چالش هایی که توسعه دهندگان Web3 هنگام استفاده از چت ربات هایی مانند ChatGPT با آن مواجه می شوند

به گزارش پایگاه خبری ارز دیجیتال موبو ارز،

بنابراین، اگر هنوز از چت بات استفاده نکرده اید، ممکن است زمان آن رسیده باشد که احتمالات را بررسی کنید.

چت بات ها در مشاغل با هر اندازه و صنایع بسیار محبوب هستند زیرا روشی مقرون به صرفه و کارآمد برای بهبود تجربه مشتری و ساده کردن عملیات ارائه می دهند.

آیا می دانستید که بازار چت بات ها در سال ۲۰۱۸ حدود ۴۳۵.۲ میلیون دلار ارزش داشت؟ کارشناسان پیش بینی می کنند که بازار چت بات ها تا سال ۲۰۲۵ به ۲.۳ میلیارد دلار برسد. این معادل نرخ رشد مرکب سالانه (CAGR) 26.9٪ در طول دوره پیش بینی است. دیدن اینکه بازار چت بات چقدر سریع در حال رشد است شگفت انگیز است.

جای تعجب نیست که چت بات ها به طور فزاینده ای در تجارت الکترونیک، بانکداری، امور مالی، مراقبت های بهداشتی، خدمات مشتری و موارد دیگر مورد استفاده قرار می گیرند. استفاده از آن سالانه بیش از ۸ میلیارد دلار در تجارت الکترونیک صرفه جویی کرده و هزینه های خدمات مشتری را تا ۳۰ درصد کاهش داده است.

بنابراین، اگر هنوز از چت بات استفاده نکرده اید، ممکن است زمان آن رسیده باشد که احتمالات را بررسی کنید.

چالش های واقعی استفاده از چت بات هایی مانند ChatGPT

چت ربات هایی مانند ChatGPT نقش پویایی در فضای Web3 ایفا می کنند (با نیازهای محاسباتی توزیع شده ثابت). در این زمینه، درک ارزش استفاده از مدل‌های زبان هوش مصنوعی برای بهبود و ساده‌سازی عملیات توسعه Web3 مهم است.

با این حال، بدون یک مدل آموزشی از پیش تعریف شده Web3، ChatGPT با چالش های مهمی مواجه است. برای مثال، سناریویی را در نظر بگیرید که در آن یک توسعه‌دهنده Web3 به ChatGPT دستوری می‌دهد که نیازمند تبدیل متن به SQL پیچیده است.

چالش ۱: فقدان مدل های آموزشی

ChatGPT با پایگاه داده پروژه توسعه دهنده آشنا نیست و نمی تواند منطق NQL را به پاسخ های SQL ترسیم کند. یک پاسخ SQL نادرست به درخواست توسعه دهنده Web3 برگردانده می شود. این به این دلیل اتفاق می افتد که از سرعت طرحواره پایگاه داده پروژه توسعه دهنده و کلیدهای اولیه و خارجی بی اطلاع است.

دو مجموعه داده اصلی در تبدیل NQL به SQL نقش دارند. یکی WikiSQL (یک مجموعه بزرگ حاشیه نویسی برای ساخت رابط های زبانی) و دیگری Spider (یک مجموعه داده بزرگ تفسیر معنایی و متن به SQL) است.

به جامعه ای بپیوندید که می تواند آینده را تغییر دهد. حلقه نوآوری کوین تلگراف رهبران فناوری بلاک چین را گرد هم می آورد، متصل می کند، همکاری می کند و در معرض دید قرار می دهد. اکنون درخواست دهید

یک ربات چت مانند ChatGPT باید ریتم طرحواره پایگاه داده زیربنایی را درک کند و به طرح جدید عادت کند. امروزه برای رسیدن به این هدف، توسعه دهندگان Web3 کل پایگاه داده خود را در اعلان هایی برای آموزش ChatGPT وارد می کنند. آموزش یک مدل داده از طریق درخواست‌ها به تعداد معینی توکن نیاز دارد که هزینه پردازش پرس و جو ChatGPT را گران می‌کند.

چالش ۲: پردازش پرس و جوها پرهزینه است

چالش مهم دیگر، محاسبه هزینه آخرین نسخه ChatGPT، GPT 4 است. ChatGPT به ازای هر ۳-۴ کلمه ای که یک توسعه دهنده در ازای SQL در یک درخواست متنی قرار می دهد، توکن ها را شارژ می کند.

بنابراین، با در نظر گرفتن اندازه یک پایگاه داده کامل پروژه Web3، توسعه یک برنامه کاربردی کاملاً کاربردی می تواند بیش از ۱۰۰۰ توکن هزینه داشته باشد (گاهی اوقات تا ۸۱۹۲-۳۲۷۶۸ توکن).

همانطور که جولیان، یکی از بنیانگذاران موبولا (تجمع کننده رمزنگاری) گفت، ChatGPT ابزاری انقلابی برای ایجاد تحول در وب ۳ است. با این حال، هیچ امکان فنی برای ساخت و رشد یک پروژه Web3 خاص وجود ندارد.

اقدامات ممکن برای کاهش این چالش ها

ساختن مدل‌های بزرگ زبانی که قبلاً آموزش دیده‌اند و می‌توانند متن را به SQL تبدیل کنند، چیزی است که توسعه‌دهندگان هوش مصنوعی باید به آن توجه زیادی داشته باشند.

از نظر عملی، ساخت یک مدل از پیش آموزش دیده هنوز یک گام مهم در اختراع ربات چت است. در عوض، چت بات ها باید آموزش ببینند که چگونه از پایگاه داده پروژه و هوش تجاری (BI) برای تکامل خود استفاده کنند. این آموزش به چت بات کمک می کند تا آهنگ طرحواره های پایگاه داده را درک کند و سرعت نوشتن کد Web3 را افزایش دهد.

چت ربات هایی مانند ChatGPT می توانند هزینه هر توکن را در صورت تراز و پیوند با ساختار پایگاه داده پروژه Web3، کلیدهای اولیه، کلیدهای خارجی و آهنگ طرحواره کاهش دهند.

از وارد کردن مکرر کدهای پایگاه داده و طرحواره و پرداخت توکن در هر ۳-۴ کلمه خودداری کنید. در عوض، از هزینه توکن جمع‌آوری شده برای تأمین مالی آموزش یکباره چت بات برای توسعه Web3 استفاده کنید.

پینوشت

چت ربات هایی مانند ChatGPT به عنوان یک پلت فرم ضروری برای توسعه dApp با فناوری های در حال تکامل Web3 ظهور کرده اند. با این حال، توسعه دهندگان در هنگام ادغام چت بات ها در این سیستم ها با موانع متعددی روبرو هستند.

با ارتقای معماری ChatGPT، می‌توانیم توانایی مدل را در تشخیص و تولید الگوهای کد Web3 و dApp مناسب نشان دهیم. همچنین از زبان های برنامه نویسی چند زبانه برای توسعه dApp پشتیبانی می کند.

بنابراین، با حل مشکلات عملی ChatGPT، می‌توانیم مدل‌های هوش مصنوعی مولد یکپارچه و سازگار بسازیم که فرصت‌های جدیدی را برای پیشرفت‌های آتی dApp و Web3 باز می‌کند.

وینیتا راثی بنیانگذار و مدیر عامل Systango است که در وب ۳، داده و بلاک چین تخصص دارد.

این مقاله از طریق حلقه نوآوری Cointelegraph منتشر شده است، یک سازمان مورد تایید مدیران ارشد و کارشناسان در صنعت فناوری بلاک چین که آینده را از طریق قدرت ارتباط، همکاری و رهبری فکری می سازد. نظرات بیان شده لزوما منعکس کننده نظرات Cointelegraph نیست.

درباره حلقه نوآوری Cointelegraph بیشتر بدانید و ببینید آیا واجد شرایط هستید یا خیر

نویسنده: Vinita Rathi