Штучний інтелект у Web3: виклики та рішення для Рівня даних

Екосистема Web3 стикається з великими можливостями та викликами у застосуванні ШІ. У цій статті детально розглядаються потреби у даних для AI-партнерів у середовищі Web3, поточні труднощі та ключові елементи побудови рівня даних, готового до ШІ.

Потреби у даних AI-партнерів та сучасний стан Web3

Робочий процес AI-партнера можна узагальнити так: спостереження, прийняття рішення, дія, навчання. Цикл залежить від свіжих, надійних, без дозволу даних. Однак дані екосистеми Web3 розподілені між кількома гетерогенними ланцюгами, вузлами, індексаторами та позаблоковими оракулами, кожен із яких має свої унікальні затримки, кінцевість, семантику та моделі збоїв. Це ускладнює отримання високоякісних даних для AI-партнерів.

Виклики для розробників AI у Web3

1. Гетерогенність: кожен ланцюг має свої унікальні поведінки RPC, журнали, моделі подій тощо, тому базові запити потребують налаштування індексаторів.

2. Свіжість даних та баланс між вартістю та швидкодією: дані з низькою вартістю зазвичай оновлюються повільно, а швидкі дані — дорогі.

3. Семантичний аналіз: перетворення сирих журналів у значущі об’єкти, такі як Ліквідність, Позиції, Прибуток/збиток, потребує постійного ETL та повторних обчислень.

4. Надійність під навантаженням: затримки мережі та оракула створюють кінцеві ризики, з якими автономні агенти важко справлятися.

Визначення операційних даних та слабкі місця Web3

Операційні дані — це ті, на яких AI-партнер може швидко приймати рішення та виконувати дії у обмежений час. Вимоги включають:

• Стандартизація семантики між ланцюгами
• Свежість та визначеність
• Можливість верифікації
• Локальність обчислень
• Потокова обробка та можливість повернення у часі

Поточний технологічний стек Web3 забезпечує частину функцій, таких як (, наприклад, субграфи, RPC, аналітичні API, ), але бракує цілісної, крос-ланцюгової, низьколатентної інфраструктури даних.

Ключові характеристики рівня даних, готового до ШІ

1. Збір та стандартизація даних із кількох ланцюгів: уніфіковані моделі, чіткі одиниці та кількість десяткових знаків.

2. Потокова обробка та знімки: подібно Kafka, події потоку та OLAP-знімки, що підтримують повернення у часі та зв’язки даних.

3. Відстежувані дзеркальні копії: детерміновані Знімки субграфів, версійовані трансформації та цілісність перевірок.

4. Обчислення у потоці: вбудовані функції для обчислення Волатильності, Глибини Ліквідності, маршрутизації тощо.

5. API для визначення свіжості кінцевості: кожне зчитування повертає рівень свіжості, кількість підтверджень та рівень кінцевості.

6. Хук для намірів: зв’язок із системою виконання намірів на рівні, підтримка емуляції та верифікації.

7. Безпека та аудит: обмеження швидкості, запобігання перевантаженню, повторне відтворення журналів та підтвердження після торгівлі.

Майбутнє AI × Web3

Побудова відповідного рівня даних відкриє нові можливості:

• Автономне ціноутворення маркет-мейкерів з урахуванням свіжості та кінцевості даних
• Громадське управління: аналіз пропозицій, моделювання результатів та надання криптографічних доказів
• Стратегії крос-ланцюгових інвестиційних портфелів: автоматизація на основі системи виконання намірів
• Ринки даних: набори даних із оплатою у блокчейні та доказами використання, а також сервісами для висновків

Висновок

Для команд, що прагнуть зробити AI-партнерів наступним поколінням інтерфейсів користувача, вибір архітектури визначить успіх продукту. Команди, що постійно ремонтують RPC-запити та налаштовують ETL, будуть важко адаптуватися до багатоланцюгових, реальних часів та конкурентних ринків. А ті, що побудують рівень даних, готовий до ШІ — стандартизований, дзеркальний, обчислюваний, що відчуває кінцевість і з’єднаний із системою виконання намірів, — зможуть розгортати високоефективних агентів для спостереження, прийняття рішень, дій та навчання у виробничих масштабах.

Забезпечте AI-партнерів належною інфраструктурою даних. Ринок не чекатиме, і вони вже дуже голодні.