Tutti dicono che "i modelli di ensemble superano i modelli singoli", ma @AlloraNetwork va oltre: prevede quali modelli vinceranno in questo momento e pesa il mix al volo. Questo è il vantaggio della previsione consapevole del contesto che trasforma una folla rumorosa in un segnale focalizzato. ---/ ❯ I lavoratori non si limitano a pubblicare previsioni; prevedono anche l'accuratezza di altri lavoratori nelle condizioni attuali, quelle previsioni di perdita sono input di prima classe che rendono la rete consapevole del contesto. ❯ Poi arriva la Sintesi dell'Inferenza: la rete pesa i contributi in base all'errore atteso e può letteralmente comporre una meta-previsione come 80% da un modello + 20% da un altro, prima di combinare con le performance storiche per formare il risultato su larga scala. ---/ Perché questo è importante: i mercati cambiano regime. Il modello che ha dominato la settimana scorsa può rimanere indietro oggi. I previsori di Allora riducono il peso dei modelli quando la loro perdita attesa aumenta e aumentano il peso di quelli adatti al nuovo regime, in modo che l'aggregato rimanga affilato invece di galleggiare su vincitori obsoleti. ---/ Punti chiave: ❯ Più di "un oracolo", è un mercato di modelli con incentivi a prevedere sia i risultati che le performance dei pari. ❯ Il risultato è un feed auto-migliorante che dovrebbe mantenere il vantaggio più a lungo attraverso i cambiamenti di volatilità. ---/ Angolo per gli sviluppatori: avvia un previsore leggero che apprende i modelli di errore dei pari per un singolo argomento e canalizza quelle previsioni di perdita nel tuo lavoratore, piccolo sforzo, peso enorme se hai ragione. Sto monitorando come questa sintesi si mantiene sotto gli incentivi della mainnet e un throughput più elevato. Se stai testando i previsori su argomenti di Allora, mostrami il tuo setup, io condividerò il mio e possiamo fare un benchmark.