Pemberhentian berikutnya 1m, terminal dan agen DM kami untuk berintegrasi ke dalam pikiran sarang. 🤖

Kemarin kami mengumumkan integrasi dengan @PolyBrainSol. Hari ini, alat AI Deep Research kami melampaui 407.000 total kueri sejak diluncurkan. Saat ini kami terintegrasi di 5 protokol perdagangan pasar prediksi. Kami selalu ingin berintegrasi dengan lebih banyak platform. Jika Anda membangun terminal atau agen perdagangan untuk pasar prediksi. DM kami.

Saat Pasar Prediksi berskala di berbagai metrik, adopsi Kecerdasan Buatan di seluruh strategi perdagangan, penelitian, dan algoritme menjadi lebih tak terelakkan. Sudah ada beberapa contoh alat AI seperti LLM khusus Polyfacts kami untuk Pasar Prediksi, Oleh karena itu ada baiknya melihat konsep dasar yang memandu sistem ini. Jaringan saraf dalam Jaringan saraf adalah model komputasi yang dirancang berdasarkan neuron di otak manusia dan banyak digunakan untuk mengenali pola dan membuat keputusan dengan memproses data melalui lapisan atau simpul yang terhubung Jaringan saraf terdiri dari 3 komponen. Input, Pemrosesan (Lapisan Tersembunyi) & Output. Ketika ada lebih dari satu lapisan tersembunyi antara input dan output, itu disebut Deep Neural Network. Lapisan tersembunyi terdiri dari neuron (atau node) yang menerima informasi dari komponen Input dan mengklasifikasikan informasi ini berdasarkan berat. Bobot membantu jaringan menentukan seberapa penting informasi itu untuk menghasilkan output berdasarkan itu. Matematis Jumlah tertimbang = (Input1 × Berat1) + (Input2 × Bobot2) + ... + Bias Katakanlah, Anda memutuskan apakah akan pergi ke Restoran, Anda secara alami akan mempertimbangkan faktor-faktor seperti berikut ini dan menetapkan Bobot (dengan asumsi skala 0-1 di sini) kepada mereka berdasarkan seberapa pentingnya mereka untuk konteks yang Anda coba pikirkan, Cuaca: 0.2 Kelaparan: 0,5 Anggaran: 0.7 Teman Tersedia: 0.3 Yaitu, Alangkah baiknya memiliki cuaca yang baik tetapi terlepas dari itu, cuaca tidak terlalu penting bagi otak Anda untuk keputusan ini, dan pendekatan yang sama untuk nilai-nilai lainnya. Nilai-nilai dari Faktor-faktor situasi saat ini, Cerah - 1 (Betapa sebenarnya cerahnya) Anda sangat lapar - 0,9 (Betapa laparnya Anda sebenarnya) Anggaran - 0,2 (pasar😂 beruang) Teman tersedia - 1 Jumlah Tertimbang = (1 × 0,2) + (0,9 × 0,5) + (0,2 × 0,7) + (1 × 0,3) = 0,2 + 0,45 + 0,14 + 0,3 = 1,09 Asumsi yang telah ditetapkan sebelumnya bisa berupa, jika skor di atas 1, keluar dan kurang dari 1, tetap masuk. Meskipun, ini adalah penyederhanaan yang berlebihan karena melalui Fungsi Aktivasi untuk menentukan apakah jumlah tertimbang harus dianggap final atau tidak Dari perspektif model AI, Katakanlah Anda mencoba meminta draf LLM membuat email kepada supervisor Anda tentang penundaan proyek, LLM memecah input Anda menjadi token individual sehingga jika masukan Anda adalah, "Draf email ke supervisor saya tentang penundaan proyek" Itu menjadi, ["Draf", "an", "email", "kepada", "saya", "supervisor", "tentang", "itu", "proyek", "penundaan"] Setiap token kemudian mendapatkan representasi numerik berdasarkan pola yang dipelajari dalam data pelatihannya. Tergantung pada tujuan & proses bagaimana model dilatih, itu menentukan kata-kata mana dari individu yang paling penting. "Email" mungkin mendapatkan bobot tinggi karena itu adalah objek inti yang Anda minta Langkah selanjutnya yang diperlukan untuk mencapai jumlah tertimbang dikenal sebagai Pemahaman Kontekstual. Tidak benar-benar berencana untuk membahas topik spesifik ini dalam posting ini tetapi saya harap contoh ini memberikan semacam klarifikasi Fase penting lainnya dari eksekusi dalam Layer tersembunyi adalah Fungsi Aktivasi. Tujuannya adalah untuk membantu neuron memutuskan apakah jumlah tertimbang cukup valid untuk dikirim sebagai output atau dengan kata lain, menentukan apakah sistem mengirimkan respons yang masuk akal berdasarkan tugas Jumlah lapisan tersembunyi bawaan penting karena sistem dapat memeriksa kesalahan secara lebih akurat karena output setiap lapisan menjadi input untuk lapisan berikutnya hingga lapisan keluaran akhir tercapai, memungkinkan lebih banyak filter koreksi Ketika sebuah model baru saja dilatih, ia membuat tebakan bobot acak karena belum memiliki dasar "kebenaran" sehingga ia belajar dengan membandingkan output dengan jawaban yang benar dengan menggunakan fungsi kerugian Saat proses ini diulang, lapisan dapat mengenali pola yang berfungsi sebagai preseden bagi mereka untuk menetapkan bobot ke token dengan cara terbaik, memungkinkan jaringan mengenali pola dan memberikan output yang berguna!