&emoji=&slug=kriptovijesti&button_colour=b532ed&font_colour=ffffff&font_family=Poppins&outline_colour=ffffff&coffee_colour=FFDD00)
U ovom članku istražujemo ogroman potencijal AI sustava temeljenih na Large Language Modelu (LLM) u njihovoj primjeni na dinamičku analizu tržišta Ethereuma. Radi lakšeg razumijevanja, kao primjer koristimo analizu umjetne inteligencije na tržištu Ethereum nezamjenjivih tokena (NFT). Općenito, primjena umjetne inteligencije za dobivanje uvida u Ethereum zahtijeva tri koraka. Prvo, potrebno je prikupiti vitalne podatke o Ethereumu u lancu i povezane metapodatke izvan lanca. Nakon toga potrebno je izgraditi specijaliziranu bazu podataka namijenjenu LLM-u. Posljednji je korak primjena pristupa proširenog generiranja dohvaćanja (RAG) temeljenog na LLM-u za analizu podataka i stjecanje uvida.
Prikupljajte NFT podatke na lancu i izvan lanca
U kontekstu NFT-ova, prikupljanje podataka zahtijeva zaranjanje u dimenzije na lancu i izvan lanca. OpenSea, vrhunsko NFT tržište, predstavlja plodno tlo za izvlačenje podataka u lancu, kao što su detalji NFT transakcije i metapodaci. Proces prikupljanja podataka može se provoditi putem OpenSea API dokumentacije, jednostavnog pristupa pristupu podacima u lancu. Istodobno, podaci izvan lanca, kao što su NFT slike ili videozapisi, uvijek se pohranjuju u InterPlanetary File System (IPFS), decentraliziranoj mreži za pohranu. Početni korak uključuje identificiranje IPFS hash-a adresiranog na sadržaj, jedinstvenog identifikatora koji označava NFT sliku unutar IPFS-a. Taj se hash obično nalazi u NFT metapodacima ili je dio pojedinosti o transakciji. Sljedeći potez uključuje konstruiranje URL-a HTTP pristupnika. Opremljen IPFS hashom, može se izgraditi URL, koji naknadno omogućuje slanje HTTP zahtjeva. Alati kao što su Axios ili inherentna funkcija dohvaćanja služe kao idealna pomoć za slanje HTTP GET zahtjeva na konstruirani URL, čime se dohvaćaju podaci NFT slike.
Izgradite LLM bazu podataka znanja
Opremljen LLM-om s odgovarajućim podacima za učinkovit rad, neophodno je izgraditi sveobuhvatnu bazu podataka znanja. Ova baza znanja služila bi kao pouzdan izvor za semantičko pretraživanje, omogućavajući identifikaciju i pronalaženje najrelevantnijih podataka. Posljedično, LLM dobiva ispravan kontekst, čime se olakšava generiranje preciznih rezultata na vaš zahtjev. Nakon prikupljanja podataka u lancu i izvan lanca, potrebno je sustavno čišćenje i organizacija prikupljenih podataka. Ovaj proces uključuje identificiranje relevantnih svojstava i atributa koji su sastavni dio NFT analize, kao što su kategorije, dizajnerski studiji, nositelji intelektualnog vlasništva i povijest prodaje. Postoje mnogi pristupi za izdvajanje tih svojstava iz slika, poput NFT metapodataka ili besplatnog softvera za prepoznavanje slika. Nakon uspješnog izdvajanja i kodiranja značajki podataka, možemo brzo izgraditi personaliziranu LLM bazu podataka.
Upotrijebite AI model temeljen na LLM-u da biste dobili NFT uvide
Oslanjanje isključivo na LLM za generiranje činjeničnog teksta ili čak fino podešavanje modela s vašom bazom podataka ne mora nužno dati činjenično točan odgovor. Stoga predlažemo RAG pristup za NFT analizu podataka. RAG predstavlja metodologiju koja odvaja bazu znanja od jezičnog modela. Ova metodologija uključuje postavljanje pitanja ili podnošenje zahtjeva AI agentu, kao što su upiti koji se odnose na novonastale NFT trendove, različita svojstva ili korelacije i odnose između atributa imovine i tržišnog učinka NFT-a. Naknadno, algoritam pretraživanja, na primjer, Azure Cognitive Search, ispituje najrelevantniji tekst unutar baze znanja, koji će vjerojatno sadržavati traženi odgovor. Kao posljednji korak, sažeti upit, u obliku uputa za LLM zajedno s relevantnim tekstom dokumenta, upućuje se LLM-u. Model zatim koristi ovaj ulaz za formuliranje odgovora koji je usklađen s izvornim zahtjevom, osiguravajući kontekstualno relevantan izlaz temeljen na činjenicama.
AI će postati moćan alat u Blockchain industriji
Ovaj članak koristi Ethereum NFT analizu kao reprezentativni slučaj za demonstraciju učinkovitosti korištenja AI metodologije koja se temelji na LLM-u za dobivanje uvida u blockchain. U svojoj svestranosti, ova metoda ima potencijal za široku primjenu unutar blockchain domene. Predviđamo da će budućnost svjedočiti priljevu LLM alata za poboljšanje i olakšavanje različitih aspekata rada i analize blockchaina.
Prati me na Twitter ili LinkedIn.
 &emoji=&slug=kriptovijesti&button_colour=b532ed&font_colour=ffffff&font_family=Comic&outline_colour=ffffff&coffee_colour=FFDD00)
