Bonjour à tous ! Aujourd'hui, je vais partager avec vous mes impressions sincères depuis que je suis dans le secteur.

Au début, j'étais très anxieux chaque jour, je voulais vraiment m'intégrer rapidement, mais le processus était assez difficile. Heureusement, je suis tombé sur l'essor de la finance décentralisée, ce qui m'a permis de profiter d'une petite vague d'opportunités.

Mais face à autant de projets, il faut fouiller dans les white papers, rechercher des partenaires et des informations de financement. Parfois, en tournant en rond, je ne trouvais pas les informations clés, c'était assez frustrant. J'ai donc pensé à utiliser des outils d'IA.

Cependant, en utilisant l'IA pour répondre à des questions professionnelles ou pour analyser des données sectorielles, je suis tombé dans un gros piège — ses réponses semblaient logiques et bien argumentées, mais en vérifiant plus tard, j'ai découvert que beaucoup d'informations étaient fausses !

▪️ C'est ce qu'on appelle le problème de « hallucination » de l'IA.

En réalité, l'IA d'aujourd'hui ressemble à un étudiant brillant qui ne révise pas bien : il rédige des rapports et fait des analyses rapidement et de façon impressionnante, mais il a deux défauts majeurs :
Soit il invente des réponses (hallucinations, comme citer de faux articles ou fabriquer des données), soit il porte des biais implicites.

C'est un cercle vicieux difficile à briser :
En entraînant l'IA avec des données de haute qualité, on peut réduire les « bavardages » inutiles, mais cela risque de renforcer les biais et de limiter la vision globale.

Si l'on veut qu'elle reste objective et neutre, il faut lui fournir une variété de données, mais cela peut aussi lui faire apprendre des informations erronées.

En fin de compte, c'est un problème fondamental dans le mode d'entraînement de l'IA : augmenter la quantité de données ou le nombre de paramètres du modèle ne résout pas le problème de fond.

Ainsi, même si l'IA devient très avancée, elle ne peut actuellement servir qu'à rédiger des textes ou vérifier des informations de base. Pour des secteurs clés comme la finance, l'éducation ou la justice, personne ne peut lui faire entièrement confiance pour ses résultats.

Il y a quelques mois, en découvrant @miranetwork, j'ai réalisé qu'il existait vraiment des projets spécialement conçus pour résoudre ce problème.

Mira n'est pas un nouveau modèle d'IA, mais un système de « vérification de sortie d'IA ».
C'est comme si chaque phrase de l'IA était accompagnée d'une « équipe de vérification croisée », composée de membres qui ne se connaissent pas et ne peuvent pas tricher, ce qui permet de résoudre efficacement ces problèmes.

L'objectif ultime de Mira est : faire en sorte que chaque phrase de l'IA puisse être « vérifiée sérieusement ».
#Mira