Entonces (ALLO) ¿cómo funciona?

El diseño central de Allora es una red descentralizada, compuesta por tres tipos de participantes que operan de manera colaborativa: coordinadores de temas, trabajadores y reputadores. Cada uno tiene un rol claro, colaborando para lograr un ciclo de auto-mejora que incluye predicción, verificación y optimización.

● Trabajadores: Estos son operadores de modelos de IA independientes. Cada trabajador ejecuta su propio modelo de aprendizaje automático y responde a las solicitudes de predicción basándose en datos y métodos únicos. Por ejemplo, un modelo puede predecir el precio de Ethereum para las próximas 24 horas utilizando indicadores técnicos, mientras que otro puede hacer juicios basándose en el sentimiento social.

● Reputadores: Después de la presentación de los resultados de la predicción, los reputadores evaluarán la precisión de cada predicción una vez que se conozcan los resultados reales, y apostarán tokens ALLO por su juicio. Las evaluaciones precisas recibirán recompensas, mientras que los informes incorrectos o manipuladores perderán su apuesta. Este mecanismo de apuesta incentiva a los reputadores a proporcionar evaluaciones precisas y confiables.

● Coordinador de temas: Estos usuarios o aplicaciones definen los temas de interés de la red, como la predicción de patrones climáticos, precios de mercado o resultados de eventos deportivos. Son la parte demandante, aportando escenarios de aplicación y necesidades de datos a la red.

Allora integra el aprendizaje automático de cero conocimiento, garantizando la privacidad y la seguridad. Es decir, los trabajadores pueden demostrar que su modelo generó una cierta predicción sin revelar datos sensibles y propietarios. Esta característica es crucial en escenarios donde la confidencialidad de los datos es extremadamente importante en el sector financiero, la IA empresarial o en industrias reguladas.

El sistema utiliza un mecanismo de recompensas y castigos ajustado dinámicamente a través de la participación, el historial de rendimiento y el peso dinámico, recompensando el buen desempeño y castigando la mala producción. Los modelos precisos ganarán mayor influencia en las predicciones agregadas de toda la red a medida que pase el tiempo, formando un ciclo de retroalimentación de auto-mejora que se alinea con los incentivos reales.