@Mira - Trust Layer of AI , zdałem sobie sprawę, że coś było nie tak, gdy po raz pierwszy system odmówił działania, kiedy byłem pewny, że powinien.
Wdrożyłem autonomicznego agenta przez Sieć Mira, aby zarządzać małą strategią alokacji płynności. Trzy źródła rynkowe. Zmienność przeliczana co 60 sekund. Wyzwalacz ponownego zrównoważenia ustawiony na odchylenie 2,1 procenta. Czysta logika. Testy wsteczne pokazały stabilną realizację ze średnim poślizgiem wynoszącym 0,4 procenta.
Następnie odchylenie przekroczyło 2,3 procenta i pozostało na tym poziomie.
W moim starszym stosie to natychmiast by wywołało reakcję. Mira zrobiła coś innego. Główny model sygnalizował wykonanie. Model wtórny zmniejszył zaufanie, ponieważ krótkoterminowa zmienność skupiała się w sposób, który historycznie odwracał się w ciągu dwóch cykli próbkowania. Ostateczny wynik zaufania spadł z 0,82 do 0,61.
Brak transakcji.
Czułem się zirytowany. Ruch o 0.3 procenta umknął, podczas gdy system czekał na wyrównanie modeli. To wahanie wyglądało na nieefektywność. Dziesięć minut później cena cofnęła się o 1.7 procenta. Zgubione wejście zamieniłoby się w wymuszone wyjście.
To, co się zmieniło dla mnie, to nie tylko wynik. Mira ujawniła wagę stojącą za rozumowaniem każdego modelu. Zamiast otrzymać pojedynczą liczbę pewności, mogłem zobaczyć ilościowo wyrażoną niezgodność. Model A zbyt mocno ważył momentum w czasie rzeczywistym. Model B zniwelował to z powodu korelacji anomalii. Ta widoczność zmieniła sposób, w jaki wchodzę w interakcje z agentami autonomicznymi. Przestałem traktować je jak szybkie wyzwalacze i zacząłem traktować je jak wewnętrzne debaty.
W tym projekcie występuje tarcie. Okna konsensusu dodają opóźnienia. Na cieńszych rynkach nawet krótkie opóźnienie zmienia wypełnienia. Moja stawka ręcznego nadpisania kiedyś oscylowała wokół 15 procent. Po zintegrowaniu Miri spadła poniżej 6 procent, częściowo dlatego, że warstwa koordynacyjna podejmowała mniej lekkomyślnych decyzji, a częściowo dlatego, że nauczyłem się ufać opóźnieniu.
Nie wszystko się poprawiło. W jednej niestabilnej sesji próg zgody między modelami zablokował dwie transakcje, które mogły być zyskowne. System był ostrożny, gdy szybkość mogłaby przynieść korzyści. Ta stronniczość na rzecz integralności kosztem agresji nie zawsze jest optymalna.
Niemniej jednak, najbardziej odkrywczy moment miał miejsce, gdy feed cenowy zawiódł przez około minutę. Wcześniej tego rodzaju anomalia wywoływała złe rebalansowania, zanim to zauważyłem. Tym razem model wykrywania anomalii Miri zasygnalizował niespójność przejścia i wstrzymał wykonanie. Cicho. Bez dramatycznego alertu. Po prostu odmowa.
Czułem, że to mniej automatyzacja, a bardziej nadzór nad procesem myślowym. Podejmowanie decyzji autonomicznych często przedstawiane jest jako zastępowanie ludzi. To, co doświadczyłem, było czymś węższym i dziwniejszym. Maszyny nie zgadzały się same ze sobą przed działaniem.
Ta wewnętrzna niezgodność stała się częścią, na którą zwracam uwagę. Nie prędkość. Nie autonomia. To wahanie.