Industri kecerdasan buatan (AI) saat ini menghadapi tantangan besar akibat sentralisasi, dengan kemajuan utama seringkali dikendalikan oleh beberapa perusahaan besar. Hal ini menimbulkan kekhawatiran terkait privasi data, praktik monopoli, dan akses terbatas terhadap teknologi canggih. Selain itu, ketergantungan berlebihan pada Model Bahasa Besar (LLM) seperti GPT-3, meskipun memiliki kemampuan, membawa masalah seperti biaya komputasi tinggi, dampak lingkungan, dan potensi bias dalam data yang mereka latih. Model-model ini memerlukan data dan sumber daya yang besar, sehingga hanya dapat diakses oleh organisasi yang didanai dengan baik.

Assisterr mengatasi tantangan ini dengan memperkenalkan Small Language Models (SLMs) dan mempromosikan pendekatan kepemilikan komunitas dalam pengembangan kecerdasan buatan. SLM dirancang untuk lebih efisien, membutuhkan daya komputasi dan data yang lebih sedikit namun tetap mempertahankan kinerja tinggi, membuat teknologi kecerdasan buatan lebih mudah diakses dan berkelanjutan. Selain itu, model dan agen AI yang dimiliki oleh komunitas Assisterr memberdayakan pengguna untuk berkontribusi pada kemajuan kecerdasan buatan dan mendapatkan manfaat dari hal tersebut, mendorong inovasi dan inklusivitas, serta memastikan bahwa manfaat kecerdasan buatan lebih luas dibagi-bagikan di seluruh masyarakat.

Apa itu Assisterr AI?

Sumber: Situs web Assisterr

Assisterr AI adalah platform AI terdesentralisasi yang dirancang untuk mendemokratisasi akses ke kecerdasan buatan dengan memanfaatkan Model Bahasa Kecil (SLMs) dan agen AI yang dimiliki oleh komunitas. Tujuan utamanya adalah untuk menyediakan alternatif yang lebih efisien, mudah diakses, dan berkelanjutan daripada model AI tradisional, mengatasi keterbatasan Model Bahasa Besar (LLMs) dan mempromosikan ekosistem AI kolaboratif.

Fitur Utama dan Manfaat Assisterr AI

• Model Bahasa Kecil (SLM): Berbeda dengan LLM, SLM membutuhkan daya komputasi dan data yang lebih sedikit, sehingga lebih mudah diakses dan ramah lingkungan. Mereka dirancang untuk melakukan tugas-tugas tertentu secara efisien, mengurangi overhead yang terkait dengan model yang lebih besar.
• Model Milik Komunitas: Assisterr mendorong pendekatan terdesentralisasi di mana pengguna dapat berkontribusi pada dan mendapatkan manfaat dari kemajuan AI. Model ini mendorong inovasi dan inklusivitas, memastikan bahwa beberapa entitas besar tidak menguasai teknologi AI.
• Alat Tanpa Kode: Assisterr menyediakan alat-alat yang ramah pengguna dan tanpa kode yang memungkinkan individu dan bisnis untuk membuat dan menerapkan model AI tanpa pengetahuan teknis yang luas. Hal ini menurunkan hambatan masuk dan mendorong partisipasi yang lebih luas dalam pengembangan AI.
• Data Marketplace: Platform ini mencakup pasar untuk data dan model AI, memungkinkan pengguna untuk membeli, menjual, dan berbagi sumber daya. Hal ini mendorong berbagi data dan kolaborasi, yang lebih meningkatkan ekosistem AI.
• Keamanan dan Transparansi: Assisterr menggunakan langkah-langkah keamanan yang kuat dan proses transparan untuk memastikan integritas dan kepercayaan AI model dan transaksi data.

Model Bahasa (LLM & SLM)

Model Bahasa Besar (LLM)

Large Language Models (LLMs) seperti GPT-3 dan BERT adalah model AI yang dilatih pada jumlah data teks yang besar untuk memahami dan menghasilkan bahasa mirip manusia. Mereka mampu melakukan berbagai tugas, mulai dari melengkapi teks hingga menerjemahkan dan merangkum. Namun, LLM memiliki beberapa kekurangan yang mencolok:

• Biaya Komputasi Tinggi: Pelatihan dan menjalankan LLMs memerlukan sumber daya komputasi yang signifikan, membuatnya mahal dan membebani lingkungan.
• Bias Data: LLM dapat mewarisi bias yang ada dalam data latihannya, menghasilkan output yang bias atau tidak sesuai.
• Akses Terbatas: Karena sifatnya yang membutuhkan sumber daya yang intensif, LLM seringkali hanya dapat diakses oleh organisasi besar dengan pendanaan yang substansial.
• Masalah Skalabilitas: Struktur monolitik LLM dapat membuatnya kurang fleksibel dan sulit untuk disesuaikan dengan tugas atau domain tertentu.

Model Bahasa Kecil (SLM)

Small Language Models (SLM), meskipun konsepnya mirip dengan LLM, dirancang untuk lebih akurat, khusus, dan efisien. Dengan fokus pada tugas dan dataset tertentu, SLM memberikan performa superior untuk aplikasi niche, sehingga lebih cocok untuk kasus penggunaan khusus. Dengan memanfaatkan dataset yang disesuaikan dan fokus pada kebutuhan bisnis tertentu, SLM dapat memberikan performa superior dan adaptabilitas situasional dengan biaya yang lebih rendah. Ini juga mendorong pengembangan SLM open-source, di mana proyek-proyek yang lebih murah sebelumnya telah mengembangkan SLM dengan akurasi yang kompetitif dengan LLM veteran dengan biaya yang jauh lebih rendah.

Teknologi di Balik Assisterr AI

Small Language Models (SLM)

Model Bahasa Kecil (SLM) menjadi inti teknologi Assisterr. Berbeda dengan Model Bahasa Besar (LLM), SLM dirancang untuk lebih efisien dan khusus. Mereka fokus pada tugas dan dataset tertentu, yang memungkinkan mereka memberikan kinerja superior untuk aplikasi niche. Spesialisasi ini membuat SLM lebih mudah diakses dan berkelanjutan, karena membutuhkan daya komputasi dan data yang lebih sedikit.

Arsitektur SLM Modular

Untuk mengatasi keterbatasan agen berbasis LLM, pendekatan-pendekatan canggih telah muncul yang melibatkan beberapa model bahasa kecil (SLM) yang bekerja dalam kerangka kerja agen kolaboratif. Dua pendekatan inti digunakan saat mengembangkan agen AI dari ansambel SLM: Campuran Pakar (MoE) dan Campuran Agen (MoA).

Campuran Pakar (MoE)

Sumber: Assisterr Litepaper

Ketika digabungkan dalam ansambel MoE, pemikiran SLM modern dapat mencapai fleksibilitas pembelajaran yang ditingkatkan tanpa kehilangan kapasitasnya untuk pemecahan masalah fungsional. Pembelajaran ansambel dapat menggabungkan keterampilan penalaran dari beberapa model yang lebih kecil, masing-masing mengkhususkan diri dalam konteks yang terkait yang berbeda, untuk memecahkan masalah kompleks. Ini menghasilkan pemahaman hibrida yang terus memungkinkan AI untuk deep-dive. Lapisan ahli dapat sendiri terdiri dari MoE, menciptakan struktur hierarkis untuk menangani kompleksitas kontekstual dan kecakapan dalam memecahkan masalah lebih lanjut. Sebuah MoE biasanya menggunakan lapisan gating sparse yang dinamis memilih di antara beberapa jaringan paralel untuk memberikan respons yang paling tepat terhadap pembatasan. Untuk mencapai respons yang lebih fleksibel, ahli individu dapat disesuaikan ulang untuk menghasilkan kode, terjemahan, atau analisis sentimen. Arsitektur MoE yang lebih canggih dapat berisi beberapa lapisan MoE tersebut dalam kombinasi dengan komponen lain. Seperti arsitektur model bahasa tipikal lainnya, lapisan gating MoE beroperasi pada token semantis dan memerlukan pelatihan.

Campuran Agen (MoA)

Ketika dirakit menjadi arsitektur MoA, SLM meningkatkan selektivitas ansambel penalaran yang beragam, memungkinkan AI untuk memberlakukan pelaksanaan tugas yang tepat dengan metodologi yang diperlukan. Model agen dirakit dalam konsorsium yang melapisi protokol eksekusi untuk meningkatkan efisiensi dan pemecahan masalah tugas-tugas kompleks. Oleh karena itu, AI bekerja dalam skenario multi-domain. Tim agen dapat bekerja secara berurutan, secara iteratif meningkatkan hasil sebelumnya. MoA sebelumnya telah secara signifikan mengungguli model yang lebih besar, termasuk skor akurasi 57,5% GPT-4 Omni pada AlpacaEval 2.0, bahkan dalam model open-source. Campuran Agen (MoA) beroperasi pada tingkat output model, bukan token semantik. Ini tidak menampilkan lapisan gating tetapi meneruskan prompt teks ke semua agen secara paralel. Output dari MoA juga tidak dikumpulkan dengan penambahan dan normalisasi. Sebaliknya, mereka digabungkan dan dikombinasikan dengan prompt sintesis-dan-agregat sebelum diteruskan ke model terpisah untuk menghasilkan hasil akhir. Model dengan demikian dibagi menjadi "pengusul" yang menghitung beragam output dan "agregator" yang mengintegrasikan hasil. Sama seperti untuk MoE, beberapa lapisan ini dapat digabungkan. Kurangnya lapisan gating membuat pendekatan ini lebih fleksibel dan mudah beradaptasi dengan tugas-tugas kompleks.

Ekonomi DeAI

Ekonomi DeAI (Kecerdasan Buatan Terdesentralisasi) adalah aspek fundamental dari platform Assisterr. Ini memanfaatkan teknologi blockchain untuk menciptakan pasar terdesentralisasi bagi model-model AI dan data. Ekonomi ini mendorong berbagi data dan kolaborasi, memastikan bahwa para kontributor diberi imbalan dengan adil atas usaha mereka. Komponen kunci dari ekonomi DeAI meliputi:

• Pasar Data: Sebuah platform di mana pengguna dapat membeli, menjual, dan berbagi data dan model kecerdasan buatan. Pasar ini mendorong pertukaran sumber daya berharga, mendorong inovasi dan kolaborasi dalam komunitas.
• Mekanisme Insentif: Assisterr menggunakan berbagai mekanisme insentif untuk memberi penghargaan kepada pengguna yang berkontribusi dalam penyediaan data, pengembangan model, dan berpartisipasi dalam ekosistem. Insentif-insentif ini memastikan bahwa komunitas tetap aktif dan terlibat.
• Transparansi dan Keamanan: Teknologi blockchain menyediakan lingkungan transparan dan aman untuk transaksi dalam ekonomi DeAI. Hal ini memastikan integritas dan keandalan data dan model AI, melindungi pengguna dari penipuan dan penyalahgunaan.

Ekosistem Assisterr

AI Labs

AssisterrAI menyediakan saluran infrastruktur yang terpadu untuk membuat, membuat token, dan mendistribusikan Small Language Models (SLMs) dengan cara yang mendorong semua kontribusi komunitas. Lab AI memungkinkan pengguna untuk berkontribusi pada model-model dalam area pengetahuan mereka, menjadi baik co-pencipta maupun co-pemilik dari AI. Pendekatan ini memastikan bahwa pekerja gig AI tidak hanya mendapat penghasilan secara sekali waktu, tetapi juga menangkap nilai pasar yang lebih luas, menjaga masa depan yang lebih baik, dan membuat orang menjadi penerima manfaat dari AI daripada korban kemajuan dan otomatisasi.

Untuk mengakses platform, pengguna menghubungkan dompet Solana berbasis browser, serta profil X dan akun Discord mereka. Mereka kemudian dapat membuat model melalui tab AI Lab antarmuka pengguna Assisterr, yang menawarkan formulir sederhana untuk menentukan parameter kunci, templat prompt, dan metadata model. Pengguna dapat langsung mengunggah data yang akan disematkan dalam model melalui generasi augmented retrieval (RAG) dan kemudian melalui penyempurnaan. Setelah dibuat, model dapat dijadikan publik melalui toko SLM. Di masa depan, AI Lab akan mengadopsi paradigma modular, multi-model dengan arsitektur Mixture of Agents dan strategi penyaringan yang diperbesar.

Toko SLM

Kontributor Assisterr diberi imbalan untuk semua langkah dalam penciptaan model AI, mulai dari kontribusi data dan pembuatan model hingga validasi dan tinjauan. Mekanisme pembagian pendapatan ini diimplementasikan melalui modul tokenisasi SLM. AI Lab secara efektif menghubungkan kasus penggunaan bisnis dengan data dan keahlian yang diperlukan. Setelah sebuah model muncul di tab Toko SLM dari antarmuka Assisterr, pengguna mana pun dapat mengajukannya melalui antarmuka chatbot. Saat ini, bot membantu berbagai niche di ekosistem Web3, perawatan kesehatan, pengembangan perangkat lunak, dan keuangan.

Setiap model di toko SLM dilengkapi dengan kas denominated dalam token asli Assisterr, yang diisi ulang dari saldo pengguna masing-masing setiap kali query. Query dapat ditempatkan dari WebUI dengan dompet Solana yang terhubung atau melalui API, membuat model dari toko SLM dapat diakses melalui aplikasi lain. Kontributor dapat membuat SLM, merakitnya menjadi agen, dan mendeploynya melalui antarmuka tanpa kode, memberikan periode go-to-market yang cepat dan siklus inovasi yang cepat. Ini menyelesaikan tantangan distribusi dan monetisasi yang dihadapi oleh pencipta model independen dan pengembang.

Elemen Kolaboratif

Melalui tab Kontribusi dan Dapatkan, pengguna dapat berpartisipasi dalam perbaikan berulang terhadap model-model yang ada dari toko SLM dengan memenuhi permintaan data dan memvalidasi metrik kinerja sebagai imbalan token manajemen (MT) atau token Assisterr asli. Proses tinjauan sejawat ini memastikan evolusi konstan dan peningkatan throughput dalam pembuatan model seiring waktu. Dalam kombinasi dengan fitur seperti Mixture of Agents (MoA), ini memungkinkan kemajuan kumulatif dan eksperimen terus-menerus dari bawah ke atas. Sifat modular dan khusus dari SLM memungkinkan integrasi cepat ke dalam alur kerja yang ada. Di masa depan, bisnis atau individu akan dapat menjelaskan masalah mereka, dan layanan Assisterr akan melibatkan sejumlah SLM/Agens yang relevan untuk menemukan solusi.

Model Assisterr Treasury

Token Assisterr asli adalah kendaraan di mana operasi ekosistem AssisterrAI dijalankan. Ini ditransaksikan sebagai respons terhadap validasi tindakan yang diambil dalam pemenuhan protokol kontrak pintar pada setiap tahap proses pengembangan SLM. Dengan memanfaatkan token, peserta dapat berinteraksi dengan fasilitas ekosistem Assisterr, seperti mengakses produk, membayar biaya, dan berkontribusi pada penciptaan, manajemen, dan monetisasi SLM.

Kasus Penggunaan Assisterr

Agen Pengelolaan Keuangan Terdesentralisasi (DeFi)

Agen kecerdasan buatan (AI) keuangan terdesentralisasi adalah inovasi yang signifikan dalam ruang Web3. Bergerak melampaui sistem rekomendasi umum, AI khusus yang beroperasi dalam kendala yang aman dan berizin dapat lebih baik mengoptimalkan dan mengotomatisasi portofolio keuangan. SLM Agentic, diciptakan untuk media transaksi cepat seperti protokol Solana DeFi, dapat meningkatkan peminjaman/peminjaman, perdagangan berkelanjutan, dan staking. Para agen ini menyediakan kurasi data yang lebih baik, penalaran multimodal, dan analisis fungsional mendalam melalui ansambel SLM dan konsorsium Mixture of Agents (MoA) modern.

Agen Perdagangan

Agen perdagangan, yang disesuaikan untuk skenario perdagangan kompleks, dapat menganalisis kelompok dompet dan tren aksi harga, membuktikan sangat berguna baik di pasar DeFi yang volatile maupun keuangan tradisional (TradFi). MoA berbasis SLM dapat menjadi sangat efektif dalam strategi perdagangan yang berreferensi data, di mana medium dan metode eksekusi sangat penting. Agen-agen ini meningkatkan efisiensi dan profitabilitas perdagangan dengan memanfaatkan algoritma canggih dan data real-time.

Agen Obrolan Otonom

Agen obrolan otonom dengan kemampuan belajar dan analitis canggih berharga di berbagai bidang akademis, sosial, dan profesional. Mereka bisa berfungsi sebagai proksi dukungan untuk berbagai layanan, terhubung ke jaringan sosial dan aplikasi TI. Dengan menggabungkan fungsionalitas agentic, model dukungan percakapan ini bisa bertindak sebagai perantara, mengimplementasikan fungsi berdasarkan umpan balik pengguna dan memberikan dukungan yang dapat dilaksanakan.

Avatar yang Tampak ke Publik

SLM dapat membuat proksi berbasis teks, berbasis audio, atau berbasis video, menghasilkan avatar untuk tugas-tugas yang kompleks dan terbuka untuk umum. Avatar-avatar ini dapat menangani utilitas kompleks seperti avatar 3D, generasi teks ke video otonom, dan integrasi siaran langsung di platform-platform sosial. MoA berbasis SLM dapat meningkatkan interaksi multimodal generasi berikutnya, membuat avatar terbuka untuk umum lebih interaktif dan efektif.

Hubungan Pengembang

Peluncuran bukti konsep Web3 Developer Relations (DevRel) khusus pada platform AssisterrAI menunjukkan kesesuaian pasar yang kuat. Rezim DevRel yang kuat sangat penting untuk melibatkan pengembang dan memberikan dukungan komprehensif saat mengadopsi tumpukan teknologi. Namun, ini datang dengan biaya besar, dengan gaji untuk peran DevRel mulai dari $ 90k hingga $ 200k per tahun. Banyak permintaan dukungan pengembang dapat diprediksi dan dapat diotomatisasi, meningkatkan efisiensi DevRel melalui penggunaan SLM yang ditargetkan. Pendekatan ini mengurangi biaya sambil mempertahankan dukungan berkualitas tinggi untuk pengembang.

Memulai dengan Assisterr AI

Bagaimana Cara Mendaftar di Assisterr

1. Kunjungi Situs Assisterr: Buka Situs Assisterrdan klik “Buka Aplikasi”

2. Sambungkan Dompet Anda: Klik tombol “Pilih Dompet” dan sambungkan dompet Solana berbasis browser Anda. Dompet ini akan digunakan untuk transaksi dan mengakses berbagai fitur di platform.

3. Hubungkan Akun Sosial: Hubungkan profil X dan akun Discord Anda. Koneksi ini membantu memverifikasi identitas Anda dan mengintegrasikan kehadiran sosial Anda dengan ekosistem Assisterr.

4. Lengkapkan Registrasi: Ikuti petunjuk di layar untuk menyelesaikan proses registrasi. Setelah terdaftar, Anda dapat mulai menjelajahi platform dan fitur-fiturnya.

Mengakses SLM

1. Buka SLM Store: Setelah masuk, pergi ke Tab Toko SLMpada antarmuka Assisterr.

2. Telusuri Model Tersedia: Jelajahi berbagai Model Bahasa Kecil (SBK) yang tersedia di toko. Setiap model dirancang untuk tugas dan industri tertentu, seperti ekosistem Web3, kesehatan, pengembangan perangkat lunak, dan keuangan.

3. Model Kueri: Anda dapat mengkueri model apa pun melalui antarmuka chatbot. Cukup pilih model yang Anda minati dan mulailah berinteraksi dengannya. Kueri dapat dilakukan dari antarmuka web dengan dompet Solana yang terhubung atau melalui API untuk integrasi dengan aplikasi lain.

Bagaimana Cara Membuat SLM Pertama Anda

1.Akses Lab AI: Buka Tab AI Labpada antarmuka Assisterr.

2. Tentukan Parameter Model: Isi formulir konfigurasi untuk menentukan parameter kunci, templat pengingat, dan metadata untuk model Anda. Ini termasuk menentukan nama model, handle, deskripsi tujuan, kategori, gambar sampul, pemula percakapan, dan kumpulan data. Anda juga dapat Mempercepat proses ini dengan menggunakan asisten AI.

3. Unggah Data: Langsung unggah data yang akan disematkan dalam model melalui peningkatan perolehan generasi (RAG) dan penyetelan halus. Data ini membantu melatih model untuk melakukan tugas yang dimaksudkan.

4. Terbitkan SLM Anda: Setelah Anda mengonfigurasi model, klik tombol tombol. Model Anda akan dihasilkan dan Anda dapat memilih untuk menjadikannya publik di toko SLM atau menjaga keprivatan. Membuatnya publik memungkinkan pengguna lain untuk mengakses dan mengajukan pertanyaan pada model Anda.

Upaya Penggalangan Dana Assisterr

Assisterr, sebuah startup infrastruktur kecerdasan buatan yang berbasis di Cambridge, berhasil menyelesaikan putaran pendanaan pra-benih sebesar $1.7 juta. Putaran investasi ini melibatkan dana ventura Web3 terkemuka, termasuk Web3.com Ventures, Moonhill Capital, Contango, Outlier Ventures, Decasonic, Zephyrus Capital, Wise3 Ventures, Saxon, GFI Ventures, X Ventures, Koyamaki, Lucid Drakes Ventures, dan para angel terkemuka seperti Michael Heinrich, Mark Rydon, Nader Dabit, Anthony Lesoismier-Geniaux, dan Ethan Francis. Dana tersebut telah berperan penting dalam membangun infrastruktur dasar Assisterr dan meluncurkan platformnya.

Sejak diluncurkan, Assisterr telah mencapai tonggak sejarah yang signifikan, termasuk menarik 150.000 pengguna terdaftar dan meluncurkan lebih dari 60 Small Language Models (SLM) untuk protokol Web3 terkemuka seperti Solana, Optimism, 0g.ai, dan NEAR. Selain itu, Assisterr telah mendapatkan pengakuan dengan memenangkan beberapa hackathon global dan berpartisipasi dalam program AI Startups dari Google, mengamankan $350.000 pendanaan untuk mendukung kebutuhan infrastruktur GPU, CPU, dan cloudnya.

Rencana Jalan Mendatang dan Tonggak Sejarah

Assisterr memiliki rencana jalan yang jelas untuk pertumbuhan dan pengembangan di masa depan. Melelang kunci termasuk:

1. AI Lab (Q4 2024)

   • Meluncurkan AI Lab untuk memungkinkan pengguna membuat dan memiliki SLMs.
   • Mencapai 500,000 pengguna.
   • Melaksanakan Program Insentif Pembuat SLM.
   • Mengembangkan 5.000 SLM.
   • Selesaikan putaran pendanaan awal.

2. Pertumbuhan Jaringan (H1 2025)

   • Mengembangkan SLM untuk tugas-tugas khusus domain.
   • Melakukan Acara Generasi Token (TGE) dan penawaran.
   • Mencapai 3 juta pengguna.
   • Kembangkan 30.000 SLM.

3. Campuran Agen SLM (H2 2025)

   • Menerapkan orkestrasi SLM untuk tugas domain-agnostic.
   • Berkembang menjadi Web2.
   • Mencapai 10 juta pengguna.
   • Kembangkan 100.000 SLM.

Kesimpulan

Assisterr sedang memimpin era AI terdesentralisasi dan dimiliki oleh komunitas baru dengan memanfaatkan Model Bahasa Kecil (SLM) dan model ekonomi inovatif. Dengan mengatasi keterbatasan Model Bahasa Besar (LLM) dan mendorong pendekatan kolaboratif, Assisterr menjadikan teknologi AI lebih mudah diakses, efisien, dan berkelanjutan. Ekosistem yang komprehensif platform ini, termasuk AI Labs, Toko SLM, dan elemen kolaboratif, memberdayakan pengguna untuk menciptakan, berbagi, dan memonetisasi model AI.