Top AI Dataset zawiera strony internetowe z kryptowalutami w swoim Datafeed

• Colossal Clean Crawled Corpus jest zależny od wielu platform kryptograficznych w zakresie danych.
• Analiza pokazuje, że część fragmentów tekstu C4 pochodzi z witryn opartych na kryptografii.
• Obecność stron kryptograficznych w zbiorze danych C4 może wpłynąć na jego poziom stronniczości.

Najlepsze narzędzie AI, Kolosalnie czysty pełzający korpus (C4), w przypadku znacznej części swoich danych zależy od wielu platform kryptograficznych. Analiza pokazuje, że C4 wyodrębnia miliony fragmentów tekstu ze stron internetowych opartych na kryptografii lub platform internetowych ściśle powiązanych z kryptowaluta.

Według raportów, amerykańska Komisja Papierów Wartościowych i Giełd (SEC), która zawiera obecnie znaczną ilość informacji związanych z kryptowalutami, posiada 36 milionów tokenów C4, co stanowi 0.02% zbioru danych platformy. Strona SEC (sec.gov), z której C4 pobiera dane, uplasowała się na 39 miejscu wśród stron zaangażowanych przez C4.

Bitcointalk.org Satoshi Nakamoto stanowił 6.1 miliona tokenów C4, co odpowiada 0.004% wszystkich tokenów. Uplasowała się na 780. miejscu zaangażowanym przez platformę.

Inne platformy kryptograficzne zaangażowane przez C4 do pozyskiwania danych obejmują witrynę z wiadomościami o kryptowalutach, Cointelegraph oraz platformę agregacji tokenów, CoinmarketCap. Te i sześć innych powiązanych witryn stanowiły 0.008% wszystkich tokenów C4, podczas gdy inne witryny związane z określonymi kryptowalutami stanowiły znikomą część reprezentacji.

IPFS (ipfs.io) i Steemit (steemit.com) zajmowały znaczące miejsce w zbiorze danych C4. IPFS uplasował się na 16. miejscu, a Steemit na 594. miejscu. Obie te strony nie są bezpośrednio zaangażowane w krypto, ale mają znaczące skłonności do branży kryptograficznej.

Zaangażowanie platform związanych z kryptowalutami w C4 Trening AI proces ujawnia wkroczenie kryptowaluty do głównego nurtu. Zakres reprezentacji witryn kryptograficznych jest wystarczająco znaczący, aby wpłynąć na wynik C4, mimo że witryny głównego nurtu, takie jak Google i Facebook, znacznie je przewyższają.

C4 spotkało się z krytyką za pirackie dane i mowę nienawiści, pomimo doniesień o „czyszczeniu” zbioru danych. Mając tylko 400 słów na liście do cenzurowania określonych treści, sugeruje, że w C4 nadal mogą znajdować się kontrowersyjne treści. Obecność witryn kryptograficznych w zbiorze danych może również wpływać na poziom stronniczości.

Wyświetleń: 125