Idag pratar jag med Prem Ramaswami Huvudet av Data Commons på Google Prem och hans team lanserade nyligen Data Commons modellkontextprotokoll (MCP) Server I stället för att bygga sin egen proprietära standardprotokoll, valde Google Data Commons att bygga på Anthropics öppen källkod Model Context Protocol. Vi kommer att prata om MCP: er, verklig enhetsekonomi, utmaningarna med omstrukturerade data och hallucinationer, och vad allt detta betyder för framtiden för att bygga en internetverksamhet. Prem Ramaswami Data Commons på Google Data Commons modellkontextprotokoll (MCP) Server David Smooke: What strategies should AI researchers and builders be leveraging to make AI hallucinate less often? Prem Ramaswami: Forskare och byggare kan grunda AI-utgångar i betrodda, auktoritativa datakällor där modellen tolkar frågor men bara returnerar information som kommer från tillförlitliga databaser. Vi hjälper till att göra datakällor transparenta på ett öppet sätt, begränsa modellsvar strikt till tillförlitliga data och integrera kontinuerlig utvärdering och feedback.Vi effektiviserar också tillgången till dessa auktoritativa data via vår nyligen släppta Model Context Protocol (MCP) Server, som ger ett standardiserat sätt för AI-agenter att upptäcka och komma åt våra datakällor.   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 härstammar från det faktum att det finns många viktiga offentliga data tillgängliga, men det är inte exakt användbart eller användbart. Det är svårt att hitta, det är spridda, du behöver läsa en 500-sidig PDF innan du använder den, och det är svårt att arbeta med. Vi gör det enklare. Data Commons organiserar och förenar världens offentligt tillgängliga data från betrodda källor som , den amerikanska folkräkningsbyrån, FN, Eurostat och Världsbanken, vilket gör det både universellt tillgängligt och användbart. Den ena kampanjen Idag integrerar vi hundratals dataset och tiotusentals variabler och betjänar miljarder datapunkter över sektorer som hälsa, ekonomi och hållbarhet. Framgången för Data Commons är att demokratisera tillgången till högkvalitativa, transparenta data så att vem som helst snabbt kan få tillförlitliga svar och fatta välgrundade beslut. och och . här Denna video 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 skapar ett öppet, standardiserat sätt för AI-agenter och applikationer att komma åt datakällor.När AI-system blir mer utbredda beror tillförlitligheten och öppenheten i deras utgångar på hur väl de kan grunda sina svar i riktiga data - och Data Commons levererar den riktiga data med fördel av MCP. Istället för att behöva veta ins och outs av vår API, eller vår datamodell, kan du använda LLM: s "intelligens" för att hjälpa till att interagera med data i rätt ögonblick. Vi tror att ett öppet ekosystem, där flera organisationer bidrar och antar gemensamma standarder, leder till bättre kvalitet, mer tillförlitliga AI-applikationer och bredare samhällsnytta. Vi har byggt en MPC-server, vilket gör vårt stora arkiv av offentliga data lättillgängligt för AI-modeller och samarbetar med partners för att fastställa bästa praxis.Vårt mål är att ge utvecklare, icke-statliga organisationer, journalister, regeringar och alla som behöver tillförlitliga data, samtidigt som vi bygger en grund för förtroende och transparens i nästa generation av AI-drivna verktyg. 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  Google äger 14 procent av Anthropic  impact the decision? Google äger 14 procent av Anthropic Som ett litet team som arbetar med en öppen källkodsinsats är Data Commons mål främst att säkerställa bred interoperabilitet och påskynda utvecklingen av tillförlitliga, data-baserade AI-applikationer. form och det mesta av vår ontologi är en förlängning av Många Google-produkter inklusive Google Cloud-databaser som BigQuery och branschprodukter har redan integrerats med MCP, vilket gör det till ett enkelt val. Metatrader för statistisk datautbyte (SDMX) Om 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 är öppen källkod så vi hoppas att en blomstrande gemenskap av användare och utvecklare hjälper till att växa och Google har visat engagemang för den framgången. För närvarande är Data Commons inriktad på att maximera tillgången. Data Commons hjälper till att tillhandahålla data till Sök och separat är aktivt forskar olika sätt vi kan göra LLMs mer tillförlitliga och tillförlitliga. och . Om DataCommons.org En av de smarta aspekterna av MCP är att våra användare kan använda Med andra ord är användarens LLM det som översätter den mänskliga språkfrågan till en uppsättning API-samtal och tolkar sedan resultatet tillbaka till användaren. their own LLM Jag bör notera, vi sätter ett tak på antalet API-förfrågningar till Data Commons, vi vill uppmuntra bred användning, men vill också se till att det inte finns missbruk eller ren skrapning. 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? Vi importerar rå offentliga data från tusentals källor till en enda, kanonisk ontologi - om en kolumn i en datasats säger "Typ 2-diabetes" och den andra kolumnen i en annan datasats har ICD-koden "E11" kan vi förstå att de båda hänvisar till samma sak. Varje datapunkt åtföljs av detaljerade metadata och ursprung, så att användarna alltid vet var informationen kommer ifrån. 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? Många av världens pressande utmaningar är holistiska problem, med andra ord kan jag inte bara titta på en datasats från en enda myndighet utan behöver kombinera flera datasatser. Som ett exempel på detta lanserade One Campaign nyligen ONE Data Agent, en interaktiv plattform för hälsofinansieringsdata. Detta nya verktyg gör det möjligt för användare att snabbt söka igenom tiotals miljoner hälsofinansieringsdatapunkter på sekunder, med hjälp av enkelt språk. Jag är glad över att se utvecklare bygga ny förståelse för datasatser som importeras till Data Commons inom folkhälsa, klimat, ekonomi, utbildning och många andra områden. Dessa är grundläggande datasatser som, när de görs mer tillgängliga och handlingsbara, kan driva verkliga effekter – vilket hjälper samhällen att mäta framsteg och förhoppningsvis tydligare förstå vilka interventioner som leder till vilka resultat. Det kan hjälpa oss att uppnå hållbarhetsmål, upptäcka ekonomiska förändringar tidigt eller överbelasta förespråkande organisationer. 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? För oss kommer ”tillförlitliga” data från auktoritativa och ansedda organisationer som myndigheter, akademiska institutioner och civilsamhällsgrupper.Varje datapunkt på vår plattform åtföljs av detaljerade metadata, inklusive dess ursprungliga källa. För utvecklare betyder det att du alltid kan spåra ett tal eller statistik tillbaka till dess ursprung, granska det sammanhang där det samlades in och förstå eventuella begränsningar.Vår plattform övervakar denna härkomst transparent genom API, vilket gör det enkelt att bygga applikationer som inte bara levererar svar, utan också ger användare med bevis och granskning spår bakom varje resultat. Vi försöker inte bedöma dessa datamängder eller specifika värden. Istället vill vi att potentiella meningsskiljaktigheter i dessa data ska vara mer synliga. 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? Vi är mycket tidigt i vårt arbete med LLMs. Googles transformatorpapper släpptes 2017! För närvarande tror jag att svaret på hallucinationer är att prova allt ovan. Data Commons försöker grunda utgångar i verifierbara data med ursprung. Vår långsiktiga satsning är att de mest tillförlitliga AI-systemen kommer att kombinera styrkorna i dessa modeller med robusta, granskningsbara datakällor. 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? Om du bad mig berätta min färdplan för 9 månader sedan, skulle jag inte ha pratat med dig om MCP! Utvecklings- och förändringsgraden just nu i AI-rymden är yrsel. För närvarande Data Commons data har mycket djup och täckning i USA, sedan Indien, sedan OECD-länder, och sedan täckningen tunna ut, ett gap teamet arbetar nu aggressivt för att stänga. Till exempel har vi nyligen arbetat för att göra det kompatibelt med formatet Statistical Data Meta Exchange (SDMX) och hoppas fortsätta att öka förmågan hos Data Commons att arbeta med olika öppna standarder mer sömlöst. 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? När AI blir djupare integrerad i applikationer som spelar roll kommer behovet av tillförlitlig och tillförlitlig information bara att växa.Om jag skulle gissa, förväntar jag mig att branschen kommer att flytta mot hybridsystem, definitivt på kort sikt, där språkmodeller ger gränssnittet och resonemanget, men fakta och bevis kommer alltid från robusta, auktoritativa datakällor. Ten years from now, what aspects of your current job will AI not be able to do? Jag är ärligt talat mindre orolig för vad AI kommer att göra som jag gör idag och mer upphetsad över vad AI kommer att göra som jag aldrig skulle kunna. Låt mig ge dig ett exempel. Våra mänskliga sinnen är utbildade för att tänka i tre dimensioner. Vi är inte bra på 4D. Men de flesta av de holistiska problemen vi pratade om tidigare är 30/60/3000-dimensionella problem. När man utformar ett urbant utrymme till exempel, kastar varje förändring i byggnadens golvtryck skuggor annorlunda, ändrar mobilitetsnätverk, ändrar gångbarhet, ändrar det finansiella resultatet och mycket mer. Jag hoppas att vi om 10 år kan modellera och förstå sådana system på ett mer tillförlitligt sätt för att förstå vilka ingrepp som kan ha den bästa livskvaliteten förbättringar för oss alla. Tomorrow, what is the most important thing on your calendar? Personligt svar: Middag med min fru och barn. Det är också därför jag jobbar hårt på de problem jag gör. Arbets svar: Vårt team möte! kultur äter strategi till frukost. Vi arbetar i ett svårt, "låg dopamin" utrymme där det är oklart om våra handlingar idag kommer att flytta nålen i framtiden. jag får ge denna intervju, men bakom mig är ett underbart team som jag får att arbeta med dagligen. Teddy Roosevelt citat om "mannen i arenan" låter sant för mig varje morgon. "Om han misslyckas, åtminstone misslyckas medan vågar mycket." Lastly, if you could fix one thing about how the world treats data, what would it be? Alltför ofta är värdefulla offentliga data låsta i silos, svåra att hitta, eller presenteras på sätt som gör det otillgängligt för alla utom några få experter. Om vi gjorde data, tillsammans med tydlig källa, sammanhang och dokumentation öppen och lättanvänd för alla, skulle vi låsa upp en enorm potential för innovation, ansvarsskyldighet och informerat beslutsfattande. Lär dig mer om Prem Ramaswami Det är huvudet av Data Commons på Google och . Prem Ramaswami Data Commons på 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

Det här ljudet är producerat på berättelsens originalspråk!

"Vi är mycket tidigt i vårt arbete med LLMs", - Prem Ramaswami, chef för Data Commons på Google

About Author

KOMMENTARER

HÄNG TAGGAR

DENNA ARTIKEL PRESENTERAS I

Related Stories

Light-Mode

Classic

Newspaper

Dark-Mode

Neon Noir

Minty

HN StartUps