Top AI Dataset vsebuje spletna mesta za kriptovalute v viru podatkov

• Colossal Clean Crawled Corpus je odvisen od več kripto platform za podatke.
• Analiza kaže, da je del izrezkov besedila C4 izvlečen s spletnih mest, ki temeljijo na kripto.
• Prisotnost kripto mest v naboru podatkov C4 bi lahko vplivala na njegovo stopnjo pristranskosti.

Najboljše orodje AI, Kolosalno čisto plazeno telo (C4), je velik del podatkov odvisen od več kripto platform. Analiza kaže, da C4 izvleče na milijone besedilnih izrezkov s spletnih mest ali spletnih platform, ki temeljijo na šifriranju, in so tesno povezane z cryptocurrency.

Po poročilih ima ameriška komisija za vrednostne papirje in borzo (SEC), ki zdaj vsebuje veliko količino informacij, povezanih s kripto, 36 milijonov žetonov C4, kar predstavlja 0.02 % nabora podatkov platforme. Spletna stran SEC (sec.gov), s katere C4 pridobiva podatke, se je uvrstila na 39. mesto med spletnimi mesti, ki jih C4 uporablja.

Bitcointalk.org Satoshija Nakamota je predstavljal 6.1 milijona žetonov C4, kar ustreza 0.004 % vseh žetonov. Uvrstilo se je kot 780. spletno mesto, ki ga uporablja platforma.

Druge kripto platforme, ki jih C4 uporablja za pridobivanje podatkov, vključujejo spletno stran s kripto novicami Cointelegraph in platformo za združevanje žetonov CoinmarketCap. Ta in še šest povezanih spletnih mest so predstavljale 0.008 % vseh žetonov C4, medtem ko so druga spletna mesta, povezana z določenimi kriptovalutami, predstavljala zanemarljiv del zastopanosti.

IPFS (ipfs.io) in Steemit (steemit.com) sta bila v naboru podatkov C4 pomembna. IPFS se je uvrstil na 16. mesto, Steemit pa na 594. mesto. Obe spletni strani nista neposredno vpleteni v kripto, vendar sta precej nagnjeni k kripto industriji.

Vključenost platform, povezanih s kripto, v C4 AI usposabljanje postopek razkriva poseg kriptovalute v mainstream. Obseg zastopanosti kripto spletnih mest je dovolj pomemben, da vpliva na izid C4, čeprav jih običajna spletna mesta, kot sta Google in Facebook, znatno prehitevajo.

C4 se sooča s kritikami zaradi piratskih podatkov in sovražnega govora, kljub poročilom, da je bil nabor podatkov "očiščen". S samo 400 besedami na seznamu za cenzuro določene vsebine nakazuje, da bi lahko znotraj C4 še vedno obstajala sporna vsebina. Prisotnost kripto mest v njegovem naboru podatkov bi lahko vplivala tudi na njegovo stopnjo pristranskosti.

Ogledi: 125