مجموعه داده‌های هوش مصنوعی برتر وب‌سایت‌های ارزهای دیجیتال را در Datafeed خود مشخص می‌کند

• Colossal Clean Crawled Corpus برای داده ها به چندین پلتفرم رمزنگاری وابسته است.
• تجزیه و تحلیل نشان می دهد که بخشی از متن های C4 از وب سایت های مبتنی بر رمزنگاری استخراج شده است.
• وجود سایت‌های رمزنگاری در مجموعه داده‌های C4 می‌تواند بر سطح سوگیری آن تأثیر بگذارد.

برترین ابزار هوش مصنوعی، Corpus Crawled Clean Colossal (C4)، برای بخش قابل توجهی از داده های خود به چندین پلتفرم رمزنگاری وابسته است. تجزیه و تحلیل نشان می دهد که C4 میلیون ها قطعه متن را از وب سایت های مبتنی بر رمزنگاری یا پلت فرم های وب که نزدیک به کریپتو کارنسی (رمز ارزها ).

بر اساس گزارش ها، کمیسیون بورس و اوراق بهادار ایالات متحده (SEC) که اکنون حاوی مقدار قابل توجهی از اطلاعات مربوط به رمزنگاری است، 36 میلیون توکن C4 را در اختیار دارد که 0.02 درصد از مجموعه داده های این پلتفرم را نشان می دهد. وب‌سایت SEC (sec.gov)، که C4 داده‌ها را از آن دریافت می‌کند، در بین وب‌سایت‌های درگیرشده توسط C39 در رتبه 4 قرار گرفت.

Bitcointalk.org ساتوشی ناکاموتو دارای 6.1 میلیون توکن C4 است که معادل 0.004 درصد از کل توکن ها است. این وب سایت به عنوان 780 امین وب سایت درگیر شده توسط این پلتفرم رتبه بندی شد.

سایر پلتفرم‌های رمزنگاری که توسط C4 برای جمع‌آوری داده‌ها درگیر شده‌اند عبارتند از: وب‌سایت خبری رمزنگاری، Cointelegraph، و پلتفرم تجمع توکن‌ها، CoinmarketCap. این و شش وب‌سایت مرتبط دیگر 0.008 درصد از کل توکن‌های C4 را به خود اختصاص داده‌اند، در حالی که سایر وب‌سایت‌های مرتبط با ارزهای دیجیتال خاص، بخش ناچیزی از نمایندگی را تشکیل می‌دهند.

IPFS (ipfs.io) و Steemit (steemit.com) به طور قابل توجهی در مجموعه داده های C4 برجسته شدند. IPFS در رتبه 16 قرار گرفت، در حالی که Steemit در رتبه 594 قرار گرفت. هر دوی این سایت‌ها مستقیماً درگیر کریپتو نیستند، اما تمایل زیادی به صنعت کریپتو دارند.

دخالت پلتفرم های مرتبط با رمزنگاری در C4 آموزش هوش مصنوعی فرآیند تجاوز ارزهای دیجیتال به جریان اصلی را آشکار می کند. گستره نمایندگی وب‌سایت‌های کریپتو به اندازه‌ای قابل توجه است که می‌تواند بر نتیجه C4 تأثیر بگذارد، حتی اگر وب‌سایت‌های اصلی مانند Google و Facebook به طور قابل توجهی از آنها بالاتر باشند.

علیرغم گزارش‌هایی مبنی بر «پاک‌سازی» مجموعه داده، C4 با انتقاداتی درباره داده‌های غیرقانونی و سخنان نفرت مواجه شده است. با تنها 400 کلمه در لیست خود برای سانسور محتوای خاص، نشان می دهد که همچنان ممکن است محتوای بحث برانگیز در C4 وجود داشته باشد. وجود سایت‌های رمزنگاری در مجموعه داده‌های آن نیز می‌تواند بر سطح سوگیری آن تأثیر بگذارد.

نمایش پست ها: 125