تحتوي Colossal Clean Crawled Corpus (C4) ، وهي مجموعة بيانات AI تستخدمها شركات التكنولوجيا الكبرى ، على بيانات من مواقع ويب متنوعة مرتبطة بالتشفير.
تستمد مجموعة بيانات C4 من مواقع التشفير
واشنطن بوست ومعهد ألين للذكاء الاصطناعي تحليلها مؤخرا مجموعة البيانات C4 ، وترتيب مواقع الويب حسب عدد "الرموز المميزة" أو المقتطفات النصية المأخوذة من كل مصدر.
كانت لجنة الأوراق المالية والبورصات الأمريكية - التي تحتوي جزئيًا على محتوى حول تنظيم العملات المشفرة - من بين أكبر مصادر مجموعة البيانات. احتل موقعها على الويب (sec.gov) المرتبة 39 وشكلت 36 مليونًا ، أو 0.02٪ من الرموز المميزة لـ C4.
Bitcointalk.org ، لوحة مناقشة blockchain تم إنشاؤها بواسطة ساتوشي ناكاموتو، المرتبة # 780. تمثل 6.1 مليون ، أو 0.004 ٪ ، من الرموز المميزة لـ C4.
كما تم تمثيل أخبار العملات المشفرة ومواقع التجميع مثل Cointelegraph و Coinmarketcap.com. ثمانية من هذه المواقع مجتمعة تمثل 0.008 ٪ على الأقل من الرموز المميزة لـ C4 ، على الرغم من أن المواقع الأخرى من المحتمل أن تزيد الإجمالي الحقيقي.
تم أيضًا تمثيل مواقع الويب المتعلقة بالعملات المشفرة والتبادلات في مجموعة البيانات ولكنها تمثل عددًا ضئيلًا من الرموز المميزة.
كما احتل موقعان مجاوران للعملات مرتبة عالية. التي اعتمدها الفريق الحكومي (ipfs.io) في المرتبة رقم 16 بينما Steemit (steemit.com) في المرتبة # 594. الموقع الأول عبارة عن شبكة موزعة من شركة Protocol Labs الخاصة بشركة blockchain ، بينما يستخدم الموقع الثاني بشكل مباشر blockchain. ومع ذلك ، لا تحتوي هذه المواقع بالضرورة على محتوى متعلق بالعملة المشفرة.
تصدرت المواقع الرئيسية القائمة
تُستخدم مجموعة بيانات C4 في نماذج لغة الذكاء الاصطناعي من شركات التكنولوجيا الكبرى بما في ذلك جوجل T5 و في الفيسبوك LLaMA ، وفقًا لصحيفة واشنطن بوست.
على الرغم من أن المواقع المذكورة أعلاه هي من بين أهم مواقع C4 ذات الصلة بالتشفير ، إلا أنها تتفوق على مواقع الويب الرئيسية ومصادر الأخبار ، والتي غالبًا ما تغطي موضوعات العملة المشفرة ومن المحتمل أن تكون المصدر الأساسي لجميع البيانات المتعلقة بالعملات المشفرة.
كما تم انتقاد C4 لاحتوائه على كلام يحض على الكراهية وبيانات مقرصنة. على الرغم من أن اسم مجموعة البيانات يشير إلى أنه تم "تنظيفها" ، إلا أن مجمعاتها استخدمت فقط قائمة من 400 كلمة لفرض رقابة على محتوى معين ، مما يعني أن المحتوى المثير للجدل لا يزال سليماً.
يمكن أن يؤثر وجود مواقع التشفير ، بالإضافة إلى وجود بيانات مثيرة للجدل ، على مستوى التحيز الملحوظ في المحتوى الذي تنتجه روبوتات الدردشة بالذكاء الاصطناعي.
- محتوى مدعوم من تحسين محركات البحث وتوزيع العلاقات العامة. تضخيم اليوم.
- بلاتوبلوكشين. Web3 Metaverse Intelligence. تضخيم المعرفة. الوصول هنا.
- سك المستقبل مع أدرين أشلي. الوصول هنا.
- المصدر https://cryptoslate.com/top-ai-dataset-pulls-data-from-bitcointalk-steemit-and-u-s-sec/
- :لديها
- :يكون
- :ليس
- 1
- 500
- a
- فوق
- وفقا
- تؤثر
- تجميع
- AI
- الكل
- أيضا
- من بين
- كمية
- an
- و
- هي
- AS
- At
- كان
- انحياز
- Bitcointalk
- سلسلة كتلة
- شركة Blockchain
- مجلس
- لكن
- by
- الفئة
- chatbots
- Coindesk
- CoinMarketCap
- Cointelegraph
- جماعي
- COM
- عمولة
- الشركات
- إجماع
- تحتوي على
- يحتوي
- محتوى
- المثير للجدل
- استطاع
- بهيكل
- خلق
- التشفير
- العملات الرقمية
- العملات المشفرة
- تنظيم العملة المشفرة
- CryptoSlate
- البيانات
- مباشرة
- مناقشة
- وزعت
- الشبكة الموزعة
- كل
- تبادل
- الاستبدال
- شركة
- الاسم الأول
- في حالة
- تبدأ من
- GIF
- جدا
- لكن
- HTTPS
- in
- بما فيه
- القيمة الاسمية
- معهد
- التي اعتمدها الفريق الحكومي
- IT
- انها
- مختبرات
- لغة
- أكبر
- مستوى
- على الأرجح
- لايم واير
- قائمة
- اللاما نوع من الجمال
- التيار
- رائد
- يصنع
- معنى
- مليون
- عارضات ازياء
- أكثر
- الاسم
- بالضرورة
- شبكة
- أخبار
- عدد
- of
- on
- فقط
- or
- أخرى
- جزء
- أفلاطون
- الذكاء افلاطون البيانات
- أفلاطون داتا
- منشور
- وجود
- ابتدائي
- أنتج
- بروتوكول
- مختبرات البروتوكول
- تسحب
- المرتبة
- تصنيف
- اللائحة
- ذات صلة
- بقايا
- ممثلة
- s
- ثانية
- الثاني
- ضمانات
- الأوراق المالية وهيئة الأوراق المالية
- هام
- الموقع
- المواقع
- مصدر
- مصادر
- محدد
- خطاب
- المدعومة
- هذه
- وتقترح
- TAG
- التكنولوجيا
- شركات التكنولوجيا
- أن
- •
- The Washington Post
- تشبه
- هم
- إلى
- رمز
- الرموز
- تيشرت
- المواضيع
- تصدرت
- الإجمالي
- صحيح
- لنا
- الولايات المتحدة ثانية
- الأوراق المالية الأمريكية
- الولايات المتحدة لجنة الاوراق المالية والبورصات
- تستخدم
- مستعمل
- مختلف
- وكان
- واشنطن
- واشنطن بوست
- الموقع الإلكتروني
- المواقع
- حسن
- كان
- التي
- في حين
- كلمات
- زفيرنت