AI i on-chain analitika: kako se prate transakcije na blockchainu

Svaka transakcija na javnom blockchainu trajno je zapisana i dostupna svima. Ipak, sama dostupnost podataka ne znači da ih je lako razumjeti: blokovi sadrže milijune adresa, iznosa i vremenskih oznaka bez imena i konteksta.

Upravo tu nastupa on-chain analitika, disciplina koja te sirove podatke pretvara u korisne uvide. Posljednjih godina sve važniju ulogu u njoj ima umjetna inteligencija (AI), koja može obraditi količine podataka kakve bi ljudskim analitičarima bile nedostižne.

U ovom blogu objašnjavamo što je on-chain analitika, kako je AI mijenja, gdje se ta kombinacija već koristi te koja ograničenja treba imati na umu.

Što je on-chain analitika?

On-chain analitika je proučavanje podataka zapisanih izravno na blockchainu kako bi se razumjelo ponašanje mreže, tržišta i njegovih sudionika. Za razliku od tradicionalnih financija, gdje su podaci o transakcijama zatvoreni unutar banaka, ovdje je cijela povijest javna.

Za sigurnost i usklađenost s propisima posebno su važni sljedeći podaci:

• Tokovi sredstava: put koji sredstva prolaze od adrese do adrese, uključujući prijenose prema burzama i drugim pružateljima usluga.
• Povezanost s poznatim entitetima: jesu li adrese u izravnoj ili neizravnoj vezi s burzama, mikserima, darknet tržnicama ili adresama označenima u slučajevima prijevara.
• Obrasci razlaganja i spajanja: dijeljenje iznosa na mnogo manjih transakcija ili spajanje sredstava s više adresa, što se može koristiti za prikrivanje podrijetla novca.
• Interakcije s pametnim ugovorima: koje protokole adresa koristi i jesu li među njima kompromitirani ili rizični ugovori.
• Opći pokazatelji aktivnosti: broj aktivnih adresa i volumen transakcija, koji daju kontekst za procjenu što je na mreži uobičajeno.

Sve te metrike dostupne su svakome tko zna čitati blockchain. Izazov je u opsegu podataka i u tome što adrese same po sebi ne otkrivaju tko stoji iza njih.

Kako AI mijenja on-chain analitiku

AI ne stvara nove podatke, ali omogućuje brže i dublje čitanje postojećih. Najvažnije promjene događaju se u tri područja.

Klasteriranje adresa

Jedna osoba ili organizacija često koristi mnogo različitih adresa. Modeli strojnog učenja analiziraju obrasce transakcija, primjerice adrese koje se zajedno pojavljuju kao ulazi u istoj transakciji ili slične vremenske obrasce, i grupiraju ih u vjerojatne cjeline. Tako se, umjesto tisuća nepovezanih adresa, dobiva pregled entiteta poput burzi, fondova ili usluga.

Prepoznavanje obrazaca i anomalija

Algoritmi mogu naučiti kako izgleda „uobičajeno“ ponašanje na mreži i označiti odstupanja: neobično velike prijenose, nagle promjene u tokovima sredstava ili lance transakcija tipične za prikrivanje podrijetla novca. Ono što bi analitičaru oduzelo dane, model može označiti za nekoliko sekundi.

Jezični modeli kao sučelje

Veliki jezični modeli olakšavaju pristup analitici onima koji nisu tehnički stručnjaci. Umjesto pisanja upita nad bazom podataka, korisnik može postaviti pitanje običnim jezikom, a model ga prevodi u analizu i sažima rezultat. Takvi alati mogu i objašnjavati što se dogodilo u pojedinoj transakciji ili pametnom ugovoru.

Praktične primjene

Sigurnost i zaštita korisnika

AI modeli pomažu u ranom otkrivanju prijevara, phishing kampanja i kompromitiranih pametnih ugovora. Kada se sredstva iz poznatog hakerskog napada počnu kretati mrežom, analitički sustavi mogu pratiti njihov put i upozoriti platforme prije nego što se pretvore u druge imovine.

Usklađenost s propisima (AML i Travel Rule)

Pružatelji usluga povezanih s kriptoimovinom u EU-u moraju provoditi mjere sprječavanja pranja novca i financiranja terorizma te primjenjivati Travel Rule, koji zahtijeva prijenos podataka o pošiljatelju i primatelju uz transakcije. On-chain analitika uz pomoć AI-ja omogućuje procjenu rizika adresa, otkrivanje veza sa sankcioniranim ili visokorizičnim entitetima te učinkovitije praćenje transakcija u velikom opsegu.

Tržišni uvidi

On-chain podaci koriste se i za analizu tržišta, no tamo imaju jasna ograničenja. Više o tome pisali smo u blogu: AI analitika u predviđanju tržišnih kretanja: Prednosti i mane

Istraživanje i transparentnost

Novinari, istraživači i regulatori koriste iste alate za analizu događaja na tržištu, praćenje sredstava u slučajevima prijevara i bolje razumijevanje funkcioniranja decentraliziranih protokola.

Ograničenja i rizici

AI značajno proširuje mogućnosti on-chain analitike, ali nije nepogrešiv.

• Pogrešne pretpostavke: klasteriranje adresa temelji se na vjerojatnostima. Adresa može biti pogrešno povezana s određenim entitetom, što može dovesti do netočnih zaključaka.
• Pristranost podataka za učenje: model je dobar onoliko koliko su dobri podaci na kojima je treniran. Novi obrasci prijevara mogu ostati neprepoznati.
• Greške jezičnih modela: jezični modeli ponekad daju uvjerljive, ali netočne odgovore. Zaključke je uvijek potrebno provjeriti u izvornim podacima.
• Privatnost: što je analitika sofisticiranija, to je lakše povezati adrese sa stvarnim osobama. To otvara važna pitanja o zaštiti privatnosti korisnika koji nisu učinili ništa nezakonito.
• Pretjerano oslanjanje: automatizirani sustavi najbolje funkcioniraju kao podrška ljudskoj procjeni, a ne kao njezina zamjena.

Kako to utječe na svakodnevno korištenje kriptovaluta?

Za većinu korisnika kriptovaluta AI i on-chain analitika rade u pozadini. Kada regulirana platforma provjerava transakciju ili traži dodatne podatke o primatelju, dio tog procesa često se oslanja upravo na ovakve alate. Njihova je svrha zaštiti korisnike i financijski sustav od zlouporaba.

Korisnicima koji žele samostalno istraživati tržište dostupni su i javni blockchain preglednici te analitičke platforme. Pri korištenju takvih alata korisno je:

• razumjeti što pojedina metrika zaista mjeri,
• provjeravati zaključke u više izvora,
• imati na umu da nijedan pokazatelj ne jamči buduće kretanje cijena.

Također, važno je zapamtiti da su transakcije na javnim blockchainima trajno vidljive, pa je razumijevanje osnova on-chain analitike korisno i za vlastitu sigurnost i privatnost.

Zaključak

On-chain analitika koristi jednu od temeljnih značajki blockchaina, transparentnost, kako bi sirove podatke pretvorila u razumljive uvide. Umjetna inteligencija tom procesu donosi brzinu, opseg i dostupnost: od klasteriranja adresa i otkrivanja anomalija do jezičnih sučelja koja analitiku približavaju široj publici.

Istodobno, AI ostaje alat koji zahtijeva provjeru i odgovornu primjenu. Najveću vrijednost donosi kada se kombinira sa stručnom ljudskom procjenom, jasnim regulatornim okvirom i poštovanjem privatnosti korisnika.