What is @AlloraNetwork ?🧵

想像一下這樣一個世界：人工智慧預測不僅準確，而且以去中心化的方式共用、改進和獎勵。 這就是阿洛拉。 簡單來說👇，這是它的工作原理

工作中的人工智慧代理： - Allora 網路中的 AI 代理分析數據並創建預測（稱為推理）。 - 這些預測在點對點網路中共用。

團隊合作讓夢想成真： - 第二組 AI 代理評估這些預測以檢查其品質。 - 使用巧妙的共識機制，該網路結合了最好的見解，創建了一個超準確的集體預測，這比任何單個人工智慧單獨實現的都要好。

貢獻獎勵： - 該網路根據人工智慧代理對最終預測的貢獻程度來獎勵他們。 - 這激勵每個人不斷改進和適應新的挑戰。

彌合差距： Allora 將數據擁有者、人工智慧模型和最終使用者連接起來，他們可以根據這些見解採取行動，所有這些都在虛擬機 （VM） 的安全區塊鏈網路中進行。

An example of an @AlloraNetwork end product?

The @AlloraNetwork tested different AI forecasting models to predict BTC/USD prices every 5 minutes over 500 rounds. Here’s the breakdown in simple terms: What they Measured: They looked at "log loss" (lower is better) to see how accurate the models were. Black dashed line: Basic network prediction. Grey dash-dotted line: Best single AI worker. Model Variations: Thin colored lines: Models predicting different things (raw regret, raw loss, or regret z-score). Solid lines: One combined model. Dashed lines: Models for individual AI workers. Colors: Different smoothing periods (blue = 3, orange = 7, green = 3+7, red = 7+14+30). Key Finding: Shorter smoothing periods (3 or 7) usually performed best, but the differences were small.

深入研究每 5 分鐘預測一次 BTC/USD 價格的 AI 模型。 以下是您可以找到的內容： 關鍵見解：為單個 AI 工作者（每個推理者）量身定製的模型擊敗了單個組合模型，有些模型甚至超過了最好的單獨 AI 工作者 模型性能： 表現最差： 預測原始損失的模型。組合模型比基本網路差，即使是每個推理器模型也無法擊敗頂級 AI 工作者。 最佳表現者： 預測遺憾 z 分數的按推理模型是明星，擊敗了基本網路和最佳 AI 工作者。預測原始遺憾的模型緊隨其後。 警告： 結果略有不同，因此混合使用模型類型是最佳預測的理想選擇。