Myślę o bardzo prostym scenariuszu: jeśli w przyszłości pojawi się agent AI, który ma mi pomóc ocenić, czy dany adres jest niebezpieczny, nie może tylko powiedzieć "wysokie ryzyko" lub "niskie ryzyko". Chciałbym raczej wiedzieć, na co dokładnie spojrzał.
Czy patrzył na stare etykiety, czy na ostatnie przepływy funduszy? Czy odnosił się do rzeczywistych interakcji protokołu, czy został zmyślony przez masę powtarzającego się szumu? Jeśli dane wejściowe same w sobie nie są czyste, to niezależnie od tego, jak mądry jest późniejszy model, może tylko sprawić, że błąd będzie brzmiał bardziej wiarygodnie.
Dlatego teraz patrząc na @OpenLedger , nie chcę go po prostu rozumieć jako "dzielenie się pieniędzmi z contributorami". Wolę widzieć to jako bramkę w procesie roboczym AI: najpierw organizacja danych wertykalnych przez Datanets, następnie wejście do treningu, oceny i publikacji przez ModelFactory, a na koniec zapisanie wkładu i rejestracji wywołań za pomocą PoA.
Prawdziwie interesującą częścią tego łańcucha jest to, że nie traktuje danych jako jednorazowego surowca. Dobre dane na łańcuchu powinny być wielokrotnie weryfikowane, ciągle aktualizowane, a także powinny wiedzieć, kto je dostarcza, kto je używa i czy w końcu przyniosły wartość.
Bez tej bramki, AI na łańcuchu może łatwo stać się czarną skrzynką automatyzacji: wygląda na to, że jest wydajne, ale użytkownik nie wie, dlaczego tak ocenia. Ale gdy tylko źródła danych, proces modelowania i zapisy wkładu mogą być połączone, AI staje się bardziej zaufaną infrastrukturą.
Dlatego teraz patrząc na $OPEN , kluczowe nie jest krótkoterminowe zainteresowanie, ale to, czy OpenLedger może zrealizować stabilną pętlę "dane wchodzą, model używany, zapisy wkładu, wartość wraca". W erze AI naprawdę brakuje może nie więcej odpowiedzi, ale czystszych i bardziej możliwych do śledzenia wejść. #OpenLedger