ИИ CONSORSYST:
МАШИННОЕ ОБУЧЕНИЕ И УПРАВЛЕНИЕ РИСКАМИ В ПРОТОКОЛЕ DEFI
(ЧАСТЬ VI) -КОНЕЦ-
CONSORSYST: ПРОТОКОЛ РАЗРАБОТКИ
Consorsyst или Consortium System — это протокол DeFi с машинным обучением и системой управления рисками (RMS), который предлагает достоверные данные о риске и волатильности криптоактивов. Мы также предоставляем данные о рисках DeFi, таких как риск блокчейна, риск протокола, риск пула ликвидности, риск токена и риск получения дохода. Для проведения оценки рисков все данные будут предоставлены и рассчитаны с помощью машинного обучения.
Данные из децентрализованных проектов оракулов, включая Chainlink, Provable, Band, Dia и API3, будут собираться с помощью машинного обучения. Нам необходимо собирать данные из нескольких децентрализованных проектов Oracle, чтобы предоставлять надежную и точную информацию, потому что, если мы будем полагаться исключительно на данные из одного децентрализованного проекта Oracle, машинное обучение никогда не даст точных и надежных результатов.
CONSORSYST: ZK ОБЪЕДИНЯЕТ МАШИННОЕ ОБУЧЕНИЕ
Потенциальные варианты использования ZK Machine Learning (ZKML):
1. Вычислительная целостность (валидность ML)
2. Лаборатории Модуля
3. Поддающийся проверке торговый бот для машинного обучения в сети — RockyBot
4. Блокчейны, которые улучшают зрение (примеры):
5. Расширение протокола финансовых опционов Lyra AMM интеллектуальными функциями.
6. Создание прозрачной системы репутации на основе ИИ для Astraly (ЗК оракул)
7. Работа над техническими прорывами, необходимыми для инструментов соответствия на уровне контракта с использованием ML для протокола Aztec (свертка zk с функциями конфиденциальности).
8. Прозрачность машинного обучения как услуги (MLaaS)
9. Обнаружение аномалий ZK/мошенничества
10. Позволяет создать ZK-доказательство возможности эксплуатации/мошенничества. Модели обнаружения аномалий могут быть обучены на данных смарт-контрактов и согласованы DAO в качестве интересных показателей, позволяющих автоматизировать процедуры безопасности, такие как приостановка контрактов, более активным и превентивным способом.
11. Есть стартапы, которые уже рассматривают возможность использования моделей машинного обучения в целях безопасности в контексте смарт-контрактов, поэтому доказательства обнаружения аномалий ZK кажутся естественным следующим шагом.
12. Общее доказательство достоверности для вывода ML: возможность легко доказать и проверить, что выходные данные являются продуктом данной модели и входной пары.
13. Конфиденциальность (ZKML)
14. Децентрализованный Kaggle: доказательство того, что модель имеет точность выше x% на некоторых тестовых данных без раскрытия весов.
15. Вывод с сохранением конфиденциальности: медицинская диагностика на основе личных данных пациента вводится в модель, а конфиденциальный вывод (например, результат теста на рак) отправляется пациенту.
Для получения доказательств с нулевым разглашением требуется много вычислений; это стоит примерно в 100 раз больше, чем первоначальный расчет. Это указывает на то, что существуют некоторые расчеты, для которых вычисление доказательств с нулевым разглашением нецелесообразно из-за времени, необходимого для их вычисления на самом лучшем доступном оборудовании.
Но последние разработки в области технологий, распределенных систем и шифрования сделали возможными доказательства с нулевым разглашением для все более требовательных вычислений. Эти разработки открыли пространство для разработки новых приложений, позволяя разрабатывать протоколы, которые могут использовать доказательства сложных вычислений.
ЗАКЛЮЧЕНИЕ
Предлагаемая нами методология сопоставима со стратегией, используемой обычными управляющими активами. Однако децентрализованные инвестиционные механизмы создают значительные структурные риски для распределения.
Эти риски количественно оцениваются поставщиками аналитических услуг, и, кроме того, общие баллы могут меняться в зависимости от восприятия риск-менеджера. Для этого мы создали систему подсчета очков. Предлагаемый нами подход схож с тем, который используют традиционные управляющие активами.
Тем не менее, децентрализованные инвестиционные инструменты значительно увеличивают структурные риски, связанные с размещением. Определенные риски оцениваются поставщиками аналитических услуг, и суждения риск-менеджера могут повлиять на окончательные результаты. Чтобы исправить это, мы разработали систему подсчета очков.
Также было бы интересно создать рейтинги рисков с использованием деревьев решений, алгоритмов оценки и подходов машинного обучения. Эти подходы могут служить основой для создания матрицы представления.
Кроме того, это позволит разработать индикаторы риска специально для этих новых инвестиционных инструментов и отслеживать риск каждого децентрализованного инвестиционного инструмента в режиме реального времени.
THE_END_
