Cosa ha cambiato la mia visione sulla collusione è stata la lettura di MIRA, immaginavo fosse un evento rumoroso, evidente coordinamento, cattivi attori praticamente che sventolano bandiere. Ma il suo inquadramento è più utile di così. Trata la collusione come qualcosa di più silenzioso: somiglianza ripetuta che si nasconde all'interno di un lavoro dall'aspetto normale. Suddividi le richieste tra i nodi, poi studia i modelli di risposta. Se lo stesso cluster continua a rispondere con allineamento sospetto, la rete non ha bisogno di indovinare cosa sta succedendo. Può iniziare a leggere il comportamento del cartello come una banca legge le frodi. È questo che rende il design serio per me. Non si tratta solo di pagare per l'onestà. Si tratta di osservare la disonestà coordinata.

Continuavo a tornare a un esempio più semplice. Pensa a un esame online dove gli studenti sono seduti in righe diverse in modo che non possano copiare dallo stesso foglio. Quel modello di seduta da solo non prova che qualcuno stia imbrogliano, ma rende più facile vedere comportamenti sospetti. Se un piccolo gruppo continua a produrre risposte quasi identiche negli stessi punti deboli, il modello inizia a raccontare la sua storia. È così che MIRA si legge per me. La suddivisione è il passo di separazione. L'analisi della somiglianza è il passo di rilevamento. Mettili insieme, e la collusione smette di sembrare una paura vaga e inizia a sembrare qualcosa che la rete può effettivamente investigare.

@Mira - Trust Layer of AI #Mira $MIRA

MIRA

--

--