Pasé un tiempo pensando en en qué parte realmente comienza una decisión de un modelo.

SolidML incluye una precompilación de preprocesamiento de datos que los contratos inteligentes pueden llamar al preparar información para la inferencia. Admite operaciones como media, varianza, desviación estándar, mediana, normalización, estandarización y correlación on-chain.

Al principio, eso sonó como apoyar las matemáticas.

No lo es.

Un modelo a menudo espera que sus entradas tengan un formato particular. OpenGradient dice que la precompilación permite que los contratos inteligentes transformen o agreguen datos a ese formato esperado, realizando en la cadena las operaciones intensivas de cómputo.

Pero la ejecución correcta no garantiza una preparación adecuada.

Los mismos datos pueden prepararse de varias maneras. La matemática puede estar bien, pero la entrada final aun así puede darle al modelo una imagen deficiente del problema real.

Esa es la distinción que sigo notando.

La ejecución en cadena puede hacer que el cálculo de preprocesamiento solicitado sea verificable. No puede determinar si el desarrollador eligió la transformación, variables, conjunto de datos o ventana de observación correctos antes de pasar el resultado al modelo.

SolidML y la inferencia de ML en cadena están disponibles actualmente solo en la red de pruebas alfa descontinuada de OpenGradient, no en su red principal de pruebas. La inferencia de ML en cadena sigue en desarrollo para la red principal de pruebas.

Esa frontera experimental importa más que la aritmética.

¿El preprocesamiento verificable fortalece la inferencia en cadena, o traslada decisiones subjetivas de datos a código que parece objetivo porque sus cálculos pueden comprobarse?

¿El preprocesamiento verificable hace que la IA en cadena sea más confiable?

#OPG @OpenGradient $OPG $ACT $VELVET