Niedoceniany fakt dotyczący danych AI na granicy: Projekty Scale AI przyniosą 2 miliardy dolarów przychodu w 2025 roku. Dodając Surge, Mercor i innych, całkowite wydatki na dane osiągną około 3,5 miliarda dolarów: głównie na modele rozumowania. Ale AI multimodalne? Oczekuj, że będzie 10 razy większe. Napędzane przez wideo, audio i nie tylko.

Treści naszego gościa @NiphermeDave'a zawsze są świetne 🗣️ sprawdź to!

Czasami po prostu masz "jeden z TYCH" tygodni.... Jestem wdzięczny za społeczność ORO. Dla każdego, kto zakończył trudny tydzień, trzymaj głowę wysoko! To dopiero początek. Ciesz się swoją niedzielą.

Wiele osób pytało nas... co napędza moje dane? W ORO pomagamy w zasilaniu multimodalnych modeli AI w szerokim zakresie. Rozumowanie, głos, wideo, a wkrótce... inne obszary 👀 Dlaczego multimodalne? Ponieważ to przestrzeń, którą centralni gracze nie mogą i nie będą atakować. Świat wideo, audio, danych długiego ogona z urządzeń noszonych... tylko platforma taka jak nasza może to zintegrować. I jesteśmy jedynymi, którzy współpracują z wiodącymi laboratoriami. Efekt przewagi pierwszego ruchu.

Kolejny post w naszej serii tekstów... $META w 2024: Jeśli spróbujesz zebrać wszystkie wysokiej jakości dane audio na świecie, otrzymasz 3000 godzin. Potrzebujemy MILIONÓW. Kto tak naprawdę wie, jak zebrać te dane na dużą skalę? Aby przefiltrować miliony godzin, aby uzyskać 10 000 rzeczywiście użytecznych godzin do trenowania następnej generacji modeli? ORO. To wszystko.

Po prostu to powiemy... Większość dostawców danych AI tak naprawdę nie agreguje użytecznych danych. Nie mają prawdziwych badaczy w wiodących laboratoriach, którzy pracują na ich danych. Naucz się oddzielać sygnał od szumu. Tak jak my z naszymi danymi audio!

Dlaczego poważni dostawcy danych obsesyjnie skupiają się na infrastrukturze? 🤔 Ponieważ doskonałe dane AI wymagają dwóch rzeczy: 1️⃣ globalnej skali zbierania 2️⃣ autonomicznej weryfikacji jakości #1 wymaga decentralizacji. #2 zależy od potężnej infrastruktury. Jesteśmy jedyną platformą, która przeszła testy w obu obszarach — zbierając prywatne dane wideo, audio i z urządzeń noszonych na dużą skalę, korzystając z najlepszych laboratoriów multimodalnych.

Kilka tygodni temu podzieliliśmy się spojrzeniem na naszą infrastrukturę danych AI. Dziś zasila wiodące laboratoria multimodalne AI z rozszerzalnymi pipeline'ami: – skalowalna synteza danych – adnotacja z modelem w pętli – szczegółowe, dostosowywalne wyszukiwanie Przed nami: kruchy, wewnętrzny sprzęt lub wolni dostawcy z przestarzałymi rozwiązaniami. Teraz: infrastruktura stworzona specjalnie dla AI na dużą skalę.

Większość modeli dzisiaj jest trenowana na zeskrobanych danych z sieci... Ale to nie tam będą pochodzić następne skoki wydajności. Niewykorzystana warstwa? Notatki głosowe, strumienie z urządzeń noszonych, paragony, kalendarze, diagnostyka. Strukturalne, z pozwoleniem i bogate w kontekst rzeczywistego świata.

Następny przełom w LLM nie przyjdzie z modyfikacji modelu. Przyjdzie z obliczeń w czasie testu na rzeczywistych danych: 🔸 dynamiczny kontekst 🔸 przypisanie na poziomie źródła 🔸 dane na żywo z urządzeń i logów Tworzymy most między pasywnymi modelami a interaktywną inteligencją 🤝