وب ۳: انقلاب در اینترنت با بلاکچین و هوش مصنوعی

انتشار 8 ماه قبل
آنچه می‌خوانید...

تحول اینترنت از نسل فعلی آن یا «وب ۲» به نسل بعدی اینترنت یا «وب ۳» نشان‌دهنده یک تغییر بنیادین در نحوه مدیریت و کنترل اطلاعات در اینترنت است. در حالی که تعریف واحد و پذیرفته‌شده‌ای برای وب ۳ وجود ندارد، این اصطلاح اغلب برای اشاره به یک اینترنت غیرمتمرکز به کار می‌رود که از […]

وب ۳ و هوش مصنوعی

تحول اینترنت از نسل فعلی آن یا «وب ۲» به نسل بعدی اینترنت یا «وب ۳» نشان‌دهنده یک تغییر بنیادین در نحوه مدیریت و کنترل اطلاعات در اینترنت است. در حالی که تعریف واحد و پذیرفته‌شده‌ای برای وب ۳ وجود ندارد، این اصطلاح اغلب برای اشاره به یک اینترنت غیرمتمرکز به کار می‌رود که از فناوری بلاکچین برای بازگرداندن کنترل داده‌ها به دست کاربران و کاهش قدرتی که در حال حاضر شرکت‌های بزرگ فناوری اعمال می‌کنند، استفاده می‌کند. در همین حال، استفاده از هوش مصنوعی در وب ۳ نیز توجه‌ها را خود جلب کرده است.

[ez-toc]

وب ۳ راه‌حلی بالقوه برای مشکلاتی مانند فقدان حریم خصوصی، نظارت و اطلاعات غلط ارائه می‌دهد که توسط جامعه‌ای داده‌محور که در آن مصرف‌کنندگان اغلب محصول به شمار می‌آیند، ایجاد شده است. اما پذیرش وب ۳ با موانع قابل توجهی از سوی کاربران روبرو شده است.

ادغام هوش مصنوعی و فناوری بلاکچین می‌تواند نیروی محرکه لازم برای تسریع پذیرش وب ۳ را فراهم کند. هم افزایی‌های بین توانایی هوش مصنوعی برای یادگیری از داده‌ها و انجام پیش‌بینی و قابلیت‌های پردازش داده‌های شفاف و غیر قابل جعل بلاکچین می‌تواند تجربه کاربری وب ۳ را بهبود بخشد و موانع آن را برای کاربران کاهش دهد. برای مثال، هوش مصنوعی غیرمتمرکز که روی بلاکچین ساخته شده است، می‌تواند تجربیات آنلاین شخصی‌سازی‌شده مانند پیشنهاد موسیقی بر اساس سابقه گوش‌دادن کاربر را ارائه دهد، بدون اینکه نیاز به فدا‌کردن حریم خصوصی یا کنترل بر داده‌های شخصی او باشد.

وب ۳

قدرت هوش مصنوعی و بلاکچین در وب ۳

بلاکچین و هوش مصنوعی فناوری‌های مکمل یکدیگر هستند که هر کدام راه‌حلی برای مشکلی ارائه می‌دهند که دیگری با آن روبرو است. در حوزه هوش مصنوعی، دسترسی به داده‌های باکیفیت برای طراحی و توسعه الگوریتم‌های هوش مصنوعی کارآمد و دقیق حیاتی است. هوش مصنوعی که با داده‌های معیوب آموزش داده شود، به طور اجتناب‌ناپذیری نتایج معیوبی به همراه خواهد داشت که به عنوان مشکل «ورودی آشغال، خروجی آشغال» نیز شناخته می‌شود. پروتکل اجماع داخلی بلاکچین که روشی است که گره‌ها در یک بلاکچین در مورد «درستی» داده‌ها به توافق می‌رسند، با امکان تأیید صحت، دقت و یکپارچگی داده‌ها به کاهش مشکل «ورودی آشغال، خروجی آشغال» کمک می‌کند. همچنین می‌تواند با توزیع اختیار بر داده‌ها و الگوریتم‌ها، به مقابله با تمرکز قدرت بر هوش مصنوعی در دست چند شرکت کمک کند.

همانطور که گری گنسلر، رئیس کمیسیون بورس و اوراق بهادار آمریکا (SEC)، در یک پادکست اخیر در مورد هوش مصنوعی و بخش مالی گفت، «اعتماد صدها یا هزاران بازیگر مالی به یک مدل داده مرکزی یا یک مدل انتخاب مرکزی» می‌تواند منجر به «ایجاد ریسک در این جامعه و بخش مالی به طور کلی» شود. پلتفرم‌های بلاکچینی به‌عنوان یک سیستم غیرمتمرکز و توزیع‌شده، می‌توانند به گونه‌ای طراحی شوند که قدرت را به روشی تخصیص دهند که خطر ناشی از تصمیم‌گیری‌های مبهم اما با پیامدهای مهم توسط چند شرکت یا مدل هوش مصنوعی را کاهش دهد.

هوش مصنوعی و بلاکچین

همگرایی هوش مصنوعی و بلاکچین در وب ۳

با این حال، استفاده از قدرت هوش مصنوعی و بلاکچین به صورت منسجم کار آسانی نیست و برای غلبه بر چالش‌های فنی زمان‌بر بوده است. یک روش مفید برای ترسیم توسعه همزمان این دو فناوری، بررسی آن از طریق لنز پیشرفت در سه مرحله است: داده (مرحله ۱) به اطلاعات (مرحله ۲) به دانش (مرحله ۳). داده (data) از مقادیر خام حروف الفبا و عددی تشکیل شده است و اطلاعات (information)، داده‌هایی هستند که ساختار یافته و سازماندهی شده‌اند. دانش (knowledge) نشان‌دهنده بینش‌ها و برداشت‌های جمعی استخراج‌شده از اطلاعات است. اما غربال‌کردن حجم عظیمی از داده‌ها و اطلاعات برای استخراج بینش‌های عملیاتی، چالش‌برانگیز است.

مرحله ۱: داده

تا همین اواخر، جستجو، اندیس‌گذاری (indexing) و استخراج داده‌ها، به ویژه در فرمت‌های متنوعی مانند متن، صدا و تصویر، پیچیده بود؛ زیرا بلاکچین‌ها در ابتدا برای بهینه‌سازی قابلیت جستجو طراحی نشده بودند. با این حال، شرکت‌هایی مانند The Graph که اغلب به عنوان «گوگل وب ۳» شناخته می‌شود، تا حد زیادی چالش فاز ۱ یعنی مهار داده‌های قابل اندیس‌گذاری و جستجو از بلاکچین‌ها را بدون اتکا به واسطه‌های متمرکز، حل کرده‌اند.

مرحله ۲: اطلاعات

در فاز ۲، شرکت‌هایی که اکنون می‌توانند به مقادیر قابل توجهی از داده‌های بلاکچین دسترسی داشته باشند، تمرکز خود را بر سازماندهی این داده‌ها به اطلاعات منسجم و قابل تحلیل معطوف کرده‌اند. این کار چالش‌برانگیز بود، زیرا در حالی که بلاکچین‌ها سابقه عمومی تراکنش‌ها بین آدرس‌های کیف پول ها را ارائه می‌دهند، این آدرس‌های به طور پیش‌فرض به راحتی به هویت دنیای واقعی قابل ردیابی نیستند. آدرس کیف پول یک رشته از کاراکترها است که به صورت رمزنگاری شده تولید می‌شود و به عنوان نام مستعار کاربر عمل می‌کند. بنابراین، استخراج اطلاعات مفید از این داده‌ها برای بررسی دقیق و تحلیل دشوار بود. با این حال، شرکت‌های زیادی مانند Nansen برای رفع این خلأ وارد عمل شده‌اند و ابزاری برای جمع‌آوری اطلاعات ارزشمند از داده‌های بلاکچین ارائه می‌دهند که سپس می‌توان از آن‌ها برای آموزش الگوریتم‌های هوش مصنوعی استفاده کرد.

مرحله ۳: دانش

با این حال، مرز بعدی یا «مرحله ۳» توسعه دانش از حجم عظیمی از اطلاعات ارائه شده توسط پلتفرم‌های بلاکچینی است. این چالش هنوز به طور کامل حل نشده است، زیرا وظیفه مرتبط کردن قطعات مجزا از داده‌ها و اطلاعات به روشی معنادار هم زمان‌بر است و هم باید دستی انجام شود. هوش مصنوعی می‌تواند ابزاری قدرتمند برای خودکارسازی وظیفه دشوار استخراج، سازماندهی، ذخیره‌سازی و عرضه دانش جمعی یک سازمان باشد.

نمودار دانش

هوش مصنوعی مولد به دلیل توانایی‌اش در ارائه تجربیات شخصی‌سازی‌شده بر اساس درخواست‌های کاربر، اخیراً محبوبیت زیادی پیدا کرده است. همانطور که هان جین، مدیر عامل شرکت وب ۳ مبتنی بر هوش مصنوعی Bluwhale می‌گوید، «برای اینکه وب ۳ به جریان اصلی تبدیل شود، نسل بعدی برنامه‌های کاربردی روبه‌روی مصرف‌کننده که از بلاکچین استفاده می‌کنند باید حداقل با تجربیات کاربری وب ۲ مطابقت داشته باشند. شخصی‌سازی اختیاری نخواهد بود، بلکه ضروری خواهد بود.» این رویکرد به برنامه‌های غیرمتمرکز اجازه می‌دهد تا مخاطبان فعلی خود را به طور مؤثرتری درگیر کرده و کاربران جدید را جذب کنند و در نتیجه هزینه‌های بازاریابی را بهینه کنند.

نمودارهای دانش (Knowledge graphs) یا به قول جین، «یک مغز هوش مصنوعی غیرمتمرکز که در سراسر بلاکچین‌ها مقیاس‌بندی می‌شود»، ممکن است عنصر گمشده برای انتقال تجربیات شخصی‌سازی‌شده وب ۲ به وب ۳ باشد. نمودارهای دانش ابزارهای علم داده هستند که روابط بین اشیا، حقایق، رویدادها، موقعیت‌ها و سایر داده‌ها را ترسیم می‌کنند. نمودار دانش اغلب در کنار هوش مصنوعی به کار می‌رود، زیرا به معنابخشی و ساختاردهی به مجموعه داده‌های متنوع کمک می‌کند. موتورهای جستجو اغلب از نمودارهای دانش برای اجازه‌دادن به کامپیوترها برای درک زمینه پرس‌وجوهای کاربران و پیوند‌دادن میلیاردها واقعیت در مورد افراد، مکان‌ها و چیزها استفاده می‌کنند.

با این حال، مانند زیرساخت اصلی وب ۲، بسیاری از نمودارهای دانش توسط نهادهای متمرکز ساخته می‌شوند، در سازمان‌های خاص خود جدا می‌شوند و به طور گسترده به اشتراک گذاشته نمی‌شوند. نمودارهای دانش غیرمتمرکز، مانند آن‌هایی که توسط OriginTrail ساخته شده‌اند، می‌توانند نمودارهای دانش را با استفاده از شبکه‌های بلاکچینی باز و بدون مجوز (permissionless) قابل‌دسترس‌تر کنند.

اینترنت

آینده اینترنت بر روی فناوری‌های نوظهور ساخته خواهد شد

با استفاده از ابزارهای پیشرفته‌ای مانند نمودارهای دانش، ادغام هوش مصنوعی و بلاکچین می‌تواند به عنوان پایه و اساس وب ۳ ساخته‌شده بر روی داده‌های قابل اعتماد عمل کند. اینترنت غیرمتمرکز جدید می‌تواند به مقابله با مشکلاتی که در اینترنت متمرکز فعلی ما رایج است مانند اطلاعات نادرست، نظارت، خطرات حریم خصوصی و امنیت و از دست‌دادن کلی اختیار بر داده‌های شخصی ما کمک کند.

این محتوا مفید بود؟
نظرات کاربران
می خواهم از پاسخ به کامنتم مطلع شوم
اطلاع از
guest

0 دیدکاه های این نوشته
قدیمی ترین ها
جدیدترین ها رای بیشتر
بازخورد درون خطی
مشاهده همه دیدگاه ها
0
در سریعترین زمان ممکن به شما پاسخ خواهیم دادx