Введение в сеть Allora

С развитием искусственного интеллекта и больших данных были достигнуты значительные успехи в области доступа к данным и вычислений, это сделало искусственный интеллект способным предоставлять ценную аналитическую информацию. Однако такие системы нуждаются в оромных ресурсах, которые контролируются крупными компаниями и остаются недоступными.

Чтобы раскрыть истинный потенциал искусственного интеллекта, алгоритмы и пользователи должны быть полностью связаны между собой. Технология блокчейн с ее децентрализованным характером и открытым исходным кодом является идеальным решением этой проблемы.

Таким образом Allora — децентрализованая сеть машинного интеллекта, разработанная для демократизации доступа к моделям искусственного интеллекта и вычислениям. Она позволяет нам (пользователям) вносить свой вклад и использовать ресурсы искусственного интеллекта, не полагаясь на централизованные структуры, что способствует сотрудничеству и инновациям в приложениях на базе искусственного интеллекта.
Используя децентрализованную инфраструктуру (т. е. блокчейн), Allora способствует масштабируемости, безопасности и открытому доступу, делая инструменты искусственного интеллекта более доступными в различных отраслях.

Машинный интеллект относится к точности результатов, генерируемых алгоритмами, независимо от того, основаны ли они на машинном обучении (ML), глубоком обучении (DL) или традиционных методах. Это широкое понятие, используемое для описания эффективности этих алгоритмов в получении ценных результатов. В секторе технологий «бизнес-бизнес» (B2B) этот термин также относится к растущему рынку компаний, которые предлагают услуги машинного обучения и искусственного интеллекта, широко известные как MLaaS (машинное обучение как услуга) и AIaaS (искусственный интеллект как услуга).

В данном контексте машинное интеллект представляет собой способность машины учиться на основе данных и проактивно принимать решения. С помощью сбора и анализа различных типов информации машины могут разрабатывать собственные процессы и делать выводы, интегрируя возможности как машинного обучения, так и искусственного интеллекта.

Проблема, которую решает Allora, выходит за рамки простого разрозненного машинного интеллекта; она касается структурных ограничений текущего развития и использования машинного интеллекта. В настоящее время в области машинного интеллекта доминируют гиганты индустрии, которые обладают исключительным контролем над обширными наборами данных, сложными алгоритмами и вычислительными мощностями. Такая концентрация ресурсов создает несколько основных проблем:

• Монополизация ресурсов: крупные компании обладают исключительным контролем над самыми передовыми системами искусственного интеллекта и машинного обучения, что делает практически невозможным для более мелких игроков получить доступ к тому же уровню интеллекта, что приводит к отсутствию конкуренции и инноваций.
• Отсутствие прозрачности и открытости: поскольку эти системы машинного интеллекта изолированы внутри организаций, практически отсутствует прозрачность в отношении того, как работают алгоритмы, как используются данные и как принимаются решения. Такое отсутствие открытости препятствует сотрудничеству между различными организациями, ограничивая развитие машинного интеллекта.
• Барьеры для входа: высокие затраты на приобретение данных, разработку алгоритмов и инвестиции в вычислительную инфраструктуру означают, что участвовать в этом процессе могут только хорошо финансируемые организации. Таким образом, искусственный интеллект становится крайне эксклюзивной областью, создавая значительные барьеры для входа и участия разработчиков, стартапов и небольших компаний.
• Неоптимальные структуры стимулирования: существующие сети вознаграждают участников на основе исторической репутации или других статических факторов, а не динамически корректируют вознаграждения в зависимости от контекста и конкретных выполняемых задач. Таким образом, отсутствие контекстно-зависимого интеллекта ограничивает эффективность этих систем.

Для решения вышеуказанных проблем Allora собрала сильную команду экспертов в области ИИ/МЛ и блокчейна и привлекла в общей сложности 35 миллионов долларов венчурных инвестиций, чтобы вывести свою идею на рынок.

Allora решает проблемы, вызванные изолированностью машинного интеллекта, путем создания децентрализованной сети, которая обеспечивает открытое сотрудничество между поставщиками данных, моделями искусственного интеллекта и конечными пользователями, а также предлагает систему, которая постоянно совершенствуется с течением времени. Ниже мы предлагаем более подробное описание решений Allora.

Сеть Allora функционирует через три основные части:

• Уровень потребления выводов: здесь происходит обмен информацией. Пользователи получают доступ к выводам или «информации», сделанным системой.
• Уровень прогнозирования и синтеза: здесь играют роль два типа работников:

1. Работники по выводам предоставляют первоначальные выводы.

2. Работники по прогнозированию предсказывают точность этих выводов с помощью моделей. Затем система объединяет все результаты для пользователей.

• Уровень консенсуса: эта часть обрабатывает вознаграждения системы и общие операции, обеспечивая бесперебойную и безопасную работу без необходимости получения разрешения.

Ниже вы можете увидеть визуальное представление архитектуры Allora:

Вместо того, чтобы крупные компании контролировали искусственный интеллект в изоляции, Allora использует одноранговую сеть, в которой агенты ИИ генерируют и обмениваются своими прогнозами, называемыми выводами. Открытый доступ делает ИИ более доступным для всех, устраняя контроль, который монополисты отрасли имеют над данными и алгоритмами. Allora позволяет владельцам данных, обработчикам и конечным пользователям беспрепятственно работать вместе, что заполняет пробелы, существующие в традиционном искусственном интеллекте.

Кроме того, Allora создает сеть, в которой агенты искусственного интеллекта, называемые «работниками», генерируют выводы и прогнозы. Затем они оцениваются другими участниками, называемыми «репутаторами», с использованием механизма консенсуса для обеспечения прозрачности, поскольку каждый вывод открыто оценивается сетью. Все вклады видны и оцениваются справедливо, что способствует сотрудничеству между участниками, в отличие от закрытых систем крупных компаний.

В целом, Allora повышает точность, объединяя выводы нескольких участников с помощью контекстно-зависимого прогнозирования, при котором работники прогнозируют точность выводов других. В результате коллективный подход дает более точные результаты, чем индивидуальные модели искусственного интеллекта.

Чтобы стимулировать участие, Allora использует уникальную систему поощрений, которая вознаграждает участников в зависимости от ценности, которую они приносят сети. Работники, которые предоставляют точные выводы или помогают прогнозировать производительность, получают вознаграждение, пропорциональное их вкладу. Репутаторы, которые оценивают качество выводов, также получают вознаграждение в зависимости от правильности своих оценок. Эти вознаграждения гарантируют, что каждый участник мотивирован улучшать сеть, делая ее со временем все более умной и эффективной.

Помимо индивидуальных вознаграждений, Allora вводит «темы» — небольшие подсети, посвященные конкретным проблемам или областям. Эти темы позволяют участникам сотрудничать в рамках определенных правил и сосредоточиться на оптимизации конкретной цели, создавая гибкую структуру, которая удовлетворяет различные потребности.

Такой модульный подход гарантирует, что сеть может решать широкий спектр проблем в зависимости от рассматриваемой темы, что делает систему универсальной и адаптируемой. Работники, которые предоставляют точные выводы или помогают прогнозировать производительность, получают вознаграждение, пропорциональное их вкладу. Репутаторы, которые оценивают качество выводов, также получают вознаграждение в зависимости от правильности своих оценок. Эти вознаграждения гарантируют, что каждый участник мотивирован улучшать сеть, делая ее со временем все более умной и эффективной.

Решение Allora сводится к гармоничному взаимодействию между тремя ключевыми участниками экосистемы: координаторами тем, работниками и репортерами, что позволяет создать самосовершенствующуюся децентрализованную сеть искусственного интеллекта. Ниже мы объясняем связь между этими участниками:

• Координаторы по темам отвечают за определение правил, постановку целей и координацию задач ИИ в рамках сети. Они управляют запросами пользователей, которые ищут аналитическую информацию на основе ИИ, распределяют задачи между работниками, а также отслеживают прогнозы репутаторов, которые оценивают качество результатов.
• Работники отвечают за формирование выводов ИИ (прогнозов или аналитических данных) на основе задач, поставленных координатором темы. Они также прогнозируют эффективность выводов, сформированных другими работниками. Это добавляет уровень проверки путем перекрестной проверки ожидаемого качества результатов с разных точек зрения.
• Reuters оценивает выводы по сравнению с фактическими данными (правильным или наиболее точным результатом). На основе этих оценок они предоставляют обратную связь координатору по теме, обеспечивая постоянное улучшение качества выводов.
  

На высоком уровне вышеуказанные игроки заинтересованы в 4 ключевых шагах:

1. Взаимодействие с пользователем: пользователь отправляет запрос на получение аналитической информации на основе искусственного интеллекта через координатора тем.
2. Назначение задачи: Координатор темы направляет этот запрос работникам, которые формируют выводы. Он также назначает задачи по прогнозированию, в рамках которых работники предсказывают вероятность успеха работы своих коллег.
3. Цикл обратной связи: после того как работники завершают свои выводы, репутаторы оценивают эти выводы, сравнивая их с фактическими данными. Затем они отправляют эти данные с оценками обратно координатору темы.
4. Сетевые выводы: система постоянно корректирует свои прогнозы и совершенствуется на основе выводов, сделанных работниками, и оценок репутаторов, оптимизируя будущую производительность за счет контекстных корректировок.

На приведенной ниже схеме показано взаимодействие между ключевыми игроками:

К настоящему моменту вы уже можете представить себе количество реальных применений Allora, от прогнозирования результатов спортивных соревнований до результатов выборов и тестирования кода перед деплоем. Рассмотрим как это можно применить к прогнозированию климата.

Правительство или исследовательская организация запрашивает аналитические данные о климате, полученные с помощью искусственного интеллекта, например, прогноз погодных условий для определенного региона. Координатор темы устанавливает цели и разбивает задачи по прогнозированию. Эти задачи назначаются работникам, которые используют свои модели искусственного интеллекта для генерации прогнозов, таких как тенденции температуры или уровень осадков. Работники также прогнозируют, насколько точными будут прогнозы других работников, добавляя уровень проверки.

После составления прогнозов Reputers сравнивает их с фактическими данными о погоде (реальными данными) и оценивает степень их точности. Эта обратная связь отправляется координатору темы, который корректирует будущие прогнозы, уточняя модели искусственного интеллекта на основе оценки эффективности.

Благодаря этому коллективному процессу сеть генерирует более точные и уточненные прогнозы погоды, чем те, которые может обеспечить одна система искусственного интеллекта.

Allora сочетает устойчивое машинное обучение с не менее устойчивой экономической моделью, чтобы способствовать долгосрочному и стабильному росту своей экосистемы. С этой целью Allora внедрила бизнес-модель «Плати сколько хочешь» вместе с токеном ALLO. Детальнее токеномику рассмотрим в дальнейших статьях.

Модель «Плати сколько хочешь» (PWYW) в сети Allora Network предлагает держателям токенов свободу определять, сколько они будут платить токенами ALLO за выводы, генерируемые сетью. PWYW создает более инклюзивную и доступную среду, позволяя участникам самостоятельно назначать цену услуги, а не платить фиксированную комиссию.

Кроме того, держатели токенов могут выбрать любую сумму для оплаты, что способствует индивидуальной оценке результатов работы сети. Однако, если участники решат не платить за определенную тему, она будет понижена в приоритете, а ее вес в сети будет уменьшен до нуля, что означает, что работники, занятые в пониженной в приоритете оценке, не получат вознаграждения, а выпуск токенов будет перераспределен на другие, более активные темы.

В целом, структура PWYW способствует здоровой конкуренции между темами и позволяет рынку естественным образом договориться о справедливой цене. Со временем происходит определение цены, поскольку участники определяют ценность различных тем, гарантируя, что только ценные и хорошо поддерживаемые темы продолжают расти.

Токены ALLO являются собственными активами сети Allora Network и используются не только для покупки выводов. Токены ALLO необходимы для создания или участия в обсуждениях, где работники и репутаторы должны оплатить регистрационный взнос в ALLO, чтобы участвовать в конкретных обсуждениях, внося вклад в экосистему сети.

Стейкинг играет важную роль, поскольку репутаторы и валидаторы сети используют токены ALLO для стейкинга, а держатели токенов могут делегировать свою долю этим участникам. Как стейкинг, так и делегирование вознаграждаются, причем вознаграждения распределяются в токенах ALLO между репутаторами, валидаторами и делегирующими держателями токенов.

Награды в ALLO распределяются следующим образом:

• Работники получают вознаграждение в зависимости от качества своих выводов.
• Репутаторы оцениваются на основе точности оценок и доли участия в сети.
• Сетевые валидаторы получают вознаграждение исключительно на основе своей доли в сети.

Следите за нашим блогом, так как мы будем публиковать более техническую статью, в которой более подробно рассмотрим токеномику!

В заключение, Allora Network предлагает децентрализованное решение структурных ограничений централизованных систем машинного интеллекта. Облегчая открытое сотрудничество между поставщиками данных, моделями искусственного интеллекта и пользователями, Allora способствует прозрачности, коллективному интеллекту и индивидуальным стимулам, которые вознаграждают участников в зависимости от их вклада. Его функции, такие как контекстно-зависимые прогнозы и подсети для специализированных задач, обеспечивают постоянное совершенствование и адаптируемость. В сочетании с экономической моделью, основанной на токене ALLO, Allora создает инклюзивную среду, которая позволяет широкому кругу участников вносить свой вклад в развитие машинного интеллекта и извлекать из этого выгоду.