Paggamit ng Proof-of-Stake para sa Decentralized Credit Bureau

Sa Spectral, gumagawa at nagbibigay-insentibo kami ng network ng mga modeler, creator, user at validator gamit ang proof-of-stake mechanics. Ang ideya — katulad ng Chainlink (LINK) at The Graph's (GRT) na mga modelo — ay ang bumuo ng isang desentralisadong pamilihan na may built-in na mekanismo ng feedback na nagpapalabas at humihikayat sa mga masasamang aktor.

Ang artikulong ito ay bahagi ng CoinDesk's "Staking Week." Si James McGirk ay isang senior na manunulat sa Spectral Finance at ang co-founder ng Lonely ROCKS.

Ang aming multi-asset credit risk oracle (MACRO) score ay isang machine learning model na tumitimbang ng humigit-kumulang 100 on-chain signal para makabuo ng tatlong-digit na marka na hinuhulaan ang posibilidad na mapuksa ang wallet sa isang on-chain loan. Ang marka ay katulad ng FICO score, at mula sa 300 (kumakatawan sa napakataas na panganib ng pagpuksa) hanggang 850, na kumakatawan sa napakababang panganib. Ito ay halos kapareho sa kung ano ang makukuha mo mula sa isang tradisyunal na ulat ng kredito, tanging sa halip na umasa sa Experian, Transunion at Equifax upang KEEP ang iyong paggastos, nag-opt-in ka gamit ang iyong wallet.

Ang pangako ng on-chain na credit score ay ang pag-opt-in nito, ganap na transparent, at sa huli, ang paggawa ng algorithm na bumubuo ng mga marka ay maaaring desentralisado sa pamamagitan ng pagbibigay-insentibo sa isang mapagkumpitensyang pamilihan. Pinasimunuan ng Netflix ang pamamaraan noong 2000s nang mag-alok sila at kalaunan ay nagbayad ng isang milyong dolyar na pabuya sa isang pangkat ng mga data scientist na nagpabuti ng kanilang algorithm ng rekomendasyon ng 10%.

Tingnan din ang: Ang Mga Panganib sa Staking ay Lubos na Hindi Naiintindihan | Opinyon

Ang tradisyunal na modelo ng isang validator network ay ang magbayad ng mga reward sa isang validator node para sa paggawa ng mga block at pagpapatunay ng mga reward, at pagpaparusa sa mga node - na tinatawag na paglaslas - sa pamamagitan ng pag-alis ng kanilang stake kapag sila ay kumilos nang hindi maganda, na nangangailangan ng hindi pagtupad sa node, pag-uugali ng malisyoso. o iba pang blockchain malfeasance. Maaari mo ring gamitin ang pagpapatunay upang magbigay ng insentibo sa isang paligsahan. Halimbawa, maaari mong hatiin ang isang network sa mga modeler (na mga machine learning engineer na kumikita ng mga bounty sa pamamagitan ng paggawa ng mga tumpak na modelo) at mga creator, na gumagawa ng mga hamon sa data science para harapin ng mga modeler, sa kasong ito, isang tumpak na credit score na nabuo mula sa on-chain na impormasyon. .

Mayroon din kaming mga validator, na VET ang kalidad ng mga modelo, at, pagkatapos ng paligsahan, mayroon kaming mga user na nagbabayad para gumamit ng mga marka (ibig sabihin, mga hinuha sa machine learning) na nabuo mula sa mga nanalong modelo. Ang ideya ay gumamit ng Crypto upang mapangalagaan ang isang umuunlad na ecosystem na nagpapalaki ng napakatumpak na mga modelo ng machine learning bilang isang byproduct.

Ang Cryptoeconomics, kapag ito ay gumagana, ay lumilikha ng isang hothouse na kapaligiran kung saan ang mga ideya ay inuulit ng mga tao sa buong mundo. Ang pagtatasa ng creditworthiness ay ONE use case lamang, sa pamamagitan ng pagbuo sa isang blockchain, ang mga matalinong kontrata ay maaaring bumuo ng off-chain processing (tulad ng zero-knowledge machine learning) sa system, kaya halos anumang set ng data ay maaaring ma-encrypt at magtrabaho sa ibinigay na sapat na kapangyarihan sa pagproseso at oras — kung ito man ay pangangaso ng tumor, mga inferens sa rekord ng medikal, mga pagbabayad ng insurance, mga kalkulasyon ng piyansa maging ang pagsasanay ng mga robotic operating system upang maghatid ng mga hamburger.