Alors (ALLO) comment ça fonctionne

Le design central d'Allora est un réseau décentralisé, composé de trois types de participants qui collaborent : les coordinateurs de sujet, les travailleurs et les évaluateurs. Chacun a un rôle bien défini, et ensemble, ils réalisent un cycle d'auto-amélioration par la prédiction, la vérification et l'optimisation.

● Travailleurs : Ce sont des opérateurs de modèles d'IA indépendants. Chaque travailleur exécute son propre modèle d'apprentissage automatique et répond aux demandes de prédiction en se basant sur des données et des méthodes uniques. Par exemple, un modèle peut prédire le prix de l'Ethereum pour les prochaines 24 heures en utilisant des indicateurs techniques, tandis qu'un autre peut se baser sur le sentiment social pour prendre des décisions.

● Réputateurs : Après la soumission des résultats prévus, les réputateurs évaluent l'exactitude de chaque prévision en connaissant les résultats réels, et ils engagent des tokens ALLO pour leur jugement. Une évaluation précise peut conduire à des récompenses, tandis qu'un rapport erroné ou manipulé entraînera une perte de la mise. Ce mécanisme de mise incite les réputateurs à fournir des évaluations précises et fiables.

● Coordinateur de thème : Ces utilisateurs ou applications définissent les thèmes d'intérêt du réseau, tels que la prévision des conditions météorologiques, les prix du marché ou les résultats d'événements sportifs. Ils sont la partie demandeuse, apportant des scénarios d'application et des besoins en données au réseau.

Allora intègre l'apprentissage automatique à connaissance nulle, garantissant la confidentialité et la sécurité. Cela signifie que les travailleurs peuvent prouver que leur modèle a généré une certaine prédiction sans divulguer de données sensibles et propriétaires. Cette caractéristique est essentielle dans des scénarios où la confidentialité des données est d'une importance cruciale, comme dans les secteurs financiers, l'IA d'entreprise ou les industries réglementées.

Le système utilise un mécanisme de récompense et de punition basé sur le staking, l'historique de performance et l'ajustement dynamique des poids pour récompenser les bonnes performances et punir les mauvaises sorties. Les modèles précis gagneront en influence dans les prévisions agrégées du réseau au fil du temps, formant un cercle de rétroaction d'auto-amélioration qui correspond aux incitations réelles.