Interesanti, ka lielākā daļa pašreizējās finanšu sistēmas darbojas pēc vienas un tās pašas loģikas:
Darīt pirms, izskaidrot pēc.
Tirdzniecība notiek iepriekš.
Pārskats parādās vēlāk.
Revīzija notiek pēc tam, lai apstiprinātu, kā viss notika.
Daudzu gadu desmitu garumā šī pieeja darbojās diezgan labi, jo cilvēku lēmumu pieņemšanas ātrumam vienmēr ir bijuši ierobežojumi.
Bet kad sāku skatīties uz autonomajiem aģentiem un AI, kas darbojas paši, es sapratu, ka parādās cita problēma.
Ja sistēma var pieņemt tūkstošiem lēmumu pirms tiek izveidots pirmais ziņojums, tad attālums starp rīcību un verifikāciju vairs nav operatīvs sīkums.
Tas kļūst par sistēmas paša risku.
Tas bija brīdis, kad es pievērsu uzmanību kaut kam diezgan interesantam @OpenLedger .
Sākumā es domāju, ka #OpenLedger tikai ieraksta aģenta darbības detalizētāk.
Bet jo vairāk es novēroju, jo vairāk redzu, ka tas, ko viņi būvē, izskatās citādi nekā parasta žurnāla uzskaite.
Katrs aģenta rīcība ne tikai tiek ierakstīta kā atsevišķs notikums. Tas tiek ievietots struktūrā, kas var saglabāt gan stāvokli, kontekstu, gan saikni ar to, kas notika iepriekš.
Reiz es novēroju grupu aģentu, kas pielāgoja riska stāvokli.
Interesantākais nav tas, ka stāvoklis mainās.
Bet tā ir tas, ka šīs izmaiņas gandrīz nekavējoties tiek atspoguļotas grāmatvedībā kopā ar visu saistīto kontekstu.
Tas šķiet kā sistēma negaida, kamēr augšējais ziņojums izskaidro, kas notika.
Tad es sapratu, ka @OpenLedger vairs neieraksta tikai datus.
Tas saglabā arī datu loģiku.
Tad es sapratu, ka verifikācija vairs nav pievienota pēdējā brīdī, tā jau ir iekļauta sistēmas darbībā.
Un tas ir brīdis, kad es domāju par citu skatījumu uz uzticību.
Tradicionālajā finanšu sektorā uzticība parasti parādās pēc verifikācijas procesa.
Bet ja katra rīcība var tikt novērota, atpakaļizsekojama un izdarīta secinājumi gandrīz reāllaikā, tad uzticība var vairs nebūt auditācijas rezultāts.
Tas kļūst par darbības īpašību.
Šī, iespējams, ir visinteresantākā daļa pie $OPEN .
Tā ne tikai cenšas izveidot infrastruktūru autonomiem aģentiem.
Tas mēģina atrisināt lielāku problēmu:
Kā sistēma var pašpārbaudīt to, ko tā dara tieši tad, kad tā darbojas.
Jo pasaulē, kur mašīnas sāk pieņemt lēmumus, svarīgs jautājums var nebūt tas, ko sistēma dara.
Bet vai sistēma var izskaidrot un pierādīt visu savu rīcību reāllaikā?