Gains :
- Comprendre que l’apport le plus sûr de l’intelligence artificielle est l’écriture de requêtes d’extraction de données, que la libre interprétation est risquée et que chaque nombre doit être confirmé dans l’explorateur de blocs.
- Capacité à appliquer la discipline consistant à extraire des données de la source, sachant que demander des données de chaîne en direct directement à l'intelligence artificielle produit de faux hachages/adresses.
- Comprendre que les données en chaîne prouvent la visibilité mais pas l'intention, et les limites éthiques de la désanonymisation et du ciblage
L’une des plus grandes forces de la blockchain est sa transparence : chaque transaction, chaque transfert, chaque interaction contractuelle est enregistré publiquement et en permanence. L'analyse en chaîne – examiner les données de transaction, d'adresse et de flux monétaires en chaîne – consiste à lire ce dossier public et à lui donner un sens : suivre un portefeuille, suivre un flux monétaire, mesurer l'utilisation d'un protocole. Dans cette unité, nous apprendrons comment utiliser l'IA comme assistant d'analyse de données et, surtout, comment valider chaque chiffre.
Structure des données en chaîne
Les données de la chaîne sont superposées :
- Bloc : Unité horodatée dans laquelle les transactions sont regroupées.
- Transaction (tx) : Appel de valeur ou contrat d'une adresse à une autre ; Il est identifié par un hachage unique.
- Adresse/portefeuille : l'identité où les fonds sont conservés et négociés.
- Événement (événement/journal) : enregistrements structurels émis par les contrats décrivant ce qui s'est passé.
- Transfert de jetons : changement de mains de jetons tels que ERC-20/ERC-721.
Pour visualiser ces données, on utilise un explorateur de blocs (un site qui affiche des données de chaîne, comme Etherscan) ou des plateformes de requêtes (telles que Dune, The Graph). L'IA ne « connaît » pas elle-même ces données ; Il interprète les données que vous fournissez ou écrit la requête pour récupérer les données.
Attention : demander à l'IA de « récupérer les transactions de ce portefeuille » est inutile et dangereux : l'IA n'est pas connectée à la chaîne en direct et peut générer de faux hachages/adresses. Utilisation correcte : vous extrayez les données et les donnez à l'IA, l'IA les interprète ; Soit l'IA vous écrit la requête qui va extraire les données, et vous l'exécutez.
Deux rôles clés de l'IA dans l'analyse en chaîne
1. Écriture de requêtes. Sur des plateformes comme Dune Analytics, les données sont extraites avec des requêtes de type SQL. L'IA est puissante pour écrire ces requêtes : "écrivez la requête qui renvoie le nombre quotidien de transactions du contrat suivant au cours des 30 derniers jours". La requête est déterministe ; vous l'exécutez et voyez le résultat - le risque d'hallucination est faible car la source de données produit le résultat, pas l'IA.
2. Interprétation des résultats. Vous donnez les données que vous avez capturées à l'IA et demandez : « Que montre ce flux d'argent ? Y a-t-il une tendance ? demandez-vous. Le risque d'hallucinations est ici élevé ; Chaque commentaire doit renvoyer à la source.
Le profil de risque de ces deux rôles est différent : l’écriture de requêtes est relativement sûre (le résultat vient de la source), la libre interprétation est relativement risquée (l’IA peut l’inventer).
Invite faible/Invite forte
Invite faible :
Analysez les transactions du portefeuille suivant : 0x1234...
L'IA ne dépend pas de données en direct ; Cette invite le pousse à inventer des choses.
Invite puissante (pour requête) :
Votre rôle : analyste de données en chaîne. Écrivez une requête SQL pour Dune : renvoie le nombre QUOTIDIEN d'adresses d'expéditeur uniques et le volume total de transfert du contrat [jeton ERC-20 suivant] au cours des 30 derniers jours. Décrivez les noms de table et de champ que vous avez utilisés. Si la requête ne fonctionne pas, notez vos hypothèses afin que je puisse y remédier. AJUSTEMENT DES DONNÉES ; générez simplement la requête.
Invite puissante (pour les commentaires) :
Vous trouverez ci-dessous le résultat RÉEL de Dune (je l'ai photographié). Interprétez les modèles en vous basant uniquement sur les chiffres RÉELLEMENT contenus dans ce graphique : augmentation/diminution du volume, saut inhabituel, concentration. Affichez chaque commentaire avec la ligne/le numéro correspondant. N'ajoutez aucun nombre qui ne figure pas dans le tableau. Ne prétendez pas de causalité ; Écrivez les explications possibles sous forme d’« hypothèse ».
Quatre modèles copiables
1) Génération de requêtes :
Écrivez une requête pour Dune/SQL : [période] sur [contrat/adresse] pour [métrique]. Expliquez les tables que vous avez utilisées et la logique JOIN. Je vais courir et vérifier le résultat ; fabrication de données.
2) Aperçu du suivi des flux monétaires :
Je vous donnerai un ensemble d'enregistrements de transfert RÉELS (adresse, montant, heure). Transformez-les en un récit de flux traçable : où sont passés les fonds, y a-t-il concentration ? Utilisez uniquement les enregistrements que je fournis ; connectez chaque étape à la ligne correspondante. Adresse fausse.
3) Interprétation métrique :
Commentez le tableau des métriques réelles ci-dessous : nombre d'utilisateurs, volume, moyenne par transaction. Énoncer les changements significatifs et les causes possibles (hypothèse). Ajouter des données qui ne sont pas dans le tableau ; établir une causalité définitive.
4) Marquage des anomalies :
Référence : cette adresse gère normalement ~[N] transactions, soit ~[X] volume par jour. Je vais vous donner les vrais disques. Marquez uniquement les événements qui s'écartent de la ligne de base en fonction de ce qui s'est RÉELLEMENT passé dans le dossier ; montrez chacun avec une ligne. Terminez le commentaire par « doit être révisé ».
Trois mini-cases (en chiffres)
Cas 1 — La requête 1 a réduit la journée à 20 minutes. Un analyste essayait d'extraire manuellement la croissance des utilisateurs d'un protocole sur 90 jours. Il a demandé à l'IA d'écrire une requête Dune ; Vous avez une requête fonctionnelle et un graphique en 20 minutes. Les chiffres étaient fiables car ils provenaient de la source. Leçon : l'écriture de requêtes est la contribution la plus sûre et la plus efficace de l'IA.
Cas 2 – Faux hash détecté. Un analyste a directement demandé à l'IA de "résumer les récentes transactions de ce portefeuille de baleines". AI a donné une liste fluide ; Mais une fois vérifiés sur Etherscan, la plupart des hachages de transactions étaient des fabrications qui n'existaient pas du tout. Leçon : demander à l’IA des données en direct produit des hallucinations ; les données sont extraites de la source.
Cas 3 — Modèle de concentration confirmé. Un analyste a transmis les données de transfert réelles qu’il avait capturées à l’IA et les a fait interpréter. YZ a noté une tendance selon laquelle les fonds étaient concentrés sur quelques adresses. L'analyste a confirmé cette adresse par adresse sur l'explorateur de blocs : le modèle était réel et indiquait un risque de distribution. Leçon : l’interprétation avec des données réelles est précieuse ; Mais la confirmation vient encore une fois de la source.
Confidentialité et éthique
Bien que les données en chaîne soient « ouvertes », leur analyse présente des limites éthiques :
- Désanonymisation : faire correspondre les adresses avec des personnes réelles (en particulier en cas de fuite de données) constitue une grave violation de la vie privée ; effectué uniquement dans un contexte légal et autorisé.
- Harcèlement/ciblage : il est contraire à l'éthique de suivre un portefeuille et de cibler son propriétaire.
- Conseils en investissement : des déductions telles que « Cette baleine achète, vous devriez le faire aussi » sont à la fois trompeuses et engagent des responsabilités.
- Manque de contexte : les données de la chaîne n'indiquent pas une intention ; Un transfert peut être un crime ou un crime ordinaire. La surinterprétation est dangereuse.
Astuce : mesurez chaque réclamation en chaîne comme « les données montrent X », et non « la personne fait Y ». La chaîne rend la transaction visible mais ne prouve pas l'intention.
Erreurs courantes
- Demander des données en direct directement à l'IA. Génère un faux hachage/adresse.
- Ne pas lier le commentaire à la source. Chaque numéro doit être confirmé dans l'explorateur de blocs.
- Confondre corrélation et causalité. Le modèle de chaîne ne prouve pas l’intention.
- Faire correspondre les adresses avec des individus non confirmés. Risque de violation de confidentialité et d’erreur.
- Transformer l'inférence en chaîne en conseils d'investissement. C’est trompeur et cela crée une responsabilité.
- Partager la requête sans la documenter au lieu d'un gros contrat. La répétabilité disparaît.
En résumé
- L'analyse en chaîne est le processus de lecture et d'extraction de sens à partir de données en chaîne ouverte.
- La contribution la plus sûre de l’IA est l’écriture de requêtes ; Le résultat vient de la source, le risque d'hallucinations est faible.
- La libre interprétation est risquée ; chaque numéro doit être confirmé dans l'explorateur de blocs.
- Les données en chaîne prouvent la visibilité mais pas l'intention ; Les interprétations excessives sont évitées.
- La désanonymisation et le ciblage sont effectués uniquement dans un contexte autorisé avec des limites éthiques.
Tâche de candidature
Choisissez un protocole ou un jeton. Écrivez une requête à l'IA avec l'invite « génération de requête » qui renvoie le nombre quotidien de transactions de ce jeton au cours des 30 derniers jours (Dune est disponible gratuitement). Exécutez la requête. Demandez ensuite à l'IA d'interpréter le résultat avec l'invite « interprétation métrique ». Confirmez chaque affirmation dans le commentaire d'AI dans le tableau des résultats réels et notez s'il existe une affirmation qui n'a pas d'équivalent dans le tableau.
liste de contrôle
- [ ] Je n'ai pas demandé de données en direct à l'IA ; Je l'ai extrait de la source.
- [ ] J'ai exécuté la requête et vérifié le résultat.
- [ ] J'ai lié chaque commentaire à la ligne de données réelle.
- [ ] Je n'ai pas présenté la corrélation comme causalité.
- [ ] Je n'ai pas effectué la correspondance adresse-personne sans autorisation.
- [ ] Je n'ai pas traduit mon intérêt en conseil en investissement.
- [ ] J'ai documenté la requête de manière reproductible.