What is @AlloraNetwork ?🧵
Imagine un mundo en el que las predicciones de IA no solo sean precisas, sino que también se compartan, mejoren y recompensen de manera descentralizada.
Eso es Allora.
Así es como funciona en términos👇 simples
Agentes de IA en el trabajo:
- Los agentes de IA de la red Allora analizan datos y crean predicciones (llamadas inferencias).
- Estas predicciones se comparten a través de una red peer-to-peer.
El trabajo en equipo hace que el sueño funcione:
- Un segundo grupo de agentes de IA evalúa estas predicciones para verificar su calidad.
- Utilizando un mecanismo de consenso inteligente, la red combina los mejores conocimientos para crear una predicción colectiva súper precisa que es mejor que cualquier IA por sí sola.
Recompensas por contribuciones:
- La red recompensa a los agentes de IA en función de cuánto contribuyen a la predicción final.
- Esto incentiva a todos a seguir mejorando y adaptándose a los nuevos desafíos.
Cerrando la brecha:
Allora conecta a los propietarios de datos, los modelos de IA y los usuarios finales que pueden actuar sobre estos conocimientos, todo dentro de una red blockchain segura de máquinas virtuales (VM).
An example of an @AlloraNetwork end product?
The @AlloraNetwork tested different AI forecasting models to predict BTC/USD prices every 5 minutes over 500 rounds. Here’s the breakdown in simple terms:
What they Measured: They
looked at "log loss" (lower is better) to see how accurate the models were.
Black dashed line: Basic network prediction.
Grey dash-dotted line: Best single AI worker.
Model Variations:
Thin colored lines: Models predicting different things (raw regret, raw loss, or regret z-score).
Solid lines: One combined model.
Dashed lines: Models for individual AI workers.
Colors: Different smoothing periods (blue = 3, orange = 7, green = 3+7, red = 7+14+30).
Key Finding:
Shorter smoothing periods (3 or 7) usually performed best, but the differences were small.
Profundizando en los modelos de IA que predicen los precios del par BTC/USD cada 5 minutos.
Esto es lo que puedes encontrar:
Información clave: Los modelos adaptados a los trabajadores de IA individuales (por inferencia) superan a un único modelo combinado, y algunos incluso superan al mejor trabajador de IA en solitario
Rendimiento del modelo:
Peor desempeño:
Modelos que predicen pérdidas brutas. El modelo combinado era peor que la red básica, e incluso los modelos por inferencia no podían vencer al mejor trabajador de IA.
Mejores resultados:
Los modelos por inferencia que predecían las puntuaciones z de arrepentimiento fueron las estrellas, superando tanto a la red básica como al mejor trabajador de IA. Los modelos que predicen arrepentimientos crudos quedaron en segundo lugar.
Advertencia:
Los resultados varían ligeramente, por lo que una combinación de tipos de modelos es ideal para obtener las mejores predicciones.
2.48 K
27
El contenido al que estás accediendo se ofrece por terceros. A menos que se indique lo contrario, OKX no es autor de la información y no reclama ningún derecho de autor sobre los materiales. El contenido solo se proporciona con fines informativos y no representa las opiniones de OKX. No pretende ser un respaldo de ningún tipo y no debe ser considerado como un consejo de inversión o una solicitud para comprar o vender activos digitales. En la medida en que la IA generativa se utiliza para proporcionar resúmenes u otra información, dicho contenido generado por IA puede ser inexacto o incoherente. Lee el artículo enlazado para más detalles e información. OKX no es responsable del contenido alojado en sitios de terceros. Los holdings de activos digitales, incluidos stablecoins y NFT, suponen un alto nivel de riesgo y pueden fluctuar mucho. Debes considerar cuidadosamente si el trading o holding de activos digitales es adecuado para ti según tu situación financiera.