeAI

اقتصاد دي إيه آي (Decentralized AI) هو جانب أساسي من منصة أسيستر. يستفيد من تقنية البلوكشين لإنشاء سوق لامركزي لنماذج وبيانات الذكاء الاصطناعي. يحفز هذا الاقتصاد مشاركة البيانات والتعاون، مما يضمن أن يتم مكافأة المساهمين بشكل عادل عن جهودهم. وتشمل المكونات الرئيسية لاقتصاد دي إيه آي:

• سوق البيانات: منصة حيث يمكن للمستخدمين شراء وبيع ومشاركة البيانات ونماذج الذكاء الاصطناعي. يشجع هذا السوق على تبادل الموارد القيمة وتعزيز الابتكار والتعاون داخل المجتمع.
• أنظمة الحوافز: يعتمد Assisterr آليات حوافز متنوعة لمكافأة المستخدمين الذين يساهمون بالبيانات ويطورون النماذج ويشاركون في النظام البيئي، وتضمن هذه الحوافز بقاء المجتمع نشطًا ومشاركًا.
• الشفافية والأمان: توفر تكنولوجيا سلسلة الكتل بيئة شفافة وآمنة للمعاملات داخل اقتصاد الذكاء الاصطناعي. وهذا يضمن سلامة وجدارة البيانات ونماذج الذكاء الاصطناعي، محمية المستخدمين من الاحتيال وسوء الاستخدام.

نظام مساعدة

مختبرات الذكاء الاصطناعي

توفر AssisterrAI خط أنابيب البنية التحتية الموحدة لإنشاء ورمزنة وتوزيع نماذج اللغة الصغيرة (SLMs) بطريقة تحفز كافة المساهمات المجتمعية. يتيح مختبر الذكاء الاصطناعي للمستخدمين المساهمة في النماذج في منطقة معرفتهم، حيث يصبحون مشاركين وملاكًا مشتركين للذكاء الاصطناعي. يضمن هذا النهج أن يحصل عمال AI gig على أرباح ليس فقط على أساس مرة واحدة ولكن أيضًا على القيمة السوقية الأوسع، مما يضمن مستقبلًا أفضل ويجعل الناس مستفيدين من AI بدلاً من ضحايا التقدم والآلية.

للوصول إلى المنصة، يقوم المستخدمون بتوصيل محفظة Solana القائمة على المتصفح، بالإضافة إلى ملف تعريفهم الشخصي وحساب Discord. يمكنهم بعد ذلك إنشاء نماذج من خلال علامة AI Lab في واجهة مستخدم Assisterr، التي توفر نموذجًا بسيطًا لتحديد المعلمات الرئيسية وقوالب الإشعار وبيانات النموذج. يمكن للمستخدمين تحميل البيانات مباشرة التي سيتم تضمينها في النموذج من خلال توليد الاسترجاع المعزز (RAG) ومن ثم من خلال التحسين. بمجرد إنشائه، يمكن جعل النموذج عامًا من خلال متجر SLM. في المستقبل، ستعتمد AI Lab نموذجًا وحداتيًا، متعدد النماذج مع معمارية مزيج الوكلاء واستراتيجيات الاسترجاع المعزز.

SLM Store

يتم مكافأة مساهمو Assisterr عن جميع الخطوات في نشأة نموذج AI، بدءًا من إسهام البيانات وإنشاء النموذج إلى التحقق والمراجعة. يتم تنفيذ هذا الآلية للمشاركة في الإيرادات من خلال وحدة تحويل SLM Tokenization. يقوم معمل AI بربط حالات استخدام الأعمال التجارية بالبيانات والخبرة المطلوبة بشكل فعال. بمجرد أن يظهر نموذج في علامة تبويب SLM Store في واجهة Assisterr، يمكن لأي مستخدم استعلامه من خلال واجهة الروبوت الدردشة. حاليًا، تساعد الروبوتات في مجموعة متنوعة من المجالات في بيئات Web3، والرعاية الصحية، وتطوير البرمجيات، والتمويل.

يأتي كل طراز في متجر SLM مع خزينة مقومة بالرمز المميز الأصلي ل Assisterr ، والذي يتم تعبئته من رصيد المستخدم المعني عند كل استعلام. يمكن وضع الاستعلامات من WebUI باستخدام محفظة Solana متصلة أو من خلال واجهة برمجة التطبيقات ، مما يجعل النماذج من متجر SLM متاحة من خلال تطبيقات أخرى. يمكن للمساهمين إنشاء SLMs ، وتجميعها في وكلاء ، ونشرها من خلال واجهة بدون رمز ، مما يوفر فترة سريعة للذهاب إلى السوق ودورة ابتكار سريعة. هذا يحل تحديات التوزيع وتحقيق الدخل التي يواجهها منشئو ومطورو النماذج المستقلون.

عناصر التعاون

من خلال علامة التبويب المساهمة والكسب، يمكن للمستخدمين المشاركة في التحسينات التكرارية للنماذج الحالية من مخزن SLM من خلال تلبية طلبات البيانات والتحقق من صحة مقاييس الأداء في مقابل الرموز المميزة للإدارة (MTs) أو رمز Assisterr الأصلي. تضمن عملية مراجعة النظراء هذه التطور المستمر وزيادة الإنتاجية في إنشاء النموذج بمرور الوقت. إلى جانب ميزات مثل مزيج العوامل (MoA) ، يسمح هذا بالتقدم التراكمي والترقيع المستمر من أسفل إلى أعلى. تتيح الطبيعة المعيارية والمتخصصة ل SLMs الاندماج السريع في خطوط أنابيب العمل الحالية. في المستقبل ، ستتمكن الشركات أو الأفراد من وصف مشاكلهم ، وستشمل خدمات Assisterr مجموعة ذات صلة من SLMs / Agents لإيجاد حل.

نموذج خزانة أسيستر

تعتبر عملة Assisterr الأصلية وسيلة يتم من خلالها تشغيل عمليات نظام AssisterrAI. يتم تداولها ردًا على تحقيق الإجراءات المتخذة للوفاء ببروتوكولات العقود الذكية في كل مرحلة من مراحل عملية تطوير SLM. من خلال استغلال الرمز المميز، يمكن للمشاركين التفاعل مع مرافق نظام Assisterr، مثل الوصول إلى المنتجات ودفع الرسوم والمساهمة في إنشاء وإدارة وتحقيق الربح من SLMs.

حالات استخدام Assisterr

وكلاء إدارة التمويل اللامركزي (DeFi)

وكلاء الذكاء الاصطناعي للتمويل اللامركزي (DeFi) هم ابتكار كبير في فضاء ويب 3. يمكن للذكاء الاصطناعي المتخصص العامل ضمن قيود آمنة وحصرية تحسين وتأتيمن حقائب الأوراق المالية. يمكن أن تعزز SLMs الوكيلة ، التي تم إنشاؤها لوسائل الإعلام ذات العملات السريعة مثل بروتوكولات Solana DeFi ، الإقراض / الاقتراض ، والتداول الدائم ، والمراهنة. توفر هذه الوكلاء تنقية بيانات أفضل ، والاستدلال متعدد الوسائط ، والتحليل الوظيفي العميق من خلال تجمعات SLM وتحالف مزيج الوكلاء (MoA) الحديثة.

وكلاء التداول

وكلاء التداول، المصممة لسيناريوهات التداول المعقدة، يمكن أن تحلل تجمعات المحافظ واتجاهات الأسعار، مما يثبت جدواها بشكل كبير في السوق الديفي المتقلب والتمويل التقليدي (ترادفي). يمكن أن يكون MoA القائم على SLM فعالًا بشكل خاص في استراتيجيات التداول المرتبطة بالبيانات، حيث تكون وسيلة التنفيذ والطريقة أمرًا حاسمًا. تعزز هذه الوكالات كفاءة التداول والربحية من خلال الاستفادة من الخوارزميات المتقدمة والبيانات الحية.

وكلاء المحادثة الذاتية

وكلاء الدردشة الذاتية ذوي القدرات المتقدمة في التعلم والتحليل قيمة في مختلف المجالات الأكاديمية والاجتماعية والمهنية. يمكن أن تكون خدمات دعم لمختلف الخدمات، متصلة بشبكات التواصل الاجتماعي وتطبيقات تكنولوجيا المعلومات. من خلال دمج وظيفة الوكالة، يمكن أن تكون هذه النماذج الداعمة للمحادثات عملاء تعاقديين، وتنفيذ وظائف استنادا إلى ردود الفعل من المستخدم وتقديم الدعم القابل للتنفيذ.

الصور الرمزية العامة

يمكن ل SLMs إنشاء وكلاء مستندين إلى النص أو الصوت أو الفيديو ، مما ينتج عنه صور رمزية للمهام المتعمقة التي تواجه الجمهور. يمكن لهذه الصور الرمزية التعامل مع الأدوات المساعدة المعقدة مثل الصور الرمزية 3D ، وتوليد النص إلى الفيديو المستقل ، وتكامل البث المباشر على المنصات الاجتماعية. ويمكن لمذكرة التفاهم القائمة على الإدارة المستدامة للأراضي أن تعزز الجيل التالي من التفاعلات المتعددة الوسائط، مما يجعل الصور الرمزية الموجهة للجمهور أكثر تفاعلية وفعالية.

علاقات المطورين

إطلاق نموذج اختبار متخصص لعلاقات المطورين (DevRel) على منصة AssisterrAI أظهر توافقًا قويًا مع السوق. نظام قوي لعلاقات المطورين أمر ضروري لجذب المطورين وتوفير الدعم الشامل عند اعتماد تكنولوجيا محددة. ومع ذلك، يأتي ذلك بتكاليف كبيرة، حيث تتراوح رواتب وظائف علاقات المطورين من 90,000 دولار إلى 200,000 دولار سنويًا. العديد من طلبات دعم المطورين قابلة للتنبؤ ويمكن أتمتتها، مما يزيد من كفاءة علاقات المطورين من خلال استخدام SLMs المستهدفة. يقلل هذا النهج من التكاليف مع الحفاظ على دعم عالي الجودة للمطورين.

البدء مع Assisterr AI

كيفية التسجيل في Assisterr

1. قم بزيارة موقع Assisterr: اذهب إلىموقع Assisterrوانقر على "فتح التطبيق"

2. قم بتوصيل محفظتك: انقر على زر "اختيار المحفظة" وقم بتوصيل محفظتك المعتمدة على متصفح Solana. ستُستخدم هذه المحفظة للمعاملات والوصول إلى مختلف الميزات على المنصة.

3. ربط الحسابات الاجتماعية: قم بربط ملف تعريفك على X وحساب Discord الخاص بك. تساعد هذه الاتصالات في التحقق من هويتك ودمج وجودك الاجتماعي مع نظام Assisterr.

4. استكمال التسجيل: اتبع التعليمات المعروضة على الشاشة لاستكمال عملية التسجيل. بمجرد التسجيل ، يمكنك البدء في استكشاف المنصة وميزاتها.

الوصول إلى SLMs

1. انتقل إلى متجر SLM: بعد تسجيل الدخول، اذهب إلى علامة التبويب متجر SLMعلى واجهة Assisterr.

2. تصفح النماذج المتاحة: استكشف العديد من نماذج اللغة الصغيرة (SLMs) المتاحة في المتجر. تم تصميم كل نموذج لمهام وصناعات محددة ، مثل بيئات Web3 والرعاية الصحية وتطوير البرمجيات والتمويل.

3. نماذج الاستعلام: يمكنك استعلام أي نموذج من خلال واجهة الدردشة مباشرة. ما عليك سوى تحديد النموذج الذي ترغب فيه والبدء في التفاعل معه. يمكن إجراء الاستعلامات من واجهة الويب باستخدام محفظة Solana المتصلة أو من خلال API للتكامل مع تطبيقات أخرى.

كيفية إنشاء أول SLM الخاص بك

1.الوصول إلى مختبر الذكاء الاصطناعي: انتقل إلى جدول مختبر الذكاء الاصطناعيعلى واجهة Assisterr.

2. حدد معلمات النموذج: قم بملء استمارة التكوين لتحديد المعلمات الرئيسية وقوالب التلميح والبيانات الوصفية لنموذجك. يشمل ذلك تحديد اسم النموذج والتعامل ووصف الغرض والفئة وصورة الغلاف وبدء المحادثة ومجموعة البيانات. يمكنك أيضًا تسريع هذه العملية باستخدام مساعد الذكاء الاصطناعي.

3. تحميل البيانات: قم بتحميل البيانات مباشرةً التي سيتم تضمينها في النموذج من خلال تعزيز الاسترجاع والتكوين (RAG) والتكييف الدقيق. تساعد هذه البيانات في تدريب النموذج لأداء المهام المقصودة.

4. نشر SLM الخاص بك: بمجرد تكوين النموذج، انقر فوق الزر زر. سيتم إنشاء نموذجك ويمكنك تحديد رغبتك في جعله عامًا في متجر SLM أو الاحتفاظ به خاصًا. يتيح جعله عامًا للمستخدمين الآخرين الوصول إلى نموذجك واستعلامه.

جهود جمع التبرعات من Assisterr

أغلقت Assisterr، وهي شركة رائدة في مجال البنية التحتية للذكاء الاصطناعي مقرها كامبريدج، جولة تمويل ما قبل البذرة بقيمة 1.7 مليون دولار بنجاح. شهدت هذه الجولة مشاركة من صناديق رأس المال الاستثماري البارزة في مجال ويب3، بما في ذلك Web3.com Ventures و Moonhill Capital و Contango و Outlier Ventures و Decasonic و Zephyrus Capital و Wise3 Ventures و Saxon و GFI Ventures و X Ventures و Koyamaki و Lucid Drakes Ventures، بالإضافة إلى ملاك بارزين مثل Michael Heinrich و Mark Rydon و Nader Dabit و Anthony Lesoismier-Geniaux و Ethan Francis. كانت الأموال حاسمة في بناء البنية التحتية الأساسية لـ Assisterr وإطلاق منصتها.

منذ إطلاقها، حققت Assisterr إنجازات ملموسة، بما في ذلك جذب 150،000 مستخدم مسجل وإطلاق أكثر من 60 نموذج لغة صغيرة (SLMs) لبروتوكولات Web3 الرائدة مثل Solana و Optimism و 0g.ai و NEAR. بالإضافة إلى ذلك، حصلت Assisterr على الاعتراف من خلال الفوز بالعديد من مسابقات الهاكاثون العالمية والمشاركة في برنامج Google للشركات الناشئة في مجال الذكاء الاصطناعي، وتأمين 350،000 دولار لدعم احتياجات البنية التحتية للGPU والCPU والسحابية.

خارطة الطريق المستقبلية والأهداف المتعلقة بها

يحتوي Assisterr على خارطة طريق واضحة للنمو المستقبلي والتطوير. تشمل الأهداف الرئيسية:

1. مختبر الذكاء الاصطناعي (الربع الرابع 2024)

   • قم بإطلاق مختبر الذكاء الاصطناعي لتمكين المستخدمين من إنشاء وامتلاك SLMs.
   • تحقيق 500,000 مستخدم.
   • نفذ برنامج حوافز مبتكر SLM.
   • تطوير 5،000 SLMs.
   • انتهاء جولة البذرة.

2. نمو الشبكة (النصف الأول من 2025)

   • تطوير نماذج لغوية محددة لمهام معينة.
   • أجراء حدث توليد الرموز (TGE) والقوائم.
   • وصل إلى 3 ملايين مستخدم.
   • تطوير 30،000 SLMs.

3. مزيج من وكلاء ألم-فضة (H2 2025)

   • تنفيذ تنظيم SLM للمهام غير المتخصصة في المجال.
   • قم بالتوسع في Web2.
   • الوصول إلى 10 ملايين مستخدم.
   • تطوير 100,000 SLMs.

استنتاج

تقود Assisterr عصرًا جديدًا للذكاء الاصطناعي اللامركزي والمملوك للمجتمع من خلال استغلال النماذج اللغوية الصغيرة (SLMs) والنماذج الاقتصادية المبتكرة. من خلال معالجة قيود النماذج اللغوية الكبيرة (LLMs) وتعزيز نهج تعاوني، تجعل Assisterr تقنية الذكاء الاصطناعي أكثر إمكانية الوصول وكفاءة واستدامة. يمكن للبنية البيئية الشاملة للمنصة، بما في ذلك مختبرات الذكاء الاصطناعي، متجر SLM، والعناصر التعاونية، أن تمنح المستخدمين القدرة على إنشاء ومشاركة وتحقيق الربح من النماذج الذكية.