Etter hvert som prediksjonsmarkeder skalerer på tvers av ulike måleparametere, blir adopsjonen av kunstig intelligens på tvers av handelsstrategier, forskning og algoritmer enda mer uunngåelig. Det finnes allerede flere eksempler på AI-verktøy, som vårt Polyfacts tilpassede LLM for prediksjonsmarkeder, Derfor er det verdt å se på det grunnleggende konseptet som styrer disse systemene. Dype nevrale nettverk Nevrale nettverk er beregningsmodeller designet basert på nevronene i menneskehjernen og brukes mye for å gjenkjenne mønstre og ta beslutninger ved å behandle data gjennom sammenkoblede lag eller noder Et nevralt nettverk består av 3 komponenter. Input, prosessering (skjulte lag) og output. Når det er mer enn ett skjult lag mellom inngang og utgang, kalles det et dypt nevralt nettverk. De skjulte lagene består av nevroner (eller noder) som mottar informasjon fra inputkomponenten og klassifiserer denne informasjonen basert på vekt. Vekten hjelper nettverket med å avgjøre hvor viktig den informasjonen er for å generere et resultat basert på det. Matematisk Vektet sum = (Input1 × vekt1) + (Input2 × vekt2) + ... + Bias Si at du bestemmer deg for om du skal gå på restaurant, vil du naturlig vurdere faktorer som følgende og tildele vekter (antar 0-1 skala her) til dem basert på hvor viktige de er for konteksten du prøver å resonnere gjennom, Vær: 0,2 Sult: 0,5 Budsjett: 0,7 Tilgjengelige venner: 0,3 Altså, det hadde vært fint med godt vær, men uansett er været ikke så viktig for hjernen din for denne avgjørelsen, og samme tilnærming gjelder for de andre verdiene. Verdier av de nåværende faktorene i situasjonen, Det er sol - 1 (Hvor faktisk sol det er) Du er veldig sulten - 0,9 (Hvor sulten du egentlig er) Budsjett - 0,2 (bjørnemarked😂) Tilgjengelige venner - 1 ...