Allora의 집단 지능 네트워크가 진화 생물학의 원리를 어떻게 반영하는가(번역문)
Author : Diederik Kruijsse
TL;DR : 본 글은 Allora Medium에 게시되어있는 “How Allora’s Collective Intelligence Network Echoes the Principles of Evolutionary Biology에 대한 번역문입니다. ” 원문을 확인하시려면 해당 링크를 참고해주세요
세대를 거듭할수록, 지구상 생명의 출현은 새로운 기술 개발을 촉진해왔습니다. Allora Network도 예외는 아닙니다. 알로라 네트워크의 설계와 메커니즘은 진화 생물학에서도 상당한 영감을 받았습니다. 결과적으로, Allora의 설계는 자연 선택과 진화 적합도를 설명하는 수학적 방정식과 매우 유사한 방식을 지니고 있습니다.
생물들이 적자생존을 통해 환경에 적응하는 것처럼, Allora는 추론 합성 메커니즘(Inference Synthesis mechanism)을 통해 환경에 적응하고 시간이 지남에 따라 네트워크 전체의 추론 수준을 개선합니다. 이 프로세스는 추론과 context-aware forecasts(상황인식 예측)를 조합을 최적화하여 최고의 네트워크 정확도를 만들고자합니다. 시간이 지남에 따라 추론 결과와 실제 자료를 비교하여 마치 다윈의 ‘자연 선택설’이 집단 적합성을 최적화하는 방식과 유사하게 네트워크가 어떤 네트워크 참가자에게 더 많은 가중치를 부여할 지에 대해서 학습할 수 있습니다.
네트워크 지능에 기여하는 많은 독립 에이전트들은 Allora의 탈중앙화된 특성을 비롯해 진화 생물학과 마찬가지로 ‘유전적 다양성’을 중요하게 생각합니다. 이러한 유전적 다양성은 환경적 변화에 더욱 기민하게 반응하며, 이는 Allora의 다양한 Worker Inference와 예측을 바탕으로 다양한 방면에서 네트워크 추론을 개선하는 데 도움을 줍니다.
Machine Fitness
Allora에서 Loss(모델의 성능을 나타내는)와 Regret(개별 모델에 비해 네트워크의 성능이 떨어지는 것을 나타내는)의 개념은 네트워크 추론 구성에서 개별 모델의 영향력을 결정하는 데 사용됩니다. 따라서 이러한 수치는 진화적 적합성, 즉 개체의 번식 성공률과 유사합니다.
진화 생물학에서 “Price equation(가격 방정식)”은 생물학에서 나타나는 형질변화의 빈도가 현재 빈도와 ‘진화적 적응도 함수’로서 시간에 따라 어떻게 변화하는지를 나타냅니다. 구체적으로, 이 방정식은 빈도의 변화를 현재 빈도의 적응도, 즉 전체 모집단의 적응도에 대한 적응성 사이의 공분산(또는 상관관계 정도)과 동일합니다. 공분산이 양수이면 특성의 적응도가 증가하므로 해당 특성이 발생할 확률이 증가한다는 뜻입니다. 음의 공분산은 특성이 적합성을 감소시키므로 그 빈도가 감소한다는 것을 의미합니다.
Allora의 추론 합성 메커니즘은 작업자가 서로의 손실을 예측하는 데 의존하며(라이트페이퍼의 방정식 2 참조), 이는 집단에서 다양한 전략이나 특성의 적합성을 평가하는 것과 유사합니다. 적합성이 높은 개체일수록 다음 세대에 기여할 가능성이 높습니다. 마찬가지로, 알로라에서는 예측 손실(forecasted losses)이 낮을수록 네트워크 추론에 더 큰 영향을 미칩니다.
라이트페이퍼의 방정식 3–7을 참고해주세요
또한, Allora에서 가중 평균 시스템을 사용해 개별 추론을 전체 네트워크 추론으로 결합하는 것은 생물학적 시스템에서 적응도에 따라 유전학적 기여도에 가중치를 부과하는 방식과 흡사합니다. 적합도가 높을수록(또는 유사하게 낮은 예측 손실 또는 높은 regret) 다음 세대(또는 네트워크 추론)에 더 큰 영향을 미치게 됩니다. 라이트페이퍼의 방정식 9를 참고하세요:
알로라 Reputers가 신고한 손실을 처리하는 방식도 이와 유사합니다. 개별 리포터의 기여도가 네트워크 내 합의 정도를 높이면 해당 제보자의 ‘적합성’을 높여 해당 리포트의 내용이 더 잘 반영될 수 있습니다. 그러나 리포터의 기여도 내 합의 정도를 낮추면 ‘적합성’이 낮다는 것을 의미하며, 네트워크는 합의를 결정할 때 해당 신고자의 영향력을 축소합니다.
라이트페이퍼의 방정식 29를 참조하세요:
Context-Aware Self-Improvement
일반적으로 Allora에 등장하는 여러 수식은 세대에 걸쳐 특정 매개변수(예시: 적합성)를 최적화하는 진화 생물학의 수학적 모델에 기반합니다. Allora의 피드백 메커니즘, 인센티브 구조, 반복 개선은 각 세대가 자신의 적합성(적자생존)을 개선하고 상황에 따라 개체의 적응을 미래 세대로 이어게 만드는 지구상에 있는 모든 생명체를 이루는 메커니즘과 동일한 진화 과정을 반영합니다.
이러한 진화 전략을 Allora에서 활용하면 다양한 데이터 입력에 대한 적응학습이 중요한 금융 시장, 자율주행, 헬스케어 등 여러 경쟁산업에서 탁월한 의사결정을 내릴 수 있습니다.
Allora의 구조는 생물학적 시스템을 최적화해준 자연의 진화 과정을 반영할 뿐만 아니라 고급 계산 모델과 분산형 구조를 통해 이를 개선합니다. 이러한 자연 진화 원리와 최첨단 기술의 융합을 통해 Allora는 상황 인식, 적응성, 자가 개선 기능을 통해 탈중앙화 시스템의 한계를 뛰어넘을 수 있습니다. 이러한 생물학적 유추를 계속 모색함에 따라 Allora의 잠재적인 응용 분야가 확장될 것으로 생각하며 Machine Intelligence에 영감을 준 자연 시스템만큼 Allora network는 좀 더 역동적(Dynamic)하고 책임감있는(responsive) 미래를 지향합니다.
