IA e análise on-chain: como são rastreadas as transações na blockchain

Cada transação numa blockchain pública fica registada de forma permanente e está acessível a todos. No entanto, a simples disponibilidade dos dados não significa que estes sejam fáceis de compreender: os blocos contêm milhões de endereços, montantes e registos temporais, sem nomes nem contexto.

É precisamente aqui que entra a análise on-chain, uma disciplina que transforma estes dados em bruto em informações úteis. Nos últimos anos, a inteligência artificial (IA) tem desempenhado um papel cada vez mais importante nesta área, uma vez que consegue processar volumes de dados que estariam fora do alcance dos analistas humanos.

Neste artigo, explicamos o que é a análise on-chain, como a IA a está a transformar, onde esta combinação já está a ser utilizada e que limitações importa ter em conta.

O que é a análise on-chain?

A análise on-chain é o estudo dos dados registados diretamente na blockchain com o objetivo de compreender o comportamento da rede, do mercado e dos seus participantes. Ao contrário das finanças tradicionais, em que os dados das transações permanecem fechados dentro dos bancos, aqui todo o histórico é público.

Para a segurança e a conformidade regulamentar, os seguintes dados são particularmente importantes:

• Fluxos de fundos: o percurso que os fundos fazem de endereço em endereço, incluindo transferências para plataformas de negociação e outros prestadores de serviços.
• Ligações a entidades conhecidas: se os endereços estão ligados, direta ou indiretamente, a plataformas de negociação, misturadores, mercados da darknet ou endereços sinalizados em casos de fraude.
• Padrões de fracionamento e agregação: a divisão de montantes em muitas transações mais pequenas ou a agregação de fundos provenientes de vários endereços, práticas que podem ser utilizadas para ocultar a origem do dinheiro.
• Interações com contratos inteligentes: que protocolos um endereço utiliza e se entre eles existem contratos comprometidos ou de risco.
• Indicadores gerais de atividade: o número de endereços ativos e o volume de transações, que fornecem contexto para avaliar o que é habitual na rede.

Todas estas métricas estão ao alcance de qualquer pessoa que saiba ler a blockchain. O desafio reside no volume de dados e no facto de os endereços, por si só, não revelarem quem está por trás deles.

Como a IA está a transformar a análise on-chain

A IA não cria dados novos, mas permite uma leitura mais rápida e aprofundada dos dados existentes. As mudanças mais importantes ocorrem em três áreas.

Clustering de endereços

Uma mesma pessoa ou organização utiliza frequentemente muitos endereços diferentes. Os modelos de aprendizagem automática analisam os padrões das transações, por exemplo, endereços que surgem em conjunto como entradas da mesma transação ou padrões temporais semelhantes, e agrupam-nos em entidades prováveis. Assim, em vez de milhares de endereços aparentemente sem ligação, obtém-se uma visão de conjunto de entidades como plataformas de negociação, fundos ou serviços.

Deteção de padrões e anomalias

Os algoritmos conseguem aprender como é o comportamento «habitual» na rede e sinalizar desvios: transferências invulgarmente elevadas, alterações súbitas nos fluxos de fundos ou cadeias de transações típicas da ocultação da origem do dinheiro. Aquilo que levaria dias a um analista, um modelo consegue sinalizar em poucos segundos.

Os modelos de linguagem como interface

Os grandes modelos de linguagem facilitam o acesso à análise a quem não é especialista técnico. Em vez de escrever consultas a uma base de dados, o utilizador pode colocar uma pergunta em linguagem natural, e o modelo traduz essa pergunta numa análise e resume o resultado. Estas ferramentas também podem explicar o que aconteceu numa determinada transação ou num determinado contrato inteligente.

Aplicações práticas

Segurança e proteção dos utilizadores

Os modelos de IA ajudam a detetar precocemente fraudes, campanhas de phishing e contratos inteligentes comprometidos. Quando os fundos provenientes de um ataque informático conhecido começam a circular na rede, os sistemas de análise podem rastrear o seu percurso e alertar as plataformas antes de serem convertidos noutros ativos.

Conformidade regulamentar (AML e Travel Rule)

Os prestadores de serviços de criptoativos na UE têm de aplicar medidas de prevenção do branqueamento de capitais e do financiamento do terrorismo, bem como a Travel Rule, que exige que as transações sejam acompanhadas de informações sobre o ordenante e o beneficiário. A análise on-chain assistida por IA permite avaliar o risco dos endereços, detetar ligações a entidades sancionadas ou de alto risco e monitorizar as transações de forma mais eficiente em grande escala.

Informações sobre o mercado

Os dados on-chain também são utilizados na análise de mercado, mas aí apresentam limitações claras. Escrevemos mais sobre este tema no nosso blog: A analítica de IA na previsão de movimentos de mercado: Vantagens e desvantagens

Investigação e transparência

Jornalistas, investigadores e reguladores utilizam as mesmas ferramentas para analisar acontecimentos de mercado, rastrear fundos em casos de fraude e compreender melhor o funcionamento dos protocolos descentralizados.

Limitações e riscos

A IA alarga consideravelmente as possibilidades da análise on-chain, mas não é infalível.

• Pressupostos errados: o clustering de endereços baseia-se em probabilidades. Um endereço pode ser associado por engano a uma determinada entidade, o que pode levar a conclusões inexatas.
• Enviesamento dos dados de treino: um modelo é tão bom quanto os dados com que foi treinado. Novos padrões de fraude podem passar despercebidos.
• Erros dos modelos de linguagem: os modelos de linguagem por vezes dão respostas convincentes, mas incorretas. As conclusões devem ser sempre verificadas nos dados de origem.
• Privacidade: quanto mais sofisticada for a análise, mais fácil se torna associar endereços a pessoas reais. Isto levanta questões importantes sobre a proteção da privacidade de utilizadores que não cometeram qualquer ato ilícito.
• Dependência excessiva: os sistemas automatizados funcionam melhor como apoio ao discernimento humano, e não como substituto deste.

Que impacto tem isto na utilização diária de criptomoedas?

Para a maioria dos utilizadores de criptomoedas, a IA e a análise on-chain funcionam em segundo plano. Quando uma plataforma regulada verifica uma transação ou pede informações adicionais sobre o destinatário, parte desse processo baseia-se frequentemente precisamente neste tipo de ferramentas. O seu objetivo é proteger os utilizadores e o sistema financeiro contra abusos.

Quem pretende explorar o mercado por conta própria tem também à disposição exploradores de blockchain públicos e plataformas de análise. Ao utilizar este tipo de ferramentas, é útil:

• compreender o que cada métrica mede realmente,
• confirmar as conclusões em várias fontes,
• ter presente que nenhum indicador garante a evolução futura dos preços.

Além disso, é importante lembrar que as transações nas blockchains públicas são permanentemente visíveis, pelo que conhecer os fundamentos da análise on-chain é útil também para a própria segurança e privacidade.

Conclusão

A análise on-chain tira partido de uma das características fundamentais da blockchain, a transparência, para transformar dados em bruto em informações compreensíveis. A inteligência artificial traz a este processo rapidez, escala e acessibilidade: desde o clustering de endereços e a deteção de anomalias até às interfaces em linguagem natural que aproximam a análise de um público mais vasto.

Ao mesmo tempo, a IA continua a ser uma ferramenta que exige verificação e uma utilização responsável. Gera o maior valor quando é combinada com o discernimento humano especializado, um quadro regulamentar claro e o respeito pela privacidade dos utilizadores.