Ontem eu fiz um short no Bitcoin a 74120 com 3x de alavancagem. Assim que abri o trade no Ethereum, o Bitcoin subiu na marra. Ele também deu uma pumpada até 76200. Eu tive que manualmente cortar perdas e perdi 15%. Doloroso demais.
Depois de fechar, eu revisei uma tarefa que fiz em uma plataforma de rotulagem de dados. Eles me pediram para rotular três mil imagens e me pagaram 200 dólares. Resultado: seis meses depois, eu descobri que eles venderam esse lote de dados para três empresas de IA. Cada uma delas está usando, e eu não vi um centavo de royalties. Essa sensação de ser explorado é mais nojenta do que um liquidation.
Isso me fez repensar o design do Datanets da OpenLedger. Eles exigem que cada conjunto de dados enviado traga o hash da versão completa e um timestamp. Além disso, toda vez que os dados são usados para tuning ou inferência, uma nova entrada de registro é criada na blockchain. Resumindo, você pode rastrear quem usou seus dados, quantas vezes foram usados e quanto foi gerado em taxas de inferência. Tudo isso pode ser verificado com $OPEN .
Eu dei uma olhada na implementação da prova de atribuição deles. Cada vez que um modelo gera um output, ele recalcula quais pontos de dados contribuíram mais. E o histórico de contribuição desses pontos é imutável. Você não pode mais, como nas plataformas Web2, dizer “os dados foram anonimizados” e se livrar da responsabilidade de divisão. O registro na blockchain está lá, e a divisão é clara.
Comparando com o modelo UTXO do Bitcoin, cada centavo pode ser rastreado até a origem. A OpenLedger aplicou essa mesma lógica ao fluxo de dados. Seus dados são como UTXOs, você pode rastrear para onde foram. As transferências de ERC20 do Ethereum também são transparentes, mas isso se refere ao fluxo de dinheiro. Este é o fluxo do valor dos dados, que é mais difícil de quantificar, mas a OpenLedger conseguiu calcular isso com um score de influência.
Claro que eu também tenho preocupações. Esse rastreamento completo exige muito armazenamento na blockchain. Cada inferência registra a pontuação de todos os pontos de dados contribuídos, o volume de dados pode explodir. O whitepaper menciona o uso de algoritmos aproximados para compressão, mas compressão pode resultar em perda de precisão. Eu ainda não vi dados de teste. @OpenLedger .
Se a precisão não for mantida, as divisões podem gerar disputas. Eu vou esperar eles lançarem e verificar alguns registros de inferência reais antes de decidir se vou investir ou não.
Hoje, duas perguntas, vocês escolhem uma: #OpenLedger .