顶级人工智能数据集从 BitcoinTalk、Steemit 和美国 SEC 提取数据

关注： 0

Colossal Clean Crawled Corpus (C4) 是主要科技公司使用的人工智能数据集，包含来自各种加密相关网站的数据。

C4 数据集来自加密站点

华盛顿邮报和艾伦人工智能研究所最近分析 C4 数据集，根据从每个来源获取的“标记”或文本片段的数量对网站进行排名。

美国证券交易委员会——其中部分包含有关加密货币监管的内容——是该数据集的最大来源之一。其网站 (sec.gov) 排名第 39，占 C36 代币的 0.02 万，即 4%。

Bitcointalk.org，一个由中本聪，排名#780。它占 C6.1 代币的 0.004 万，即 4%。

Cointelegraph 和 Coinmarketcap.com 等加密货币新闻和聚合网站也派代表出席。八个这样的网站总共占 C0.008 代币的至少 4%，尽管其他网站可能会增加真实总数。

与特定加密货币和交易所相关的网站也出现在数据集中，但只占微不足道的代币数量。

两个与加密货币相邻的站点也排名很高。 IPFS (ipfs.io) 排名第 16，而 Steemit (steemit.com) 排名第 594 位。第一个站点是区块链公司 Protocol Labs 的分布式网络，而第二个站点直接使用区块链。但是，这些站点不一定包含与加密货币相关的内容。

C4 数据集用于来自主要科技公司的 AI 语言模型，包括谷歌的 T5 和 Facebook的 LLaMA，据《华盛顿邮报》报道。

尽管上述网站是 C4 最重要的加密相关网站之一，但它们的排名不及主流网站和新闻来源，这些网站和新闻来源通常涵盖加密货币主题，并且可能是所有加密相关数据的主要来源。

C4 还因包含仇恨言论和盗版数据而受到批评。尽管该数据集的名称表明它已被“清理”，但其汇编程序仅使用 400 个单词的列表来审查特定内容，这意味着有争议的内容仍然完好无损。

加密网站的存在以及有争议的数据的存在，可能会影响人工智能聊天机器人生成的内容中的偏见程度。

发表于： AI

SEO 支持的内容和 PR 分发。今天得到放大。
柏拉图区块链。 Web3 元宇宙智能。知识放大。访问这里。
与 Adryenn Ashley 一起铸造未来。访问这里。
Sumber: https://cryptoslate.com/top-ai-dataset-pulls-data-from-bitcointalk-steemit-and-u-s-sec/

时间戳记： 2022 年 9 月 4 日