Un nou proiect pentru accesibilitatea inteligenței artificiale
Wikimedia Deutschland a anunțat un nou proiect, denumit Wikidata Embedding Project, care va facilita accesul inteligenței artificiale la informațiile din Wikipedia. Această bază de date utilizează o căutare semantică bazată pe vectori, o tehnică care ajută computerele să înțeleagă semnificația și relațiile dintre cuvinte, aplicată la cele aproape 120 de milioane de intrări existente pe Wikipedia și platformele sale asociate.
Îmbunătățiri semnificative în căutarea datelor
Proiectul include și suport pentru Model Context Protocol (MCP), un standard care ajută sistemele AI să comunice cu sursele de date, facilitând astfel accesul la interogări în limbaj natural din partea modelelor de tip LLM. Deși Wikidata a oferit date lizibile de către mașini de ani de zile, instrumentele anterioare permiteau doar căutări prin cuvinte cheie și interogări SPARQL, un limbaj de interogare specializat. Noua soluție va funcționa mai bine cu sistemele de generare augmentată prin recuperare (RAG), permițând modelelor AI să integreze informații externe, oferind dezvoltatorilor oportunitatea de a-și baza modelele pe cunoștințe verificate de editorii Wikipedia.
Structura și accesibilitatea bazei de date
Baza de date este structurată pentru a oferi context semantic crucial. De exemplu, interogarea pentru cuvântul „scientist” va genera liste cu oameni de știință proeminenți, traduceri în diferite limbi și imagini aprobate de Wikimedia. Aceasta va ajuta la înțelegerea relațiilor dintre concepte, cum ar fi „cercetător” și „învățat”. Baza de date este accesibilă publicului pe Toolforge, iar Wikidata va organiza un webinar pentru dezvoltatori pe 9 octombrie.
Importanța datelor de calitate pentru dezvoltarea AI
Pe măsură ce dezvoltatorii AI caută surse de date de înaltă calitate pentru a-și rafina modelele, nevoia de date fiabile devine urgentă, în special pentru aplicațiile care necesită o mare precizie. Deși Wikipedia este adesea subestimată, datele sale sunt semnificativ mai orientate spre fapte decât seturile de date mai generale, precum Common Crawl, care este o colecție masivă de pagini web extrase de pe internet.
Independența față de giganții tehnologici
Philippe Saadé, managerul proiectului Wikidata AI, a subliniat independența proiectului față de marile laboratoare AI sau companiile tehnologice. „Lansarea acestui proiect de încorporare arată că AI puternică nu trebuie să fie controlată de câteva companii mari. Poate fi deschisă, colaborativă și construită pentru a servi tuturor,” a declarat Saadé.
Concluzie
Wikidata Embedding Project reprezintă un pas important în democratizarea accesului la informațiile din Wikipedia pentru modelele de inteligență artificială, promovând un mediu de dezvoltare deschis și colaborativ.
