היום אני מדבר עם פרמ רמזאמי ראשו של Data Commons ב-Google פרידמן וצוותו הוציאו לאחרונה את פרוטוקול מודל הקונספט (MCP) Server במקום לבנות את הפרוטוקול הסטנדרטי הבעלים שלהם, Google Data Commons בחרה לבנות על פרוטוקול מודל הקשר הפתוח של Anthropic.אנו הולכים לדבר על MCPs, כלכלה יחידה אמיתית, את האתגרים של נתונים לא מבוססיים והלוקינציות, ומה כל זה אומר לעתיד של בניית עסק באינטרנט. פרמ רמזאמי Data Commons ב-Google פרוטוקול מודל הקונספט (MCP) Server David Smooke: What strategies should AI researchers and builders be leveraging to make AI hallucinate less often? Prem Ramaswami: חוקרים ויוצרים יכולים להקים פלטים של AI במקורות נתונים אמין ומוסמך שבו המודל מתאר את השאילתות אך מחזיר רק מידע שמקורו במסדי נתונים אמין. אנו עוזרים להפוך מקורות נתונים נקיים באופן קוד פתוח, להגביל את תשובות המודל באופן קפדני לנתונים אמין, ולכלול הערכה מתמשכת ותשובות.אנו גם להקל על הגישה לנתונים סמכותיים אלה באמצעות פרוטוקול מודל הקשר (MCP) שפורסם לאחרונה, אשר מספק דרך סטנדרטית לסוכני AI לגלות ולגשת למשאבי הנתונים שלנו.   Data Commons has been around since 2018. Can you walk us through its purpose, traction, and current scale? What does success look like for Data Commons, and how much historical vs. real-time data are we talking about? Data Commons נובע מהעובדה שיש הרבה נתונים ציבוריים חשובים זמינים, אבל זה לא בדיוק שימושי או שימושי.זה קשה למצוא, זה מפוזר, אתה צריך לקרוא 500 עמודים PDF לפני השימוש בו, וזה קשה לעבוד איתו. ארצות הברית, האו"ם, אירוסטט, הבנק העולמי, מה שהופך אותו זמין ושימושי בכל העולם. 1 הקמפיין כיום, אנו משלבים מאות קבוצות נתונים ועשרות אלפי משתנים, ומשרתים מיליארדי נקודות נתונים במגזרים כגון בריאות, כלכלה ויציבות.ההצלחה של Data Commons היא דמוקרטיזציה של גישה לנתונים באיכות גבוהה ובהירים, כך שכולם יוכלו לקבל במהירות תשובות אמינות ולקבל החלטות מודעות.זה חשוב במיוחד בעידן ה-AI. ו → כאן וידאו זה Why does MCP matter? What is Google's strategic approach to MCP? And more specifically, what is the Data Commons strategic approach to MCPs? MCP יוצר דרך פתוחה, סטנדרטית עבור סוכני AI ויישומים לגשת למקורות נתונים.כי מערכות AI הופכות נפוצות יותר, האמינות וההבנה של הפלטים שלהם תלויים כמה טוב הם יכולים להקים את התשובות שלהם בנתונים אמיתיים - ו- Data Commons מספק את הנתונים האמיתיים הללו לטובת MCP. אנו מאמינים כי מערכת אקולוגית פתוחה, שבה ארגונים מרובים תורמים ומקבלים סטנדרטים משותפים, מובילה לאיכות טובה יותר, ליישומים אמין יותר של AI, ויתרונות חברתיים רחבים יותר. יצרנו שרת MPC, מה שהופך את המאגר העצום שלנו של נתונים ציבוריים לגישה קלה למודלים של AI, ושיתוף פעולה עם שותפים כדי להגדיר שיטות טובות.המטרה שלנו היא להעצים מפתחים, ארגונים לא ממשלתיים, עיתונאים, ממשלות וכל מי שזקוק לנתונים אמין, תוך בניית בסיס של אמון ובהירות לדור הבא של כלים מבוססי AI. Why did Google choose to build on Anthropic's open-source MCP standard rather than create its own? What was the internal debate like re an a proprietary vs. open source protocol? And how did  גוגל מחזיקה ב-14 אחוזים באנטרופיק  impact the decision? גוגל מחזיקה ב-14 אחוזים באנטרופיק כקבוצה קטנה שעובדת על מאמץ קוד פתוח, המטרה של Data Commons היא בעיקר להבטיח אינטראקציה רחבה ולהאיץ את הפיתוח של יישומים אמינים, מבוססי נתונים AI. הפורמט והרוב של אונטולוגיה שלנו הוא הרחבה של מוצרים רבים של Google כולל מסדי נתונים בענן של Google כגון BigQuery ומוצרים בתעשייה כבר שילבו עם MCP, מה שהופך אותו לבחירה קלה. נתונים סטטיסטיים MetaExchange (SDMX) תגית: Schema.org What are the unit economics here? How expensive is a query? Is this a free product forever, or are there future plans for a paid tier based on usage? What is to prevent Data Commons from being sunset in the future? Data Commons הוא קוד פתוח, כך שאנו מקווים שקהילה משגשגת של משתמשים ומפתחים תעזור לו לגדול ו- Google הוכיחה מחויבות להצלחה זו. נכון לעכשיו, Data Commons מתמקדת בשיפור הגישה. Data Commons עוזר לספק נתונים לחיפוש ובפרט הוא מחקר פעיל דרכים שונות שאנו יכולים להפוך LLMs אמין יותר ואמין. → אתר DataCommons.org אחד היבטים החכמים של MCP הוא כי המשתמשים שלנו יכולים להשתמש במילים אחרות, LLM של המשתמש הוא מה שמתרגם את שאלת השפה האנושית למגוון של שיחות API ולאחר מכן מתאר את התוצאה בחזרה למשתמש. their own LLM אני צריך לציין, אנחנו קובעים מגבלת על מספר בקשות API ל-Data Commons, אנחנו רוצים לעודד שימוש נרחב, אבל גם רוצים לוודא שאין התעללות או סחיטה טהורה. What techniques does the Data Commons API use to make its data cleaner, more structured and more accessible than the average public data dump? And what general advice do you have for usefully structuring unstructured data? אנו מייבאים נתונים גלם ציבוריים ממאלפי מקורות לאונטולוגיה קנונית אחת - אם עמודה אחת במערכת נתונים אחת אומרת "סוכרת מסוג 2" והעמודה השנייה במערכת נתונים אחרת יש את קוד ה- ICD "E11", אנו יכולים להבין ששניהם מתייחסים לאותו דבר. כל נקודת נתונים מלווה במנת נתונים מפורטים ומקורות, כך שהמשתמשים תמיד יודעים מאיפה מגיעה המידע. What types of verticals and companies do you see using this MCP server to grow their business? And what specific datasets are you most excited to see developers build on, and why? במילים אחרות, אני לא יכול רק להסתכל על קבוצת נתונים אחת ממוסד ממשלתי אחד, אבל צריך לשלב קבוצות נתונים מרובות. דוגמה לכך, קמפיין אחד השיקה לאחרונה את סוכן הנתונים ONE, פלטפורמה אינטראקטיבית לנתונים של מימון בריאות.הכלי החדש מאפשר למשתמשים לחפש במהירות עשרות מיליוני נקודות נתונים של מימון בריאות בשניות, באמצעות שפה פשוטה. אני מתרגש לראות את המפתחים בונים הבנה חדשה על קבוצות נתונים המובילות ל-Data Commons בתחום הבריאות הציבורית, האקלים, הכלכלה, החינוך ומגוון תחומים אחרים. אלה הם קבוצות נתונים בסיסיות, שכאשר הופכות אותם נגישים יותר ויעילות יותר, יכולות להוביל להשפעה בעולם האמיתי – עוזרות לקהילות למדוד את ההתקדמות ולקוות להבין בבירור יותר אילו התערבויות מובילות לתוצאות. How do you define "trustworthy" data in a way that is verifiable and auditable for a developer building an application on top of your platform? עבורנו, נתונים "אמינים" מגיעים מארגונים סמכותיים ומכובדים כגון סוכנויות ממשלתיות, מוסדות אקדמיים וקבוצות החברה האזרחית. עבור מפתחים, זה אומר שתמיד תוכל לעקוב אחר כל מספר או סטטיסטיקה חזרה למקור שלה, לבדוק את ההקשר שבו היא נאספה, ולהבין כל הגבלות.פלטפורמה שלנו מראה את המקור הזה בצורה גלויה באמצעות ה- API, מה שהופך אותו קל לבנות יישומים שלא רק לספק תשובות, אלא גם לספק למשתמשים את ההוכחות ואת מסלול הפיקוח מאחורי כל תוצאה. אנחנו לא מנסים לשפוט על קבוצות נתונים אלה או ערכים ספציפיים.במקום זאת, אנחנו רוצים שההבדלים הפוטנציאליים בנתונים האלה יהיו נראים בקלות יותר. The industry has a problem with AI "hallucinations." Is Google's long-term bet that the future of credible AI will be built on verifiable data layers like Data Commons, rather than on models with ever-larger training sets? אנחנו מוקדמים מאוד בעבודה שלנו עם LLMs. נייר טרנספורמטר של Google שוחרר בשנת 2017! בשלב זה, אני מאמין שהתשובה לשמועות היא לנסות את כל הדברים לעיל. Data Commons מנסה להניח את היציאות בנתונים המאובטחים עם מקור. ההימור שלנו לטווח הארוך הוא שהמערכות האמינות ביותר של AI ישלבו את החוזקות של המודלים האלה עם מקורות נתונים חזקים, שאפשר לבדוק. What's on the Data Commons MCP Server roadmap for next year? Are there specific data sources or capabilities you're planning to add that developers should be excited about? אם היית מבקש ממני לספר לך את מפת הדרכים שלי לפני 9 חודשים, לא הייתי מדבר איתך על MCP! נכון לעכשיו, נתוני Data Commons יש הרבה עומק וכיסוי בארה"ב, אז בהודו, אז במדינות ה- OECD, ולאחר מכן הכיסוי מתכווץ, פער שהצוות עובד כעת באופן אגרסיבי כדי לסגור. לדוגמה, לאחרונה עבדנו כדי להפוך אותו תואם לתבנית ה-Statistical Data Meta Exchange (SDMX) ומקווים להמשיך להגדיל את היכולת של Data Commons לעבוד עם סטנדרטים פתוחים שונים בצורה חלקה יותר. Five years from now, do you think every major AI application will have some kind of structured data layer like Data Commons underneath it, or will we still be building on top of pure language models? ככל שהאינטליגנציה של ה-AI תהיה עמוקה יותר ביישומים החשובים, הצורך במידע אמין ואמין רק יגדל.אם הייתי מניח, אני מצפה שהתעשייה תעבור למערכות היברידיות, בהחלט בטווח הקרוב, שבהם מודלים לשפות מספקים את הממשק וההגיון, אך העובדות והראיות תמיד מגיעות ממקורות נתונים חזקים ומוסמכים. Ten years from now, what aspects of your current job will AI not be able to do? אני, בכנות, פחות מודאג ממה AI יעשה מה שאני עושה היום, ומרגש יותר ממה AI יעשה שאני לעולם לא אהיה מסוגל לעשות. תן לי לתת לך דוגמה. המוחות האנושיים שלנו מאומנים לחשוב בשלושה מימדים. אנחנו לא נהדרים ב-4D. עם זאת, רוב הבעיות ההוליסטיות שדיברנו עליהן בעבר הן בעיות מימדים 30/60/3000. כאשר מתכננים מרחב עירוני, למשל, כל שינוי בציור הרצפה של הבניין זורק צללים באופן שונה, משנה את רשתות הניידות, משנה את היכולת ללכת, משנה את התוצאה הפיננסית ועוד הרבה יותר. אני מקווה בעוד 10 שנים שנוכל לעצב ולהבין מערכות כאלה באופן אמין יותר כדי להבין אילו התערבויות יכולות לשפר את איכות החיים הטובה ביותר עבור כולנו. Tomorrow, what is the most important thing on your calendar? תשובה אישית: ארוחת ערב עם אשתי וילדים, זו גם הסיבה שאני עובד קשה על הבעיות שאני עושה. תשובת עבודה: מפגש הצוות שלנו!תרבות אוכלת אסטרטגיה לארוחת בוקר. אנחנו עובדים בחלל קשה, "נמוך דופמין" שבו זה לא ברור אם הפעולות שלנו היום יזיזו את המחט בעתיד. אני מקבל לתת את הראיון הזה, אבל מאחורי זה צוות נפלא שאני מקבל לעבוד עם מדי יום. ציטוט של טדי רוזוולט על "האיש באצטדיון" נשמע נכון בשבילי כל בוקר. Lastly, if you could fix one thing about how the world treats data, what would it be? לעתים קרובות מדי, נתונים ציבוריים יקרי ערך נסגרים בסילוסים, קשה למצוא, או מוצגים בצורה שעושה אותם בלתי נגישים לכולם מלבד כמה מומחים.אם נעשה נתונים, יחד עם מקורות ברורים, הקשר, התיעוד פתוח וקל לשימוש לכולם, נפתור פוטנציאל עצום חדשנות, אחריות וקבלת החלטות מודעות. למד עוד על רמז רמז ראשו של Data Commons ב-Google → רמז רמז Data Commons ב-Google

This story contains new, firsthand information uncovered by the writer.

This post provides insights into new product. 

Meet a HackerNoon Human About Business Blogging

smooke.eth

Ethereum Name Service

Founder & CEO of HackerNoon

האודיו הזה מופק בשפת המקור של הסיפור!

"אנחנו מוקדמים מאוד בעבודה שלנו עם LLMs", - פרם רמזומי, ראש Data Commons ב- Google

About Author

הערות

תלו תגים

מאמר זה הוצג ב

Related Stories

Fortunate Son From Our Neighborhood

The TechBeat: Python's Testing Playbook: Building Bulletproof Code (1/18/2024)

10 Reasons Why Publishing on HackerNoon Will Skyrocket Your Reach and Impact

ברכות עונות מ-HackerNoon: Boost Stories עם תרגומים, דיבור לטקסט ועוד

Fortunate Son From Our Neighborhood

The TechBeat: Python's Testing Playbook: Building Bulletproof Code (1/18/2024)

10 Reasons Why Publishing on HackerNoon Will Skyrocket Your Reach and Impact

ברכות עונות מ-HackerNoon: Boost Stories עם תרגומים, דיבור לטקסט ועוד

Light-Mode

Classic

Newspaper

Dark-Mode

Neon Noir

Minty

HN StartUps