알로라는 다른 탈중앙화 AI 네트워크와 무엇이 다를까?
Allora는 인류 문명을 향상시키기 위해 모든 추론을 능가하는 독창적이고 실현 가능한 인사이트를 제공하는 것을 목표로 시작되었습니다. Allora 네트워크는 모든 사람이 데이터나 알고리즘을 통해 기여할 수 있으며 개방적이고 투명한 Machine Intelligience를 구현하고자합니다.
Allora는 두 가지 핵심 메커니즘을 통해 위 목표를 달성합니다.
✳️ 상황 인지(Context-Awareness): Context의 세부적인 디테일에 따라 네트워크 선택이 달라질 수 있음을 인지하고, 이를 식별하기 위해 기계 지능이 필요할 수 있습니다.
✳️ 차별화된 인센티브: 네트워크 內 다양한 역할에 따라 최적의 추론 성능과 공정한 보상체계를 보장하기 위해 차별화된 인센티브 구조가 필요합니다.
이 두 가지 요소를 좀 더 자세히 살펴보겠습니다.
What Makes Allora Context-Aware?
Allora의 ‘상황 인식’은 특정한 조건에서 참여자들이 서로의 성과를 예측하고 이에 따른 네트워크가 보상을 제공함으로써 작동됩니다. 많은 네트워크에서 Worker 노드는 추론만 제공할 뿐 다른 기능은 제공하지 않습니다.
Allora에서 Worker 노드는 두 가지 아웃풋을 제공할 수 있습니다:
- 추론(Inference)
- 각자의 추론에 대한 정확도 예측
즉, 네트워크는 Worker노드가 서로의 Forecast 성능에 대한 의견을 제시하면 보상을 받는 논리로 작동합니다. 이는 forecast-implied meta-inference이라고 불리는 방식으로 작동하며 이것이 바로 Allora 네트워크에서 ‘상황인식’을 만드는 핵심 메커니즘입니다.
예를 들어, Allora의 특정 기계학습 목표인 ‘주제’(하위 네트워크와 유사)가 BTC 가격을 예측하는 것이라면, 다른 작업자들은 미국 주식 시장이 마감할 때 개별 모델의 성능이 저하된다는 사실을 인지하고 이에 대해 의견을 나눌 수 있습니다.
How Allora’s Inference Synthesis Process Works
다른 탈중앙화 AI 네트워크 작업자들과 마찬가지로, 알로라의 작업자들은 자신의 추론을 네트워크에 제공합니다. 작업자는 특정 주제 내에서 다른 참여자의 추론의 정확도를 예측하는 작업에 대한 추가적인 책임이 있다는 점이 Allora의 차별점입니다. 이러한 이중 Layer의 기여는 네트워크의 인텔리전스를 크게 강화합니다.
추론과 예측된 손실을 하나의 추론으로 압축하는 전체 프로세스를 우리는 추론 합성(Inference Synthesis)이라고 합니다. 추론 합성의 메커니즘은 다음과 같습니다:
- 작업자가 손실 예측 제공 — 작업자는 같은 주제에 대해 동료가 제출한 모델의 잠재적 손실(또는 부정확성)을 추정합니다.
- 이러한 예측에 따른 네트워크 가중치 — 네트워크는 이러한 예측된 손실을 평가하여 예상 정확도에 따라 작업자의 추론에 가중치를 적용합니다. 예상 손실이 낮을수록 정확도가 높아져 가중치가 높아지고, 예상 손실이 높을수록 정확도가 낮아져 가중치가 낮아집니다.
- 주제는 모델 기여도를 최적화합니다. 주제는 단순히 예상 손실이 가장 낮은 모델을 선호하지 않습니다. 대신, 각 주제는 다양한 기여도(예: 한 작업자의 모델에서 80%, 다른 작업자의 모델에서 20%)의 요소를 지능적으로 결합하여 하나의 강력한 예측 내포 메타 추론(forecast-implied meta-inference)을 만들어냅니다.
- 네트워크가 모든 추론을 결합 — 예측에 따른 추론은 과거 실적을 고려하여 다른 모든 추론과 결합하여 주제 전반에 걸친 포괄적인 메타 추론을 공식화합니다. 이 방법을 사용하면 네트워크가 가장 효과적인 추론을 활용하므로 네트워크의 개별 모델을 항상 능가하는 결과를 얻을 수 있습니다.
How Allora’s Differentiated Incentive Structure Works
알로라 네트워크에서는 진실을 돈으로 살 수 없습니다. 하지만 실체적 진실에 대해 보고하면 보상을 받을 수 있고, 또 받아야 합니다. 추론에 할당된 보상은 네트워크에서 작업자의 지분에 대한 보상이 아니라 진실에 대한 보상 수단이어야 합니다.
그러나 네트워크에 경제적 보안이 있어야 하기 때문에 신고자는 여전히 지분을 가지고 있습니다. 이 지분은 특별한 통찰력이 필요하지 않은 기초 진실을 결정하는 데 사용되며, 이는 단순히 리포터가 정직하게 정보를 전달하도록 장려하는 오라클 문제를 해결합니다.
이러한 정신은 알로라 네트워크에서 기여를 평가하고 보상하는 방식을 형성합니다. 네트워크 참여자들은 알로라에서 각기 다른 역할을 맡기 때문에 서로 다른 인센티브 구조를 통해 보상을 받습니다:
워커 — 네트워크에 AI 기반 추론을 제공합니다. 워커가 토픽 내에서 생성하는 추론에는 두 가지 종류가 있습니다. 첫 번째는 네트워크 토픽이 생성하는 대상 변수를 의미하고, 두 번째는 다른 워커가 생성한 추론의 예상 손실을 의미합니다. 이러한 예측 손실은 현재 조건에서 워커의 정확도에 대한 인사이트를 제공하기 때문에 네트워크가 컨텍스트를 인식하는 기본 요소입니다. 네트워크는 각 작업자에 대해 이러한 예측 손실을 사용하여 모든 작업자의 원래 추론을 결합하는 예측 내포 메타 추론을 생성합니다. 워커는 두 가지 유형의 추론 중 하나 또는 모두를 제공하도록 선택할 수 있으며, 자체 추론과 예측 내재 추론 모두에서 네트워크 정확도에 대한 고유 기여도에 비례하는 보상을 받습니다.
리포터 — 리포터는 작업자가 제공한 추론 및 예측 내포 추론의 품질을 평가합니다. 이 평가는 추론과 근거 자료가 확보되면 이를 비교하는 방식으로 이루어집니다. 리포터는 자신의 지분과 자신의 평가와 다른 리포터들의 평가 간의 일치도에 비례하여 보상을 받습니다.
이렇게 작업자와 리포터 간의 차별화된 인센티브 구조 덕분에 네트워크는 정확도와 무관한 요소로 인해 가중치가 희석되지 않고 네트워크 참여자들이 생성한 추론을 최적으로 결합합니다. 이는 각 추론의 과거 및 맥락에 따른 정확도를 모두 인정하고 보상함으로써 달성됩니다.
Allora의 집단 지성은 네트워크에 기여하는 모든 개인보다 항상 더 뛰어난 성능을 발휘합니다.
Allora를 만들 때의 원래 목표는 전 세계의 지능을 상품화하는 것이었습니다. 문맥 인식 추론의 혁신과 차별화된 인센티브 구조는 이러한 사명을 실현하는 데 있어 두 가지 주요 과제를 해결합니다.
