નફો:
- એ સમજવું કે આર્ટિફિશિયલ ઇન્ટેલિજન્સનું સૌથી સુરક્ષિત યોગદાન ડેટા એક્સ્ટ્રાક્શન ક્વેરી રાઇટિંગ છે, તે મફત અર્થઘટન જોખમી છે અને બ્લોક એક્સપ્લોરરમાં દરેક નંબરની પુષ્ટિ થવી જોઈએ.
- સ્ત્રોતમાંથી ડેટા ખેંચવાની શિસ્ત લાગુ કરવાની ક્ષમતા, એ જાણીને કે કૃત્રિમ બુદ્ધિમત્તાથી લાઇવ ચેઇન ડેટાની વિનંતી કરવાથી નકલી હેશ/સરનામું ઉત્પન્ન થાય છે.
- સમજો કે સાંકળ ડેટા દૃશ્યતા સાબિત કરે છે પરંતુ ઉદ્દેશ્ય નથી, અને અનામીકરણ અને લક્ષ્યીકરણની નૈતિક મર્યાદાઓ
બ્લોકચેનની સૌથી મોટી શક્તિઓમાંની એક તેની પારદર્શિતા છે: દરેક વ્યવહાર, દરેક ટ્રાન્સફર, દરેક કરારની ક્રિયાપ્રતિક્રિયા સાર્વજનિક અને કાયમી ધોરણે રેકોર્ડ કરવામાં આવે છે. ઓન-ચેઈન વિશ્લેષણ-ઓન-ચેઈન ટ્રાન્ઝેક્શન, સરનામું અને મની ફ્લો ડેટાની તપાસ કરવી-આ જાહેર રેકોર્ડને વાંચવાની અને તેનો અર્થ સમજવાની ક્રિયા છે: વૉલેટને ટ્રૅક કરવું, નાણાંના પ્રવાહને ટ્રૅક કરવું, પ્રોટોકોલના ઉપયોગને માપવા. આ એકમમાં, અમે ડેટા વિશ્લેષણ સહાયક તરીકે AI નો ઉપયોગ કેવી રીતે કરવો અને-વિવેચનાત્મક રીતે-દરેક નંબરને કેવી રીતે માન્ય કરવો તે શીખીશું.
ઓન-ચેઇન ડેટાનું માળખું
સાંકળ ડેટા સ્તરવાળી છે:
- બ્લોક: સમય-સ્ટેમ્પ્ડ એકમ જેમાં વ્યવહારોને જૂથબદ્ધ કરવામાં આવે છે.
- ટ્રાન્ઝેક્શન (tx): એક સરનામાંથી બીજા સરનામાં પર મૂલ્ય અથવા કરારનો કૉલ; તે અનન્ય હેશ સાથે ઓળખાય છે.
- સરનામું/વોલેટ: ઓળખ જ્યાં ભંડોળ રાખવામાં આવે છે અને વ્યવહાર કરવામાં આવે છે.
- ઇવેન્ટ (ઇવેન્ટ/લોગ): શું થયું તેનું વર્ણન કરતા કોન્ટ્રાક્ટ્સ દ્વારા ઉત્સર્જિત માળખાકીય રેકોર્ડ્સ.
- ટોકન ટ્રાન્સફર: ERC-20/ERC-721 જેવા ટોકન્સના હાથ બદલવા.
આ ડેટા જોવા માટે, બ્લોક એક્સપ્લોરર (એક સાઇટ જે સાંકળ ડેટા દર્શાવે છે, જેમ કે ઇથરસ્કેન) અથવા ક્વેરી પ્લેટફોર્મ્સ (જેમ કે ડ્યુન, ધ ગ્રાફ) નો ઉપયોગ કરવામાં આવે છે. AI આ ડેટાને પોતે "જાણતું" નથી; તે તમે પ્રદાન કરો છો તે ડેટાનું અર્થઘટન કરે છે અથવા ડેટા પુનઃપ્રાપ્ત કરવા માટે ક્વેરી લખે છે.
સાવધાન: AI ને "તે વૉલેટના વ્યવહારો લાવવા" કહેવું નકામું અને જોખમી છે — AI લાઇવ ચેઇન સાથે જોડાયેલ નથી અને તે નકલી હેશ/સરનામું જનરેટ કરી શકે છે. સાચો ઉપયોગ: તમે ડેટા કાઢો અને તેને AI ને આપો, AI તેનું અર્થઘટન કરે છે; અથવા AI તમને ક્વેરી લખે છે જે ડેટાને એક્સટ્રેક્ટ કરશે અને તમે તેને ચલાવો છો.
ઓન-ચેઈન વિશ્લેષણમાં AI ની બે મુખ્ય ભૂમિકાઓ
1. પ્રશ્ન લેખન. ડ્યૂન એનાલિટિક્સ જેવા પ્લેટફોર્મમાં, ડેટા SQL જેવી ક્વેરીઝ સાથે ખેંચવામાં આવે છે. AI આ ક્વેરીઝ લખવામાં શક્તિશાળી છે: "છેલ્લા 30 દિવસ માટે નીચેના કોન્ટ્રાક્ટના દૈનિક વ્યવહારની ગણતરી પરત કરતી ક્વેરી લખો." પ્રશ્ન નિર્ધારિત છે; તમે તેને ચલાવો અને પરિણામ જુઓ — ભ્રમણાનું જોખમ ઓછું છે કારણ કે ડેટા સ્ત્રોત પરિણામ ઉત્પન્ન કરે છે, AI નહીં.
2. પરિણામ અર્થઘટન. તમે કેપ્ચર કરેલ ડેટા AI ને આપો અને પૂછો, "આ મની ફ્લો શું દર્શાવે છે? શું કોઈ પેટર્ન છે?" તમે પૂછો. આભાસનું જોખમ અહીં ઊંચું છે; દરેક ટિપ્પણી સ્રોત સાથે લિંક હોવી આવશ્યક છે.
આ બે ભૂમિકાઓની જોખમ રૂપરેખા અલગ છે: ક્વેરી લેખન પ્રમાણમાં સલામત છે (પરિણામ સ્ત્રોતમાંથી આવે છે), મુક્ત અર્થઘટન પ્રમાણમાં જોખમી છે (AI તેને બનાવી શકે છે).
નબળા પ્રોમ્પ્ટ / મજબૂત પ્રોમ્પ્ટ
નબળા પ્રોમ્પ્ટ:
નીચેના વોલેટના વ્યવહારોનું વિશ્લેષણ કરો: 0x1234...
AI જીવંત ડેટા પર આધારિત નથી; આ પ્રોમ્પ્ટ તેને વસ્તુઓ બનાવવા માટે દબાણ કરે છે.
શક્તિશાળી પ્રોમ્પ્ટ (ક્વેરી માટે):
તમારી ભૂમિકા: ઓન-ચેન ડેટા વિશ્લેષક. ડ્યુન માટે એક SQL ક્વેરી લખો: છેલ્લા 30 દિવસમાં [નીચેના ERC-20 ટોકન] કરારના DAILY અનન્ય પ્રેષક સરનામાની સંખ્યા અને કુલ ટ્રાન્સફર વોલ્યુમ પરત કરો. તમે ઉપયોગમાં લીધેલા ટેબલ અને ફીલ્ડના નામોનું વર્ણન કરો. જો ક્વેરી કામ ન કરતી હોય, તો તમારી ધારણાઓ લખો જેથી હું તેને ઠીક કરી શકું. ડેટા ફિટિંગ; ફક્ત ક્વેરી જનરેટ કરો.
શક્તિશાળી પ્રોમ્પ્ટ (ટિપ્પણીઓ માટે):
નીચે વાસ્તવિક ડ્યુન પરિણામ છે (મેં તેને શૂટ કર્યું છે). આ ચાર્ટમાંના આંકડાઓ પર આધારિત પેટર્નનું અર્થઘટન કરો: વોલ્યુમ વધારો/ઘટાડો, અસામાન્ય કૂદકો, એકાગ્રતા. દરેક ટિપ્પણીને અનુરૂપ પંક્તિ/નંબર સાથે બતાવો. કોષ્ટકમાં ન હોય તેવી કોઈપણ સંખ્યા ઉમેરશો નહીં. કાર્યકારણનો દાવો કરશો નહીં; સંભવિત સ્પષ્ટતાઓને "પૂર્તિકલ્પના" તરીકે લખો.
ચાર નકલ કરી શકાય તેવા નમૂનાઓ
1) ક્વેરી જનરેશન:
ડ્યુન/એસક્યુએલ માટે ક્વેરી લખો: [મેટ્રિક] માટે [કોન્ટ્રાક્ટ/સરનામું] પર [સમય અવધિ]. તમે ઉપયોગમાં લીધેલ કોષ્ટકો અને JOIN તર્ક સમજાવો. હું દોડીશ અને પરિણામ ચકાસીશ; ડેટા ફેબ્રિકેશન.
2) મની ફ્લો ટ્રેકિંગ રૂપરેખા:
હું તમને વાસ્તવિક ટ્રાન્સફર રેકોર્ડ્સનો સેટ આપીશ (સરનામું, રકમ, સમય). આને ટ્રેક કરી શકાય તેવા પ્રવાહના વર્ણનમાં ફેરવો: ભંડોળ ક્યાં ગયું, ત્યાં એકાગ્રતા છે? માત્ર હું પ્રદાન કરું છું તે રેકોર્ડનો ઉપયોગ કરો; દરેક પગલાને અનુરૂપ લાઇન સાથે જોડો. સરનામું નકલી.
3) મેટ્રિક અર્થઘટન:
નીચે વાસ્તવિક મેટ્રિક્સ ટેબલ પર ટિપ્પણી કરો: વપરાશકર્તાઓની સંખ્યા, વોલ્યુમ, વ્યવહાર દીઠ સરેરાશ. નોંધપાત્ર ફેરફારો અને સંભવિત કારણો (પૂર્તિકલ્પના) જણાવો. કોષ્ટકમાં ન હોય તેવા ડેટાને ઉમેરવું; ચોક્કસ કાર્યકારણ સ્થાપિત કરવું.
4) વિસંગતતા માર્કિંગ:
બેઝલાઇન: આ સરનામું સામાન્ય રીતે ~[N] વ્યવહારો, ~[X] વોલ્યુમ પ્રતિ દિવસનું સંચાલન કરે છે. હું તમને વાસ્તવિક રેકોર્ડ્સ આપીશ. રેકોર્ડમાં ખરેખર શું થયું તેના આધારે બેઝલાઇનમાંથી વિચલિત થતી ઘટનાઓને જ ચિહ્નિત કરો; દરેકને એક લીટી સાથે બતાવો. "સમીક્ષાની જરૂર છે" સાથે ટિપ્પણી સમાપ્ત કરો.
ત્રણ નાના કેસ (સંખ્યામાં)
કેસ 1 — ક્વેરી 1 એ દિવસ ઘટાડીને 20 મિનિટ કર્યો. એક વિશ્લેષક પ્રોટોકોલના 90-દિવસના વપરાશકર્તા વૃદ્ધિને મેન્યુઅલી કાઢવાનો પ્રયાસ કરી રહ્યો હતો. તેણે AI ને ડ્યુન ક્વેરી લખી; 20 મિનિટમાં વર્કિંગ ક્વેરી અને ગ્રાફ મળ્યો. નંબરો વિશ્વસનીય હતા કારણ કે તેઓ સ્ત્રોતમાંથી આવ્યા હતા. પાઠ: ક્વેરી લેખન એ એઆઈનું સૌથી સુરક્ષિત અને કાર્યક્ષમ યોગદાન છે.
કેસ 2 - નકલી હેશ પકડાયો. એક વિશ્લેષકે AI ને સીધું કહ્યું કે "તે વ્હેલ વૉલેટના તાજેતરના વ્યવહારોનો સારાંશ આપો." AI એ અસ્ખલિત સૂચિ આપી; પરંતુ જ્યારે Etherscan પર તપાસ કરવામાં આવી, ત્યારે મોટાભાગની ટ્રાન્ઝેક્શન હેશ ફેબ્રિકેશન હતી જે બિલકુલ અસ્તિત્વમાં ન હતી. પાઠ: જીવંત ડેટા માટે AI પૂછવાથી આભાસ થાય છે; ડેટા સ્ત્રોતમાંથી ખેંચાય છે.
કેસ 3 - એકાગ્રતા પેટર્ન પુષ્ટિ. એક વિશ્લેષકે એઆઈને કેપ્ચર કરેલો વાસ્તવિક ટ્રાન્સફર ડેટા આપ્યો અને તેનું અર્થઘટન કર્યું. YZ એ એક પેટર્ન નોંધ્યું જેમાં ભંડોળ થોડા સરનામામાં કેન્દ્રિત હતું. વિશ્લેષકે બ્લોક એક્સપ્લોરર પરના સરનામા દ્વારા આ સરનામાની પુષ્ટિ કરી હતી - પેટર્ન વાસ્તવિક હતી અને વિતરણ જોખમ સૂચવ્યું હતું. પાઠ: વાસ્તવિક ડેટા સાથેનું અર્થઘટન મૂલ્યવાન છે; પરંતુ પુષ્ટિ ફરીથી સ્ત્રોતમાંથી છે.
ગોપનીયતા અને નીતિશાસ્ત્ર
જ્યારે ઓન-ચેઈન ડેટા "ખુલ્લો" છે, ત્યારે તેના વિશ્લેષણમાં નૈતિક મર્યાદાઓ છે:
- અનામીકરણ: વાસ્તવિક વ્યક્તિઓ (ખાસ કરીને લીક થયેલ ડેટા સાથે) સરનામું મેળવવું એ ગોપનીયતાનું ગંભીર ઉલ્લંઘન છે; માત્ર કાનૂની અને અધિકૃત સંદર્ભમાં કરવામાં આવે છે.
- પજવણી/લક્ષ્યીકરણ: વૉલેટને ટ્રૅક કરવું અને તેના માલિકને લક્ષ્ય બનાવવું અનૈતિક છે.
- રોકાણ સલાહ: "તે વ્હેલ ખરીદી રહી છે, તમારે પણ જોઈએ" જેવા અનુમાન ભ્રામક છે અને જવાબદારીનું કારણ બને છે.
- સંદર્ભનો અભાવ: સાંકળ ડેટા ઉદ્દેશ્ય સૂચવતો નથી; ટ્રાન્સફર ગુનો અથવા સામાન્ય હોઈ શકે છે. વધુ પડતું અર્થઘટન જોખમી છે.
ટીપ: દરેક ઓન-ચેઈન દાવાને "ડેટા X બતાવે છે" તરીકે માપો, "વ્યક્તિ Y કરે છે" તરીકે નહીં. સાંકળ વ્યવહારને દૃશ્યમાન બનાવે છે પરંતુ ઉદ્દેશ્ય સાબિત કરતી નથી.
સામાન્ય ભૂલો
- AI થી સીધા જ લાઇવ ડેટાની વિનંતી કરવી. નકલી હેશ/સરનામું જનરેટ કરે છે.
- ટિપ્પણીને સ્રોત સાથે લિંક કરી રહ્યાં નથી. બ્લોક એક્સપ્લોરરમાં દરેક નંબરની પુષ્ટિ થવી આવશ્યક છે.
- કાર્યકારણ માટે સહસંબંધની ભૂલ. સાંકળ પેટર્ન ઉદ્દેશ્ય સાબિત કરતી નથી.
- અપ્રમાણિત વ્યક્તિઓ સાથે મેળ ખાતા સરનામાં. ગોપનીયતા ભંગ અને ભૂલનું જોખમ.
- ઓન-ચેઇન અનુમાનને રોકાણ સલાહમાં ફેરવવું. તે ભ્રામક છે અને જવાબદારી બનાવે છે.
- એક મોટા કરારને બદલે તેને દસ્તાવેજ કર્યા વિના ક્વેરી શેર કરવી. પુનરાવર્તિતતા દૂર થાય છે.
સારાંશમાં
- ઑન-ચેઇન વિશ્લેષણ એ ઓપન ચેઇન ડેટામાંથી અર્થ વાંચવાની અને કાઢવાની પ્રક્રિયા છે.
- AI નું સૌથી સુરક્ષિત યોગદાન ક્વેરી લેખન છે; પરિણામ સ્ત્રોતમાંથી આવે છે, આભાસનું જોખમ ઓછું છે.
- મફત અર્થઘટન જોખમી છે; બ્લોક એક્સપ્લોરરમાં દરેક નંબરની પુષ્ટિ થવી જોઈએ.
- સાંકળ ડેટા દૃશ્યતા સાબિત કરે છે પરંતુ ઉદ્દેશ્ય નથી; વધુ પડતું અર્થઘટન ટાળવામાં આવે છે.
- બિન-અનામીકરણ અને લક્ષ્યીકરણ ફક્ત નૈતિક સીમાઓ સાથે અધિકૃત સંદર્ભમાં કરવામાં આવે છે.
એપ્લિકેશન કાર્ય
પ્રોટોકોલ અથવા ટોકન પસંદ કરો. AI ને "ક્વેરી જનરેશન" પ્રોમ્પ્ટ સાથે ક્વેરી લખો જે છેલ્લા 30 દિવસથી તે ટોકનનો દૈનિક વ્યવહારની ગણતરી પરત કરે છે (Dune મફતમાં ઉપલબ્ધ છે). ક્વેરી ચલાવો. પછી AI ને "મેટ્રિક અર્થઘટન" પ્રોમ્પ્ટ સાથે પરિણામનું અર્થઘટન કરો. વાસ્તવિક પરિણામોના કોષ્ટકમાં AI ની ટિપ્પણીમાં દરેક દાવાની પુષ્ટિ કરો અને નોંધ કરો કે શું એવો દાવો છે કે જેનો કોષ્ટકમાં કોઈ પ્રતિરૂપ નથી.
ચેકલિસ્ટ
- [ ] મેં AI પાસેથી લાઇવ ડેટા માટે પૂછ્યું ન હતું; મેં તેને સ્ત્રોતમાંથી ખેંચ્યું.
- [ ] મેં ક્વેરી ચલાવી અને પરિણામ ચકાસ્યું.
- [ ] મેં દરેક ટિપ્પણીને વાસ્તવિક ડેટા પંક્તિ સાથે લિંક કરી છે.
- [] મેં સહસંબંધને કારણ તરીકે રજૂ કર્યો નથી.
- [ ] મેં અધિકૃતતા વિના સરનામું-વ્યક્તિને મેળ ખાતી કરી નથી.
- [ ] મેં મારી રુચિને રોકાણ સલાહમાં અનુવાદિત કરી નથી.
- [ ] મેં ક્વેરીનું પ્રજનનક્ષમ રીતે દસ્તાવેજીકરણ કર્યું છે.