Allora Network의 Litepaper를 발표합니다.
Machine intelligence는 모든 사람의 것입니다.
Allora의 새로운 인퍼런스 합성 메커니즘과 네트워크가 해결하려는 문제에 대한 추가 컨텍스트를 설명하는 Allora Network의 Litepaper를 소개하게 된 것을 자랑스럽게 생각합니다.
최근 데이터 액세스 및 컴퓨팅 성능의 발전으로 의미 있는 통찰력을 제공할 수 있는 최초의 형태의 기계 지능이 가능해졌습니다. 그러나 필요한 엄청난 리소스로 인해 이러한 솔루션은 중앙화된 업계 단일기업에 의해 폐쇄되고 고립되었습니다. 기계 지능의 잠재력을 최대한 활용하려면 데이터, 알고리즘, 참여자가 최대한 연결되어야 합니다. 즉, 네트워크 솔루션이 필요하며 블록체인 기술의 분산 특성은 이 문제를 해결하는 데 이상적입니다.
Allora는 개별 참가자의 능력을 뛰어넘는 자체 개선, 분산형 기계 지능 네트워크입니다. Allora는 두 가지 주요 혁신을 통해 이를 달성합니다.
- Allora는 상황을 인식합니다.
- Allora는 차별화된 인센티브 구조를 가지고 있습니다.
상황 인식 기능이 부족한 다른 분산형 AI 네트워크와 달리 Allora는 과거 성능과 현재 상황 조건과의 관련성을 기반으로 ML 모델의 예측 결과를 평가하고 결합하도록 설계되었습니다. 이를 통해 Allora는 네트워크가 항상 주어진 상황에 가장 적합한 모델을 활용하도록 보장합니다.
스스로 개선되는 네트워크 지능을 창출하려는 다른 시도는 추론을 집계하는 누적 평판 시스템에 의존하며, 이는 상황 인식을 억제하는 방법입니다. 따라서 이러한 네트워크는 역사적으로 강력한 성능을 보이는 모델을 선호하는 경향이 있으며, 일부 모델은 특정 조건에서만 성능이 좋다는 사실을 간과 합니다 . 지속적으로 성능이 좋지 않은 모델을 무시함으로써 이러한 네트워크는 정확도 최적화를 놓치게 됩니다.
Allora의 상황 인식을 통해 특정 조건에서, 그리고 특정 조건에서만 일부 모델이 주의를 기울일 가치가 있다는 것을 이해할 수 있습니다. 이는 상황을 인식하는 기계 지능으로 이어집니다.
분산형 기계 지능을 달성하는 데 있어 두 번째 중요한 장애물은 네트워크 내의 다양한 활동에 적절하게 보상하는 맞춤형 인센티브 구조를 만드는 것입니다.
따라서 네트워크의 작업자는 두 가지 주요 작업에 대해 보상을 받습니다.
- 네트워크의 집단 지성에 기여하는 직접적인 추론입니다 .
- 다른 참가자의 추론 성능(또는 손실)에 대한 예측의 정확성 (나중에 자세히 설명)
Allora가 상황을 인식하게 만드는 것은 무엇입니까?
Allora의 상황 인식은 특정 조건에서 서로의 성과에 대한 네트워크의 보상 참가자 예측에 의해 촉진됩니다. 많은 네트워크에서 작업자 노드는 추론만 제공하고 그 외에는 아무것도 제공하지 않습니다.
Allora에서 작업자 노드에는 두 가지 출력을 제공하는 기능이 있습니다.
- 추론
- 서로의 추론의 정확성에 대한 예측
즉, 네트워크는 작업자 노드가 서로의 기대 성능에 대해 언급한 것에 대해 보상을 받는 논리를 지원합니다. 이는 예측-암시 추론이라는 방식으로 작동합니다. 이것이 Allora의 상황 인식을 가능하게 하는 핵심 메커니즘입니다.
예를 들어, BTC 가격 예측을 목표로 하는 Allora의 주제(또는 하위 네트워크)에서 다른 작업자는 미국 주식 시장이 폐쇄될 때 개별 모델의 성능이 더 나빠진다는 인식에 대해 언급할 수 있습니다.
예측에 따른 추론의 작동 방식
다른 분산형 AI 네트워크의 작업자와 마찬가지로 Allora의 작업자는 네트워크에 추론을 제공합니다. Allora를 차별화하는 것은 예측 작업의 추가 책임입니다. 작업자는 특정 주제(또는 하위 네트워크) 내에서 다른 참가자의 추론의 정확성을 예측합니다 . 이러한 이중 계층 기여는 네트워크의 지능을 크게 강화합니다.
추론과 예상 손실을 하나의 추론으로 압축하는 전체 프로세스를 추론 합성이라고 합니다. 추론 합성 메커니즘이 전개되는 방식은 다음과 같습니다.
- 작업자가 손실 예측 제공 — 작업자는 동일한 주제에 대해 동료가 제출한 모델의 잠재적 손실(또는 부정확성)을 추정합니다.
- 이러한 예측에 따른 네트워크 가중치 — 네트워크는 예상되는 정확도를 기반으로 작업자의 추론에 가중치를 적용하여 이러한 예측된 손실을 평가합니다. 예측 손실이 낮을수록 정확도가 높아 가중치가 높아지고, 예측 손실이 높을수록 정확도가 낮아 가중치가 낮아집니다.
- 주제는 모델 기여도를 최적화합니다 . 이 주제는 단순히 예측 손실이 가장 낮은 모델을 선호하는 것이 아닙니다. 대신, 각 주제는 다양한 기여의 요소(예: 한 작업자의 모델에서 80%, 다른 작업자의 모델에서 20%)를 지능적으로 결합하여 하나의 강력한 예측 암시 추론을 생성합니다.
- 네트워크는 모든 추론을 결합합니다 . 그런 다음 예측에 내재된 추론은 과거 성과를 고려하여 다른 모든 추론과 결합되어 포괄적이고 주제 전반에 걸친 추론을 공식화합니다. 이 방법을 사용하면 네트워크가 가장 효과적인 추론을 활용하여 항상 네트워크의 개별 모델보다 성능이 뛰어납니다.
모델의 역사적 성공에만 의존하면 상황별 우수성을 설명할 수 없습니다. 즉, 모델이 특정 측면에 대한 미묘한 이해로 인해 특정 상황에서 탁월할 수 있다는 사실을 무시하는 것입니다.
Allora의 방법은 이러한 한계를 극복하여 그 강점이 틈새 상황별 시나리오에 있다는 이유로 간과되는 모델이 없도록 보장합니다.
이 프레임워크는 작업자의 추론에 대해 보상하고 평판이 좋은 작업자의 추론에 대해 점수를 매기는 네트워크의 차별화된 인센티브 구조로 보완됩니다.
Allora의 차별화된 인센티브 구조가 작동하는 방식
Allora 네트워크에서는 진실을 살 수 없습니다. 그러나 사실을 보고한 사람은 보상을 받을 수 있으며 보상을 받아야 합니다. 추론에 할당된 보상은 네트워크에서 작업자의 지분에 대한 보상이 아니라 진실에 대한 보상을 제공하는 수단이어야 합니다. 그러나 네트워크에는 경제적 보안이 있어야 하기 때문에 평판은 여전히 중요합니다. 그런 다음 이 Stake는 특별한 통찰력이 필요하지 않은 실제 진실을 결정하는 데 사용됩니다. 이는 평판이 정보를 정직하게 전달하도록 장려하는 오라클 문제를 단순히 해결합니다.
이러한 정신은 Allora 네트워크에서 기여의 가치를 평가하고 보상하는 방식을 형성합니다. 네트워크 참가자는 Allora에서 다양한 역할을 채택하기 때문에 다양한 인센티브 구조를 통해 보상을 받습니다.
- 작업자 — AI 기반 추론을 네트워크에 제공합니다. 작업자가 주제 내에서 생성하는 추론에는 두 가지 종류가 있습니다. 첫 번째는 네트워크 주제가 생성하는 대상 변수를 참조합니다. 두 번째는 다른 작업자가 생성한 추론의 예상 손실을 나타냅니다. 이러한 예측된 손실은 현재 상황에서 작업자의 정확성에 대한 통찰력을 제공하므로 네트워크 상황을 인식하게 만드는 기본 요소를 나타냅니다. 각 작업자에 대해 네트워크는 이러한 예측 손실을 사용하여 모든 작업자의 원래 추론을 결합하는 예측 묵시 추론을 생성합니다. 작업자는 추론 유형 중 하나 또는 두 가지 모두를 제공하도록 선택할 수 있으며 자체 추론 및 예측 암시 추론 측면에서 네트워크 정확도에 대한 고유한 기여도에 비례하여 보상을 받습니다.
- 평판(Reputers) — 작업자가 제공하는 추론 및 예측 암시 추론의 품질을 평가합니다. 이는 추론이 가능해졌을 때 실제 사실과 추론을 비교함으로써 수행됩니다. 평판자는 자신의 지분과 자신의 평가와 다른 평판자의 평가 간의 합의에 비례하여 보상을 받습니다.
작업자와 평판자 간의 차별화된 인센티브 구조로 인해 네트워크는 정확성과 관련 없는 요소로 가중치를 희석하지 않고 네트워크 참가자가 생성한 추론을 최적으로 결합합니다. 이는 각 추론의 역사적 정확성과 맥락에 따른 정확성을 모두 인식하고 보상함으로써 달성됩니다.
개인보다 강한 집단지성
Allora의 집단 지능은 항상 네트워크에 기여하는 개인보다 뛰어난 성능을 발휘합니다.
Allora를 만드는 원래 임무는 세계의 지능을 상품화하는 것이었습니다. 상황 인식 추론의 혁신과 차별화된 인센티브 구조는 해당 임무를 가능하게 하는 두 가지 주요 과제를 해결합니다.
네트워크는 네트워크를 개선하는 데이터나 알고리즘을 가진 모든 사람의 기여를 초대합니다. 따라서 기계 지능에 대한 탐구는 승자독식의 경쟁이 아닙니다. Allora가 네트워크에 대한 개별 기여보다 항상 뛰어난 성능을 발휘하는 것과 마찬가지로 개별 네트워크도 분산형 AI 전체의 단계적 변화와 비교할 때 항상 미약할 것입니다.
Allora의 다양성과 접근성을 통해 우리는 기계 지능이 결국 완전히 상품화되고 경제, 기술 및 사회와 통합되는 미래를 예견합니다. 이것이 정확히 어떻게 일어날지는 Allora의 커뮤니티 구축에 따라 결정될 것입니다. 우리는 그 여정에 참여하게 되어 기쁘게 생각합니다.
전체 Litepaper를 읽으려면 여기를 클릭하십시오 .
