ما به یک عامل هوش مصنوعی به مراتب دقیق‌تر می‌رسیم: مدیرعامل Theta Labs درباره ClutchBot تیم راکت‌ها

بوستون راکتز اوایل این هفته از "ClutchBot" رونمایی کرد که یک ماسکوت ساخته شده با هوش مصنوعی نسل‌زا است و بخشی از همکاری با Theta Labs می‌باشد.

این همکاری نخستین استفاده NBA از هوش مصنوعی برای ارتقاء تعامل با طرفداران است. پروژه قصد دارد نحوه دنبال کردن تیم توسط طرفداران را از طریق به‌روز رسانی‌های آنی، آمار و اطلاعات بلیت‌فروشی از طریق وب‌سایت و اپلیکیشن راکتز تغییر دهد.

این پلتفرم هوش مصنوعی بر اساس زیرساخت غیرمتمرکز EdgeCloud شرکت Theta Labs ساخته شده است. این پلتفرم از جدیدترین تکنولوژی‌های هوش مصنوعی استفاده می‌کند تا حمایت‌های شخصی‌سازی شده و همیشه در دسترس برای سوالات طرفداران ارائه دهد.

این سیستم به‌طور خاص بر روی داده‌های راکتز و NBA آموزش دیده است تا بتواند پاسخ‌های دقیقی برای سوالات پایه‌ای مانند "بازی بعدی کی است؟" تا آمار تاریخی عملکرد و جزئیات ترکیب‌ها ارائه دهد.

همان‌طور که دست‌های داغ Jalen Green سری را علیه Golden State Warriors متوقف کرد، راکتز تنها به پرتاب سه‌امتیازی‌ها اکتفا نمی‌کند، آنها به آینده پرتاب می‌کنند.

با تکیه بر بلاک‌چین Layer-1 Theta و شبکه GPU غیرمتمرکز، ClutchBot تعاملات سریع و امنیتی را با پشتیبانی بیش از 80 PetaFLOPS قدرت محاسباتی ارائه می‌دهد. با مدل‌های پیشرفته NLP، APIهای یکپارچه و تنظیم دقیق پویا، ClutchBot استاندارد جدیدی برای سرگرمی ورزشی تعاملی ایجاد می‌کند.

در زیر سوالات و پاسخ‌های ما با میچ لیو، مدیرعامل Theta Labs آورده شده است.

crypto.news: چه قابلیت‌های پردازش زبان طبیعی به ClutchBot این امکان را می‌دهد که سوالات ظریف طرفداران مانند آمار تاریخی یا مقایسه بازیکنان را درک کند؟

میچ لیو: ClutchBot از تکنیک‌های پیشرفته NLP استفاده می‌کند، از جمله جریان‌های کاری هوش مصنوعی و تنظیم دقیق LLM بر روی داده‌های آنی و خاص. این به آن امکان می‌دهد تا قصد پشت سوالات کاربران را تفسیر کرده، داده‌های مرتبط را بازیابی کرده و پاسخ‌های منسجمی را به‌دقت و به سرعت تولید کند.

CN: چه چالش‌هایی در افزودن داده‌های API به پایگاه داده مخصوص راکتز برای ClutchBot با آن مواجه شدید؟ با چه نوع چالش‌های دیگری روبرو بودید؟

ML: یکپارچه‌سازی داده‌های API از منابع داده مخصوص راکتز چالش‌های متعددی را به وجود آورد. به عنوان مثال، ما مجبور بودیم یک سیستم تجمیع داده قوی بسازیم تا داده‌های آنی را از APIs مختلف یکپارچه و سازگار کنیم، که داده‌ها را در فرمت‌های مختلف برمی‌گرداند و شامل اطلاعات ناسازگار بود. همچنین باید تا حد امکان حالت‌های غیرواقعی را کاهش می‌دادیم، به‌ویژه با اطلاعات مهمی درباره بازی، تیم و بازیکنان. ما تکنیک‌های پیشرفته مهندسی پروح جنریشی و چارچوب تنظیم دقیق مداوم مدل را پیاده‌سازی کردیم که به سرعت اطلاعات جدید را به روز می‌کند.

CN: نقش EdgeCloud Theta در پشتیبانی از ClutchBot چه بود؟ چرا از EdgeCloud استفاده می‌کنید؟ چرا از انتخاب‌های محاسبات مرکزی مانند AWS یا Azure استفاده نمی‌کنید؟

ML: EdgeCloud را به عنوان یک نرم‌افزار هوشمند برای ارزیابی کارایی می‌توانید تصور کنید که می‌تواند وظایف خاص AI را به گزینه‌های بهینه و کم‌هزینه هدایت کند. گاهی اوقات لازم نیست که از GPU‌های A100 یا H100 برای رسیدگی به درخواستی که یک GPU تجاری Nvidia 3090/4090 می‌تواند مدیریت کند، استفاده کنید، که توسط ذینفعان جامعه Theta ما اجرا می‌شود. آنها با توکن‌های TFUEL پاداش گرفته و بر روی بلاک‌چین Theta اجرا می‌شوند، و شرکای ما از انعطاف‌پذیری و مقیاس‌پذیری در زمان اوج بهره می‌برند که در سرگرمی ورزشی زنده بسیار حیاتی است.

CN: چگونه قصد دارید از کاربران/طرفداران بازخورد جمع‌آوری کنید تا ClutchBot بهبود یابد و مشکلات بعد از راه‌اندازی را برطرف کند، به‌ویژه در طول فصل NBA 2025–26؟

ML: فرآیند تنظیم و بهبود هوش مصنوعی به طور مداوم در پس‌زمینه و از طریق بازخورد مستقیم کاربران از طریق توکن‌های مشارکت انگیزشی انجام می‌شود. با گسترش تعداد شرکای ورزشی، ما شروع به بهره‌برداری از بهبود در رفع مسائل می‌کنیم، زیرا یک اصلاح می‌تواند به نفع همه شرکا باشد. در نهایت، ما به یک عامل هوش مصنوعی مکالمه‌ای دقیق‌تر و جذاب‌تر خواهیم رسید.