Die größten Probleme bei Blockchain-AI-Projekten sind derzeit nicht, dass die Modelle nicht stark genug sind, sondern dass die Modelle nicht miteinander kommunizieren. Jedes Modell ist wie eine separate Einheit, die sich nicht um die anderen kümmert. Der Benutzer möchte eine Aufgabe, aber die Modelle konkurrieren um die Arbeit oder erledigen die Aufgaben doppelt, was Rechenleistung verschwendet und das Erlebnis mindert.
KITE löst dieses Problem direkt. Das Schlüsselwerkzeug ist die Multi-Modell-Koordination. Es verlässt sich nicht auf ein großes Modell, um alles zu lösen, sondern lässt verschiedene Modelle jeweils das tun, was sie am besten können, und schließlich wird mit einer einheitlichen Koordinationsebene das Ergebnis zu einem vollständigen Produkt zusammengesetzt.
Diese Koordinationsebene wird als Modell-Orchestrierungs-Engine bezeichnet. Sie können es sich wie einen Projektmanager vorstellen, der eine Aufgabenliste hat, während darunter Dutzende oder Hunderte von Modellen als Ausführer fungieren. Die Orchestrierungs-Engine analysiert zunächst die Aufgaben, zerlegt sie in mehrere Module und weist dann jede Aufgabe dem am besten geeigneten Modell zu.
Während des Ausführungsprozesses aktualisiert die Orchestrierungs-Engine ständig den Status der Aufgaben, was auf den Status-Mapping-Mechanismus (State Mapper) angewiesen ist. Dieser wandelt die Eingaben und Ausgaben der Modelle in ein standardisiertes Datenformat um, sodass die Informationen zwischen den Modellen nicht verzerrt werden und keine peinlichen Situationen entstehen, in denen ein Modell menschenähnliche Ergebnisse liefert, während das nächste nur Maschinen-Code versteht.
Der gesamte Kooperationsprozess hat eine Schlüsselrolle, die als Modell-Schiedsrichter (Model Arbiter) bezeichnet wird. Dieser kümmert sich speziell um Differenzen zwischen den Modellen. Wenn zwei Modelle unterschiedliche Antworten geben, trifft der Schiedsrichter basierend auf dem Aufgabentyp, dem Vertrauen, der historischen Leistung und dem Kontextgewicht eine schnelle Entscheidung darüber, welches Ergebnis besser geeignet ist, um weitergegeben zu werden.
Wenn nicht genügend Sicherheit besteht, wird der Schiedsrichter eine zweite Anfrage für sekundäre Inferenz (Secondary Inference Request) senden, um das Modell erneut zu berechnen. Gleichzeitig werden auch externe Werkzeuge oder On-Chain-Daten zur ergänzenden Beurteilung herangezogen, sodass das Ergebnis nicht verzerrt wird.
Um sicherzustellen, dass die Modelle sich nicht gegenseitig behindern, verwendet der Kern von KITE eine spezielle Struktur namens Kooperationsdiagramm (Collaboration Graph), das die Abhängigkeiten zwischen den Modellen, den ursprünglichen Datenfluss, die erwarteten Ausgaben der einzelnen Modelle und die Ausführungsreihenfolge beschreibt. Das Diagramm wird in Echtzeit aktualisiert, sodass das System die Modellkombination dynamisch anpassen kann und keine festen Verbindungen entstehen.
Dieser Mechanismus macht es reibungslos, mehrere Modelle gleichzeitig laufen zu lassen. Wenn du eine komplexe Aufgabe erledigen möchtest, wie z.B. die Erstellung einer Produktanalyse, die in Teile aufgeteilt wird, um Inferenz, abstrakte Struktur, Datenvalidierung und Textgenerierung durchzuführen, können mehrere Modelle gleichzeitig arbeiten, während die Orchestrierungs-Engine die Reihenfolge basierend auf dem Kooperationsdiagramm automatisch anordnet. Der Benutzer muss sich nicht um die Komplexität der zugrunde liegenden hybriden Modelle kümmern.
Ein entscheidender Punkt ist, dass das Kooperationssystem von KITE adaptiv ist. Das bedeutet, dass neue Modelle in das Ökosystem eintreten können, ohne dass das System geändert werden muss. Sobald sie im Modellverzeichnis (Model Registry) registriert sind, kann das System automatisch erkennen, für welche Aufgaben sie geeignet sind und wann sie am besten eingesetzt werden.
Mit der Erweiterung des Ökosystems werden die Modelle mehr und das System wird intelligenter, da das Kooperationsdiagramm alle Aufgaben und Leistungen der Modelle aufzeichnet und Erfahrung Daten bildet. Dieser Mechanismus wird als Modell-Ausführungs-Speicher (Model Execution Memory) bezeichnet, das ist das Arbeitsprotokoll der Modellversion, je mehr es läuft, desto genauer wird es.
Die Zusammenarbeit mehrerer Modelle hat einen praktischen Vorteil: Ressourcen zu sparen. Du musst nicht zulassen, dass das große Modell alles erledigt, das kleine Modell läuft strukturierte Aufgaben, das große Modell bearbeitet hochsemantische Aufgaben, das Werkzeugmodell führt Berechnungsvalidierungen durch, die Rechenleistung des Systems wird direkt maximiert.
Im Bereich Sicherheit hat KITE für jeden Modellaufruf einen Aufruf-Fingerabdruck (Call Fingerprint) erstellt, um die Quelle, Eingaben, Berechtigungen und On-Chain-Records aufzuzeichnen. So wird verhindert, dass das Modell Daten unkontrolliert aufruft oder bösartig angesteuert wird. Das System blockiert unkonforme Aufrufe und gewährleistet, dass die Zusammenarbeit nur innerhalb sicherer Grenzen erfolgt.
Der endgültige Erfahrungunterschied ist sehr offensichtlich. Der Benutzer reicht eine Aufgabe ein, das Modell übernimmt automatisch die Arbeitsteilung, die Zusammenarbeit, die Validierung und die Zusammenführung, um schließlich ein klares und vollständiges Ergebnis auszugeben, ohne logische Lücken und ohne, dass Modelle sprunghaft agieren.
Der Kern von KITE zielt tatsächlich darauf ab, eine Sache zu erreichen: das Modell von einer Einzelperson in eine Organisation zu verwandeln, die Inferenz von linear zu multithreaded zu verändern und die On-Chain-Aufgaben von Werkzeugplanung zu intelligenter Zusammenarbeit zu entwickeln, damit das gesamte Ökosystem schneller, stabiler und intelligenter läuft.
Die Zusammenarbeit mehrerer Modelle ist das Rückgrat der zukünftigen KI-Ökosysteme, denn kein Modell kann alle Probleme lösen, aber ob die Modelle sich gegenseitig ergänzen können, entscheidet darüber, wie weit das gesamte System kommen kann.