WorkML.ai : Révolutionner l'IA et la cryptographie avec Global Annotation Hub

WorkML.ai redéfinit le paysage du marché de la cryptographie en offrant une valeur tangible aux entreprises, aux investisseurs et à un large éventail d’utilisateurs, des clients aux annotateurs de données. Au-delà de la vague spéculative d’offres de jetons, il établit un modèle de revenus solide grâce aux commissions de service. Cette approche garantit un flux financier stable tout en fondant la valeur du projet sur les avantages réels qu’il procure.

Répondant au besoin critique d’ensembles de données détaillés dans l’industrie technologique, essentiels à la formation des systèmes d’IA, WorkML.ai réduit le coût et le temps nécessaires au développement de l’IA. Il facilite l’adoption plus large des technologies d’IA dans divers secteurs, en fournissant des ensembles de données de haute qualité qui améliorent la formation et l’efficacité des réseaux neuronaux.

L’histoire de WorkML.ai

L’histoire du projet WorkML.ai commence avec la rencontre de Michael Bogachev et Denis Davydov en 2020 alors qu’ils travaillaient dans une startup ukrainienne à succès, rachetée par la plus grande entreprise de logistique des Émirats arabes unis. Plus tard en 2023, après avoir voyagé à travers l’Europe, ils se sont croisés à Budapest, où le concept de base du projet a été découvert.

Dans leur recherche d’idée, ils se sont particulièrement concentrés sur les tendances existantes dans les domaines de l’IA et des crypto-monnaies. Denis avait déjà une expérience substantielle dans les crypto-monnaies, ayant travaillé dans des sociétés de cryptographie américaines entre 2022 et 2023 et participé à des startups d’IA et de crypto de 2016 à 2019. Michael a également utilisé l’IA dans le développement de systèmes logistiques de 2016 à 2022.

Sur la base de leur expérience, ils ont identifié certains goulots d’étranglement dans la préparation de grands modèles d’IA. Le premier goulot d’étranglement concernait le traitement de grands ensembles de données, un problème qui a été résolu avec succès par Nvidia, dont les stocks ont plus que doublé en 2023 après la sortie de leurs accélérateurs.
https://www.youtube.com/watch?v=Pmkcp8Mk0bg

Le deuxième goulot d’étranglement n’est pas aussi évident, puisqu’il ne peut être identifié que par ceux qui sont directement impliqués dans les modèles de formation. Ce goulot d’étranglement est la préparation des métadonnées, qui sont introduites dans le modèle avec les données.

Les métadonnées sont un élément clé qui permet au réseau neuronal d’interpréter ce qui est visualisé, exprimé ou écrit, et comment cela se rapporte à d’autres objets.

Vous pouvez en savoir plus sur ces informations dans le livre blanc du projet WorkML.ai.

La préparation des métadonnées pourrait cependant s’avérer une tâche difficile.

Par exemple, pour traiter 5 millions d’images et environ 30 à 40 millions d’unités de métadonnées sont nécessaires puisque chaque image comporte plusieurs objets, chacun nécessitant un marquage distinct. Des méthodes d’annotation plus précises comme les polygones améliorent les performances des réseaux de neurones par rapport aux rectangles. La génération de ces métadonnées demande non seulement beaucoup de main-d’œuvre, mais nécessite également des ressources financières importantes. Par exemple, un annotateur individuel peut créer 135 unités par jour, soit 2 835 par mois. Pour 35 millions d’unités de métadonnées, il faudrait à une personne plus d’un millénaire, à une équipe de 100 personnes environ une décennie et à 1 000 personnes environ par an.

Le coût de la création d’une telle quantité de métadonnées peut dépasser 20 millions de dollars !

La solution de WorkML.AI

La solution consiste à créer un pôle d’emploi sur la plateforme WorkML, où des individus du monde entier peuvent suivre des cours d’intégration, devenant ainsi partie intégrante du personnel des annotateurs et des validateurs de données. Cette approche pourrait mobiliser des dizaines, voire des centaines de milliers d’annotateurs pour des tâches d’annotation.

De plus, les entreprises peuvent créer leurs services d’annotation via la plateforme WorkML, en intégrant des annotateurs externalisés dans leurs équipes. Cette stratégie devrait augmenter la qualité et la vitesse de l’annotation de plusieurs ordres de grandeur, tout en réduisant d’environ dix fois les coûts d’annotation.

Le jeton WorkML.AI : WML

De plus, pour optimiser les dépenses et les frais, le projet permet l’utilisation de crypto-monnaies pour les transactions. Il est important de noter que le projet introduit son jeton – WML, qui sera utilisé pour les paiements internes et la rémunération des annotateurs.

Le jeton propose des systèmes de récompense tels que :

• Preuve de participation (PoS) avec des paiements allant de 0,5 % par mois (garanti) jusqu’à 5 % par mois (sur les bénéfices du projet),
• Human’s Proof of Stake (H-PoS) offre un double profit aux annotateurs qui effectuent le travail réel,
• Le mécanisme d’annotation est considéré comme du minage, ou preuve de travail humaine (H-PoW), ce qui signifie que plus le travail est effectué et de qualité, plus la récompense est élevée.
• Récompenses de parrainage à plusieurs niveaux

WorkML.ai remodèle le marché des crypto-monnaies en offrant de véritables avantages à un large éventail de participants, des entreprises et investisseurs aux clients et annotateurs de données. Au lieu de s’appuyer sur des offres spéculatives de jetons, il a développé un modèle de revenus fiable basé sur les frais de service. Cette approche garantit non seulement un afflux financier continu, mais fonde également la valeur du projet sur les avantages réels qu’il apporte. Suivez WorkML.ai sur ses réseaux sociaux :

LinkedIn | Télégramme | Facebook | Instagram | YouTube | Twitter | Sujets