Web3 luidt het volgende internettijdperk in. Er blijven echter uitdagingen zoals gefragmenteerde en niet-gestandaardiseerde data in de keten bestaan. Daarom heeft Footprint Analytics een uitgebreide data-oplossing gelanceerd die gebruikmaakt van AI-technologie om de verzameling, opschoning en correlatie van blockchain-gegevens te automatiseren.
Dit initiatief heeft tot doel cross-chain datastandaarden vast te stellen, waardoor het voor ontwikkelaars en analisten gemakkelijker wordt om toegang te krijgen tot en te analyseren.
Navy gelooft dat de convergentie van AI en blockchain de massale adoptie van Web3 zal katalyseren. Enerzijds vormen hoogwaardige data de basis voor het trainen van AI-modellen; omgekeerd kan AI helpen bij het genereren van gegevens van hoge kwaliteit:
Vraag 1: Marine, kunt u ons alstublieft een overzicht geven van waar Footprint Analytics momenteel aan werkt?
Footprint Analytics richt zich op het creëren van een gestructureerd dataplatform dat de kloof tussen Web2- en Web3-data overbrugt.
Wij zijn gespecialiseerd in het structureren van data. Ondanks het relatieve voordeel van Web3 ten opzichte van Web2 op het gebied van transparante on-chain data, blijven er bepaalde uitdagingen bestaan. Deze omvatten de ontluikende status van de industrie, een gebrek aan gestandaardiseerde praktijken en een gebrek aan georganiseerde gegevens. Als gevolg hiervan wordt de toepassing van gegevens problematisch.
Overweeg ter illustratie het scenario waarin u toegang wilt krijgen tot transactiegegevens op Opensea vanuit meerdere ketens zoals Ethereum, Solana en Polygon. Dit proces omvat het begrijpen van het bedrijfsmodel van OpenSea, het bestuderen van de code voor slimme contracten en het opeenvolgend extraheren van transactiegegevens uit elke keten.
Dit proces is ingewikkeld. In de eerste plaats is het ingewikkeld en gevoelig voor fouten tijdens het gegevensverzamelingsproces. Ten tweede is het technisch complex, gezien de verschillen in grootboekontwerp en datastructuren tussen ketens. Ten slotte leidt het tot een verspilling van hulpbronnen. In een scenario waarin 1.000 mensen deze gegevens nodig hebben, zouden ze 1.000 keer een vergelijkbaar complex proces moeten doorlopen. Deze aanzienlijke herhaling belemmert de efficiëntie van gegevensverzameling aanzienlijk en verspilt computerbronnen.
Dit brengt ons bij het doel van Footprint Analytics: het abstraheren van data uit uiteenlopende sectoren zoals GameFi, NFTs en DeFi en het opzetten van gestandaardiseerde datapraktijken voor de Web3-industrie. Dit zal op zijn beurt ontwikkelaars en deelnemers uit de industrie in staat stellen gegevens efficiënt en nauwkeurig te openen en te analyseren.
Tot nu toe hebben we platforms gelanceerd op meer dan twintig blockchains, georganiseerd in drie kernsegmenten:
- Footprint Growth Analytics als brancheoplossing: op maat gemaakte oplossingen voor Web3-projecten op het gebied van marketinggroei en operationele analyses, vergelijkbaar met een Web3-versie van Google Analytics, die projecten richting datagestuurde groei sturen.
- Zero-Code data-analysetools: Deze tool biedt een ervaring die vergelijkbaar is met ChatGPT en stelt gebruikers in staat data-analyserapporten te verkrijgen via eenvoudige vragen en antwoorden. In de nabije toekomst zal het gebruik van on-chain data aanzienlijk worden vereenvoudigd – er zal geen ingewikkeld begrip van Web3-bedrijfslogica of geavanceerde programmeervaardigheden nodig zijn, waardoor de overgang van Web2 naar Web3 wordt gestroomlijnd.
- Gratis Unified API: Via een uniforme multi-chain en cross-chain API vergemakkelijkt deze functie cross-chain gegevenstoegang over meerdere ketens, waardoor gebruikers een naadloze ervaring krijgen om kosteloos gegevens uit meerdere ketens op te halen.
Vraag 2: Het integreren van AI met Web3 is tegenwoordig een boeiende trend geworden. Elke technologie, GPT of AIGC, heeft grote creativiteit getoond bij het afstemmen van AI op zijn unieke mogelijkheden. Marine, leg dit alstublieft uit vanuit het perspectief van de datasector. Laten we eens kijken hoe AI naadloos kan worden samengevoegd met Web3. Deze verkenning kan zowel vanuit technisch als vanuit toepassingsperspectief worden benaderd om de verschillende mogelijkheden van deze integratie te verduidelijken.
Als dataplatform past Footprint perfect bij AI. AI omvat drie belangrijke facetten: rekenkracht, data en algoritmen. Hiervan is rekenkracht de basis die ten grondslag ligt aan de training en uitvoering van AI-modellen. Tegelijkertijd vormen data de essentie van AI, en bepalen algoritmen de prestaties van AI, inclusief modelnauwkeurigheid en applicatie-effectiviteit.
Hiervan zijn data ongetwijfeld de belangrijkste en meest onmisbare. Data zijn de levensader van industrieën en projecten, en het belang ervan strekt zich uit tot belangrijke gebieden zoals privacy en compliance, waar de waarde ervan onmeetbaar is. Het kan zijn dat gegevens niet meer te koop zijn, gezien de betrokkenheid van het bedrijf bij privacy- en nalevingskwesties. AI fungeert zowel als consument als als producent van data.
Momenteel omvat Footprint’s toepassing van de convergentie van data en AI verschillende primaire aspecten:
Tijdens de fase van het genereren van data-inhoud is de bijdrage van AI binnen ons platform van cruciaal belang. In eerste instantie gebruiken we AI om gegevensverwerkingscode te genereren, waardoor gebruikers een meer gestroomlijnde gegevensanalyse-ervaring krijgen.
Meer specifiek stimuleren we innovatie in twee specifieke richtingen.
Ten eerste beheren en categoriseren we referentiegegevens. Als we recentelijk geïmplementeerde contracten op de blockchain als voorbeeld nemen, kan onze AI autonoom bepalen tot welk protocol een contract behoort, het type contract en zelfs of het contract onder categorieën valt zoals LP of Swap op Dex-platforms. Deze intelligente structurering en classificatie verbetert de toegankelijkheid van gegevens aanzienlijk.
Ten tweede kunnen we domeingegevens op een hoger niveau genereren op basis van onze referentiegegevens. We gebruiken bijvoorbeeld AI om gegevens te creëren binnen domeinen zoals GameFi, NFT, enz., waardoor gebruikers rijkere gegevensbronnen krijgen. Deze aanpak verbetert de kwaliteit van de data-inhoud en stelt gebruikers in staat data uit verschillende sectoren beter te begrijpen.
Om de front-end gebruikerservaring te verbeteren, hebben we een op AI gebaseerde intelligente analysefunctie geïntroduceerd. Zoals hierboven vermeld, wanneer gebruikers Footprint inschakelen voor data-analyse, ervaren ze een ervaring die lijkt op een gesprek met ChatGPT. Gebruikers kunnen vragen stellen en onmiddellijk de bijbehorende data-analyserapporten ontvangen. De onderliggende logica omvat het vertalen van tekst naar SQL-query’s, waardoor de toegangsbarrière voor data-analyse dramatisch wordt verlaagd.
Ten slotte hebben we, als het gaat om gebruikersondersteuning, een AI-aangedreven klantenservicebot ontwikkeld. We voeden AI met gegevens van Footprint, die GameFi, NFT, DeFi en andere gebieden omvatten, om een aangepaste AI-klantenservicebot voor Footprint te bouwen. Deze AI-bot biedt gebruikers onmiddellijke hulp door vragen te beantwoorden die verband houden met het gebruik van Footprint, inclusief datatypen, datadefinities, API-gebruik, enz. Dit verhoogt de efficiëntie van de klantenondersteuning aanzienlijk en vermindert de hoeveelheid handmatig werk.
Het is echter vermeldenswaard dat hoewel AI-toepassingen de productiviteit kunnen verhogen en de meeste uitdagingen kunnen helpen oplossen, ze misschien niet alwetend zijn. Op basis van onze ervaring met gegevensverwerking kan AI helpen bij het oplossen van ongeveer 70% tot 80% van de uitdagingen.
Vraag 3: Welke uitdagingen zullen zich waarschijnlijk voordoen bij de integratie van AI met Web3? Zijn er problemen gerelateerd aan technische complexiteit, gebruikerservaring, naleving van intellectueel eigendom of ethische overwegingen?
Vanuit een breder perspectief, ongeacht het domein waarin AI wordt toegepast, is een kritische overweging de mate van acceptatie van de fouttolerantie van AI. Verschillende toepassingsscenario’s hebben verschillende fouttolerantievereisten. Er is behoefte aan een evenwicht tussen de nauwkeurigheid en betrouwbaarheid van AI en de tolerantie van mensen voor fouten.
In de gezondheidszorg kan de beslissing om AI of een arts te vertrouwen bijvoorbeeld vertrouwensgerelateerde uitdagingen met zich meebrengen. Op investeringsgebied kan AI factoren bieden die de richting van de BTC-prijzen beïnvloeden, maar mensen kunnen nog steeds twijfels hebben bij het nemen van daadwerkelijke koop- of verkoopbeslissingen.
Precieze nauwkeurigheid is echter misschien niet van het allergrootste belang bij marketing- en operationele analyses, zoals gebruikersprofilering en tiering, omdat kleine fouten geen noemenswaardige invloed hebben. Als gevolg hiervan wordt fouttolerantie in deze contexten gemakkelijker geaccepteerd.
Momenteel richt Footprint zich vooral op data in zijn inspanningen om AI te integreren met Web3, wat zijn eigen uitdagingen met zich meebrengt:
Ten eerste is de eerste uitdaging het genereren van gegevens, met name het leveren van hoogwaardige gegevens voor AI om efficiëntere en nauwkeurigere mogelijkheden voor gegevensgeneratie te bereiken. Deze relatie tussen AI en data kan worden vergeleken met de motor en brandstof van een auto, waarbij AI de motor is en data de brandstof. Hoe geavanceerd de motor ook is, een gebrek aan kwaliteitsbrandstof staat optimale prestaties in de weg.
Dit roept de vraag op hoe gegevens van hoge kwaliteit kunnen worden gegenereerd, bijvoorbeeld hoe snel en automatisch gegevens kunnen worden gegenereerd op gebieden als GameFi, NFT’s, DeFi en andere. Dit omvat het automatisch organiseren van de gegevensverbindingen, waardoor in feite een gegevensgrafiek wordt gemaakt. Meer specifiek gaat het om het bepalen van factoren zoals de protocollen waaraan contracten zijn gekoppeld, de soorten contracten, de aanbieders en andere relevante details. Het belangrijkste doel van dit proces is om de AI consequent te voorzien van gegevens van hoge kwaliteit om de efficiëntie en nauwkeurigheid van de gegevensproductie te verbeteren, waardoor een positieve spiraal ontstaat.
De tweede uitdaging is de privacy van gegevens. Hoewel Web3 zich fundamenteel inzet voor decentralisatie en transparantie, kan de behoefte aan privacy van cruciaal belang worden naarmate de sector zich ontwikkelt. Dit omvat het beschermen van de identiteit, activa en transactiegegevens van gebruikers. Deze situatie levert een dilemma op: de transparantie van gegevens op de blockchain neemt geleidelijk af, waardoor de hoeveelheid gegevens die toegankelijk zijn voor AI wordt beperkt. Dit probleem zal echter worden aangepakt naarmate de industrie vordert, en homomorfe cryptografie is een mogelijke oplossing.
Concluderend is de convergentie van AI en Web3 inherent verweven met een kernprobleem: de toegankelijkheid van gegevens. In essentie ligt de ultieme uitdaging voor AI in de toegang tot hoogwaardige data.
Vraag 4: Hoewel AI geen nieuw concept is, staat de convergentie van AI en Web3 nog in de kinderschoenen. Dus, Marine, welke potentiële gebieden of combinaties van AI binnen Web3 zouden volgens u kunnen dienen als een doorbraak die een aanzienlijke toestroom van gebruikers naar Web3 zou aantrekken en de massale adoptie zou vergemakkelijken?
Ik geloof dat het bereiken van een significante integratie en adoptie van Web3 en AI afhangt van het aanpakken van twee fundamentele uitdagingen. Ten eerste is er behoefte aan verbeterde diensten aan Web3-bouwers en -ontwikkelaars, vooral op gebieden als GameFi, NFT’s en sociale platforms. Ten tweede is het absoluut noodzakelijk om de barrières op het applicatiefront te verminderen om een vlottere toegang van gebruikers tot het Web3-landschap te garanderen.
Laten we beginnen met het bedienen van de ontwikkelaarsgemeenschap. Op dit gebied vallen twee primaire soorten toepassingen op.
Eén categorie zijn door AI aangedreven ontwikkelingsplatforms. Deze platforms gebruiken AI-technologie om het maken van codesjablonen te automatiseren. Of het nu gaat om het bouwen van DEX-platforms of NFT-marktplaatsen, deze platforms kunnen op intelligente wijze codesjablonen genereren die zijn afgestemd op de specifieke behoeften van ontwikkelaars, waardoor de ontwikkelingsefficiëntie aanzienlijk wordt verhoogd.
In games kan AI het maken van gamemodellen en het genereren van afbeeldingen versnellen, waardoor het ontwikkeling- en lanceringsproces van games wordt versneld. Dankzij deze platforms konden ontwikkelaars zich meer concentreren op creativiteit en innovatie in plaats van te veel tijd te besteden aan repetitieve basistaken.
De andere categorie draait om AI-aangedreven dataplatforms. Deze platforms gebruiken AI om autonoom domeinspecifieke gegevens te genereren in verschillende industrieën zoals GameFi, NFTs, SocialFi en DeFi. Het doel is om de drempel voor ontwikkelaars om data te gebruiken en toe te passen te verlagen en de analyse en het gebruik van data te vereenvoudigen.
Via AI kunnen deze platforms automatisch diverse datasets genereren, waardoor ontwikkelaars rijke databronnen krijgen en hun inzicht in markttrends, gebruikersgedrag en meer wordt verbeterd. Door ontwikkelaars uitgebreide data-ondersteuning te bieden, nemen deze dataplatforms de barrières voor datagebruik weg en katalyseren ze de opkomst van inventieve applicaties.
Massale adoptie is altijd een belangrijke uitdaging geweest in de Web3-ruimte. De markt heeft bijvoorbeeld onlangs de opkomst gezien van blockchain-oplossingen met vrijwel verwaarloosbare kosten, gericht op het verhogen van het aantal transacties per seconde (TPS). Bovendien pakken oplossingen zoals de MPC-portemonnee effectief de belangrijkste barrière voor migratie van Web2 naar Web3 aan door migratie-uitdagingen te overwinnen.
De oplossing voor deze uitdagingen hangt niet alleen af van AI-technologie, maar is verweven met de holistische evolutie en ontwikkeling van het Web3-ecosysteem. Hoewel AI een sleutelrol speelt bij het verbeteren van de efficiëntie en het wegnemen van barrières, blijven de onderliggende infrastructuur en groei van Web3 sleutelfactoren bij het oplossen van het probleem van de massale adoptie.
