Неправильные теги выглядят мелкими, пока не приведут к серьезной ошибке. Вот почему @OpenLedger (OPEN) привлекло мое внимание здесь. Сначала я увидел оценки влияния как справедливый инструмент для оплаты. Способ спросить: "кто добавил реальную ценность?" Отлично. Имеет смысл. Но затем появляется второе использование. Более тихое. Более полезное, возможно. Те же самые оценки влияния могут действовать как автоаудит.

Ошибочные данные - это просто данные с плохим названием. Четкое фото с неправильной маркировкой. Чистая строка, помещенная в неправильную коробку. ИИ учится на этом, и вскоре плохие метки начинают распространяться, как пыль в комнате. Сначала вы можете этого не заметить. Но она все еще там.

OpenLedger проверяет, насколько каждый образец влияет на результат. Когда один образец ведет себя странным образом, это может поднять флаг. Вот тут и появляется AUC. AUC - это оценка того, насколько хорошо тест распознает плохое от хорошего. Более высокий AUC означает более четкую сортировку. В этом случае оценки влияния обгоняют старые проверки с большим разрывом. Награды - это лишь половина этой истории. Более чистые данные могут оказаться более значительными.

OpenLedger (OPEN) не просто спрашивает, кто должен зарабатывать. Он спрашивает, каким данным можно доверять. А в ИИ доверие - это не мелочь.

@OpenLedger #OpenLedger $OPEN