Kemarin saya short Bitcoin di 74120 dengan 3x leverage. Baru saja membuka posisi di altcoin, Bitcoin langsung melambung kembali. Harganya pun rebound ke 76200. Saya manual stop loss dan rugi 15%. Rasanya sakit banget.
Setelah itu, saya ingat tugas yang pernah saya kerjakan di platform anotasi data. Platform itu minta saya untuk menandai tiga ribu gambar dan totalnya cuma dibayar 200 dolar. Setengah tahun kemudian, saya menemukan mereka menjual data itu ke tiga perusahaan AI. Masing-masing perusahaan menggunakannya. Saya tidak mendapatkan sepeser pun dari hasilnya. Rasanya dibohongi kayak gini lebih menyebalkan daripada kebakaran seluruh modal.
Ini membuat saya melihat kembali desain Datanets dari OpenLedger. Mereka mengharuskan setiap dataset yang disubmit untuk menyertakan hash versi lengkap dan timestamp. Selain itu, setiap kali digunakan untuk fine-tuning atau inferensi, akan dihasilkan catatan baru yang terkait di blockchain. Singkatnya, data kamu digunakan oleh siapa, berapa kali, dan berapa biaya inferensinya, semua bisa dilacak $OPEN .
Saya khusus mencari tahu implementasi bukti atribusi mereka. Setiap output model akan menghitung kembali titik data mana yang memberikan kontribusi terbesar. Dan sejarah kontribusi titik data ini tidak bisa diubah. Kamu tidak bisa lagi seperti di platform Web2 yang cuma bilang 'data sudah dianonimkan' lalu lepas dari tanggung jawab bagi hasil. Catatan di blockchain sudah ada, harus dibagi berapa ya harus dibagi segitu.
Jika dibandingkan dengan model UTXO Bitcoin, setiap transaksi dapat dilacak asalnya. OpenLedger menerapkan logika yang sama pada aliran data. Data kamu, seperti UTXO, bisa dilacak kemana pun. Catatan transfer ERC20 dari altcoin juga transparan, tapi itu untuk aliran uang. Ini adalah aliran nilai data, lebih sulit untuk diukur. Namun OpenLedger berhasil menghitungnya menggunakan skor pengaruh.
Tentu saja saya juga punya kekhawatiran. Pelacakan menyeluruh ini sangat menuntut penyimpanan di blockchain. Setiap kali inferensi, semua titik data kontribusi dicatat, jumlah datanya bisa meledak. White paper menyebutkan menggunakan algoritma aproksimasi untuk mengompresi penyimpanan, tetapi apakah kompresi akan menghilangkan akurasi? Saya belum melihat data uji coba. @OpenLedger
Jika akurasi tidak bisa dipertahankan, pembagian hasil mungkin akan menimbulkan sengketa. Saya akan menunggu peluncurannya dan mencari beberapa catatan inferensi nyata untuk memverifikasi sebelum memutuskan untuk berinvestasi.
Hari ini ada dua pertanyaan, pilih salah satu: #OpenLedger