トップ AI データセットの機能 データフィードの暗号通貨 Web サイト

• Colossal Clean Crawled Corpus は、データ用に複数の暗号化プラットフォームに依存しています。
• 分析によると、C4 のテキスト スニペットの一部は暗号ベースの Web サイトから抽出されたものです。
• C4 のデータセット内の暗号サイトの存在は、バイアスのレベルに影響を与える可能性があります。

最高のAIツール、 巨大なクリーンクロールコーパス（C4）、そのデータの大部分を複数の暗号化プラットフォームに依存しています。 分析によると、C4 は暗号ベースの Web サイトまたは Web プラットフォームに密接に関連する Web サイトから何百万ものテキスト スニペットを抽出します。 cryptocurrency.

報告によると、現在かなりの量の暗号関連情報を含む米国証券取引委員会 (SEC) は、プラットフォームのデータセットの 36% に相当する 4 万の C0.02 トークンを占めています。 C4 がデータを取得する SEC の Web サイト (sec.gov) は、C39 が利用した Web サイトの中で 4 位にランクされました。

Satoshi Nakamoto の Bitcointalk.org は 6.1 万の C4 トークンを占め、トークン全体の 0.004% に相当します。 これは、プラットフォームが関与する 780 番目の Web サイトとしてランク付けされました。

C4 がデータ取得のために関与したその他の暗号プラットフォームには、暗号ニュース Web サイトの Cointelegraph や、トークン集約プラットフォームの CoinmarketCap が含まれます。 これらおよびさらに 0.008 つの関連する Web サイトは、すべての C4 トークンの XNUMX% を占めましたが、特定の暗号通貨に関連する他の Web サイトは、代表のごく一部を形成しました。

IPFS (ipfs.io) と Steemit (steemit.com) は、C4 のデータセットで大きく取り上げられました。 IPFS は 16 位、Steemit は 594 位でした。 これらのサイトは両方とも暗号に直接関与していませんが、暗号業界に大きな傾向があります.

C4 への暗号関連プラットフォームの関与 AIトレーニング このプロセスは、暗号通貨の主流への侵入を明らかにします。 Google や Facebook などの主流の Web サイトはそれらを大幅に上回っていますが、暗号 Web サイトの表現の範囲は、C4 の結果に影響を与えるのに十分なほど重要です。

C4 は、データセットが「クリーンアップ」されたという報告があるにもかかわらず、海賊版データとヘイト スピーチに対する批判に直面しています。 特定のコンテンツを検閲するためのリストには 400 語しかないため、C4 内に物議を醸すコンテンツがまだ存在する可能性があることを示唆しています。 データセットに暗号サイトが存在することも、バイアスのレベルに影響を与える可能性があります。

投稿数： 125