Büyük dil modeli (LLM) ve blockchain araştırma serimizin ikinci makalesine hoş geldiniz. Bir önceki yazıda LLM ile blockchain teknolojisinin teknik düzeyde nasıl entegre edileceğini ve LLM çerçevesinin neden blockchain alanı için çok uygun olduğunu tartışmıştık. Gelecekte LLM'yi blockchain ile entegre etmek için potansiyel yolları da özetliyoruz.
Bu gönderide, daha uygulamalı bir yaklaşım benimseyecek ve blockchain kullanıcı deneyimini önemli ölçüde değiştireceğine inandığımız sekiz özel uygulama alanına dalacağız. Daha da heyecan vericisi, bu çığır açan uygulamaların önümüzdeki yıl içinde gerçeğe dönüşeceğini tahmin ediyoruz.
Blockchain etkileşiminin geleceğini ortaya çıkarırken bize katılın. İşte tartışacağımız sekiz uygulamaya kısa bir genel bakış:
Yerleşik AI/LLM yeteneklerini blok zincirine entegre etme
İşlem kayıtlarını analiz etmek için LLM'yi kullanma
LLM ile güvenliği artırın
LLM ile kod yazın
LLM ile kodu okuyun
Topluluğa LLM konusunda yardımcı olmak
Pazarı izlemek için LLM'yi uygulayın
Projeleri analiz etmek için LLM uygulayın
Yerleşik AI/LLM yeteneklerini blok zincirine entegre edin
Blockchain, yerleşik yapay zeka işlevlerine ve modellerine sahip olacaktır. Geliştiriciler, sınıflandırma, regresyon, metin tamamlama ve zincir üzerinde AIGC gibi özel makine öğrenimi görevlerini gerçekleştirmek için AI işlevlerine erişebilir. Geliştiriciler, akıllı sözleşmeler aracılığıyla bu yapay zeka işlevlerini çağırabilir.
Bu yerleşik özelliklerle, geliştiriciler akıllı sözleşmelerine zeka ve özerklik kazandırabilir. Sınıflandırma, regresyon ve AIGC, tipik AI görevleridir. Bu fonksiyonların blockchain alanındaki uygulamasını ve birkaç örnek projeyi görelim.
Sınıflandırma
Bir adresin bot mu yoksa gerçek kişi mi olduğunu belirlemek için sınıflandırma kullanılabilir. Bu, mevcut NFT satış durumunu değiştirebilir. Sınıflandırma, DeFi ekosisteminin güvenliğini de artırabilir. DeFi akıllı sözleşmeleri, kötü amaçlı işlemleri filtreleyebilir ve fon kaybını önleyebilir.
gerileme
Regresyon analizi, fon ve varlık yönetimine uygulanan tahmin için kullanılabilir. Numer.ai zaten parayı yönetmelerine yardımcı olmak için yapay zeka kullanıyor. Numer, veri bilimcilerin üzerinde çalıştığı ve borsayı tahmin etmek için makine öğrenimi uyguladığı yüksek kaliteli borsa verileri sağlar.
AIGC
Birçok NFT projesi bir IP evreni oluşturmaya çalışıyor. Ancak sınırlı içerikleri bir evreni destekleyemez. AIGC'yi zincir üzerinde kullanabilirsek, benzer bir ikonik marka stiline sahip sayısız içeriği nispeten düşük bir maliyetle üretebiliriz. Modeller metin, resim, müzik, ses ve hatta video çıktısı alabilir. Bu, IP evreninin boyutunu büyük ölçüde genişletir. Topluluk katılımcıları, beklentilerini karşılamak için toplu olarak modelde ince ayar yapabilir. İnce ayar süreci ayrıca topluluğun dahil olduğunu hissetmesini sağlar.
Botto, sanatsal içerik oluşturmak için AIGC modelini kullanır. Topluluk, AIGC modelinde toplu olarak ince ayar yapmak için en sevdikleri görüntülere oy verir.
Blok zincirine bir veritabanı olarak bakarsak, Databend'in yerleşik yapay zeka yeteneklerini veritabanına dahil ettiğini de görürüz. Aşağıdaki işlevleri sağlarlar:
ai_embedding_vector: Metin belgeleri için katıştırma vektörleri oluşturun.
ai_text_completion: verilen ipucuna göre metin tamamlama oluşturur.
kosinüs_uzaklık: İki katıştırılmış vektör arasındaki kosinüs mesafesini hesaplar.
ai_to_sql: doğal dil yönergelerini SQL sorgularına dönüştürün.
Blok zinciri için AI yetenekleri sağlayın
Bazı projelerin yapay zeka yeteneklerini blok zincirine getirdiğini biliyoruz.
Giza, ZKML üzerinde çalışıyor. Zincir dışı muhakeme kanıtları üretir ve bunları zincir üzerinde doğrular. Artık Ethereum Sanal Makinesi ve StarkNet ile uyumlu blokajları destekliyor. Giza kısa bir süre önce Yearn.finance ile bir ortaklık duyurdu; bu ortaklık sayesinde Yearn, risk değerlendirme yeteneklerini geliştirmek için Giza'nın yapay zeka yeteneklerinden yararlanacak.
Modulus Labs da benzer bir yönde çalışıyor. Yapay zeka için yüksek performanslı devreler oluşturmak üzere ispat sistemlerini geliştirmek için daha çok çalışıyorlar. Chess AI ve Ethereum Price Prediction AI gibi demolar yayınladılar. Yeni demo projeleri olan zkMon, dünyanın ilk sıfır bilgiyle kanıtlanan Üretken Çekişmeli Ağ NFT'si koleksiyon ürünüdür.
İşlem kayıtlarını analiz etmek için LLM'yi kullanın
İşlem kayıtlarının analizi genellikle Debank gibi belirli uygulamalar tarafından yapılır. İşlem kayıtlarını insanlar tarafından manuel olarak analiz etmek zordur. Manuel analiz, kullanıcıların kodlama becerilerine sahip olmasını gerektiren veri toplama, veri temizleme ve veri analizini içerir. LLM'nin verileri analiz etme ve görselleştirme yeteneği sayesinde artık yeni bir yaklaşımımız var. LLM aracılığıyla, zincir üzerindeki verileri özelleştirilmiş ihtiyaçlara göre analiz edebiliriz. Kazanma oranını, performans oranını veya bilmek istediğimiz herhangi bir bilgiyi analiz edebiliriz.
RSS3, bu yönde çalışmak için Web3 Kullanıcı Etkinliği adlı bir ChatGPT eklentisi geliştirmiştir. Kullanıcılar, zincir üzerindeki etkinlikleri sorgulamak için cüzdan adresini, ENS'yi veya Lens'i girebilir. Bu eklenti, işlem bilgilerini insan tarafından okunabilir bir biçimde çıkarır. Ne yazık ki, kaç tane Azuki sahibi olduğu, hangi akıllı sözleşmelerin en popüler olduğu gibi karmaşık sorguları gerçekleştiremiyor. Kullanıcılar ayrıca, eklentiler tarafından sağlanan adreslerin ve etiketlerin mutlaka doğru olmadığının farkında olmalıdır.
DeFiLlama ayrıca bir ChatGPT eklentisi yayınladı. Kullanıcılar, DeFiLlama'da mevcut olan herhangi bir veriyi doğal dilde sorgulayabilir. Ayrıca basit filtreleme ve sıralama işlemlerini de gerçekleştirebilir:
Dune, aşağıdaki özellikleri etkinleştirmek için GPT'yi de ürününe entegre ediyor:
Sorgu Yorumlama: Sorguları açıklamak için LLM'yi kullanın
Sorgu Çevirisi: Diğer SQL dillerini DuneSQL'e çevirmek için LLM'yi kullanın
Doğal Dil Sorgusu: Kullanıcıların sorguları doğal dilde yazmasına izin verir
Arama: LLM kullanarak arama sonuçlarını iyileştirin
Sihirbaz bilgi tabanı: kullanıcıların belgelerle iletişim kurmasını sağlayan bir sohbet robotu
Güvenliği artırmak için LLM'den yararlanın
LLM, mantığı ve muhakeme yetenekleri sayesinde bazı kötü amaçlı işlemleri filtrelemek ve akıllı sözleşmeler için bir güvenlik duvarı görevi görmek için kullanılabilir. Bot aktivitesinin nasıl engelleneceğine dair somut bir örnek:
LLM, adresi girdikten sonra üçüncü taraf bir eklenti aracılığıyla tüm işlem verilerini elde edebilir, ardından bu işlem kayıtlarını analiz edebilir ve adresin bir robot olma olasılığını hesaplayabilir. Bu işlevsellik, NFT satışları gibi botların hoş karşılanmadığı Dapp'lere gömülebilir.
Aşağıda ChatGPT üzerinden basit bir örnek verilmiştir. ChatGPT, RSS3 tarafından geliştirilen Web3 kullanıcı etkinliği eklentisi aracılığıyla hesabın işlem kayıtlarını alır, ardından bu işlem kayıtlarını analiz eder ve hesabın bir robot olma olasılığını ortaya koyar.
Daha fazla işlem kaydı beslersek ve LLM'de botla ilgili veri kümesinde ince ayar yaparsak daha doğru sonuçlar elde edebiliriz. Aşağıda böyle bir uygulama için örnek bir iş akışı verilmiştir. Yanıt verebilirliği iyileştirmek ve maliyetleri azaltmak için önbelleğe alma ve veritabanı katmanları da ekleyebiliriz.
LLM kullanarak kod yaz
LLM, geliştiricilerin kodu daha hızlı ve daha iyi yazmasına yardımcı olmak için geliştirmede yaygın olarak kullanılır. Geliştiricinin yönlendirmesiyle, LLM onlar için kod üretebilir. Şu anda, geliştiricilerin LLM için ayrıntılı talimatlar sağlaması gerekiyor. LLM'nin tüm proje için otomatik olarak kod üretmesi zordur.
Kod için bazı popüler LLM modelleri arasında StarCoder, StarCoder+, Code T 5, LTM, DIDACT, WizardCoder, FalCoder-7 B ve MPT 30 B bulunur.
Bu modellerin tümü akıllı sözleşmeler yazmak için kullanılabilir, ancak akıllı sözleşme verileri üzerinde özel olarak eğitilmemiş olabilirler. Hala iyileştirme için yerleri var.
Şu anda, HuggingFace'te akıllı sözleşmeyle ilgili yalnızca bir veri kümesi bulunmaktadır. 113.000 akıllı sözleşme içeren, denetlenmiş akıllı sözleşmelerin dodger setidir. Metin sınıflandırma, metin oluşturma ve güvenlik açığı tespiti gibi görevler için kullanılabilir.
Otomatik kod oluşturma, destekli geliştirme araçlarından daha umut verici olabilir. Otomatik kod oluşturma, akıllı sözleşmeler için uygundur çünkü akıllı sözleşmeler nispeten kısa ve nispeten basittir. LLM'nin, geliştiricilerin blockchain alanında otomatik olarak kod oluşturmasına yardımcı olabilmesinin birkaç yolu vardır.
Ölçek
Birincisi, LLM, iyi yazılmış akıllı sözleşmeler için testler üretebilir. Örneğin, Codium yazılı projeler için otomatik olarak testler üretebilir. Codium şu anda JS ve TS'yi desteklemektedir. Codium, kod tabanını anlayarak, her işlevi, doküman dizisini ve yorumu analiz ederek başlar. Codium daha sonra kod analizini yorum olarak dosyaya geri yazar ve bir test planı çıkarır. Kullanıcılar tercih ettikleri testleri seçebilir ve Codium seçilen test kodunu üretecektir.
Diğer yardımcı araçlar da seçilen işlevler için test oluşturmayı destekler.
Benzer adımları izleyerek benzer işlevleri GPT-4'te çoğaltabiliriz.
LLM'nin bu göreve daha fazla zaman ayırmasını istediğimiz için önce kod analizi istedik. LLM hangi görevlerin zor olduğunu bilmez. Her işaretleyici için aynı bilgi işlem gücünü harcar. Bu, karmaşık görevlerde yanlış sonuçlara yol açabilir. Bu özelliklere dayanarak kod analizi talep ediyoruz. Bu şekilde LLM, bu görevler hakkında düşünerek daha fazla jeton/zaman harcayacak ve daha yüksek kaliteli sonuçlar üretecektir. Bu yöntem aynı zamanda "düşünme zinciri" olarak da bilinir.
Daha uzun akıllı sözleşmeler için çalışmasını sağlamak için, daha geniş bir bağlama sahip bir LLM'ye veya belleği korumak için biraz mühendisliğe ihtiyacımız var.
Yardımcı komut dosyaları oluştur
İkinci olarak, dağıtım komut dosyaları gibi bazı yardımcı komut dosyalarını otomatik olarak oluşturmak için LLM'yi kullanabiliriz.
Dağıtım betikleri, manuel dağıtımlar sırasında olası hataları azaltır. Fikir, otomatik olarak test oluşturmaya çok benzer.
Otomatik çatallama
Bir boğa piyasasında, ekiplerin orijinal kod tabanlarından küçük kod değişiklikleri yaptığı birçok çatallı proje olacaktır. Bu, LLM için harika bir kullanım örneği olacaktır: LLM, geliştiricilerin ekibin ihtiyaçlarına göre kodu otomatik olarak değiştirmesine yardımcı olabilir. Genellikle kodun yalnızca belirli bölümlerinin değiştirilmesi gerekir. LLM için bunu başarmak nispeten kolaydır.
Otomatik kod oluşturma
Bir adım daha ileri gidersek LLM, geliştiricilerin ihtiyaçlarına göre otomatik olarak akıllı sözleşmeler üretebilir mi? JS, Rust ve Python'da yazılan diğer karmaşık yazılımlarla karşılaştırıldığında, akıllı sözleşmeler nispeten kısa ve nispeten basittir. Akıllı sözleşmeler için çok fazla harici kitaplık yoktur. Akıllı bir sözleşmenin nasıl yazılacağını bulmak, bir LLM için nispeten kolaydır.
Otomatik kod oluşturmada bazı ilerlemeler gördük. GPT mühendisi öncülerden biridir. Kodlama başlamadan önce, kullanıcının ihtiyaçlarını ele alır ve LLM'nin sahip olabileceği tüm soruları yanıtlar. Kod ayrıca tüm projeyi çalıştıran bir komut dosyası içerir. GPT mühendisi, geliştiriciler için projeleri otomatik olarak başlatabilir.
Kullanıcı gereksinimlerini girdikten sonra, GPT mühendisi gereksinimleri analiz eder ve bazı açıklamalar ister. Gerekli tüm bilgileri topladıktan sonra, GPT mühendisi önce bu görev için gerekli olan çekirdek sınıflar, işlevler ve yöntemler dahil olmak üzere programın tasarımını çıkaracaktır. GPT mühendisi daha sonra her dosya için kod üretecektir.
Bunun gibi bir ipucu ile karşı akıllı bir sözleşme oluşturabiliriz.
Akıllı sözleşmeler beklendiği gibi derlenir ve çalışır.
GPT-engineer aslen Python için tasarlandığından, Hardhat ile ilgili kod oluşturma konusunda bazı sorunları vardır. GPT mühendisi, Hardhat'in en son sürümünün farkında değildir ve bazen eski test ve dağıtım komut dosyaları oluşturur.
Kodumuzda hatalar varsa, kod tabanını ve konsol hata günlüklerini LLM'ye besleyebiliriz. LLM, kod başarıyla çalışana kadar kodu sürekli olarak değiştirebilir. ** gibi bir şey görüyoruz [flo] (Bu tür projeler bu yönde gelişmektedir. Şu anda flo sadece JS'yi desteklemektedir.
Akıllı sözleşme üretiminin doğruluğunu artırmak istiyorsak, GPT-engineer'ı bazı yeni ipuçlarıyla geliştirebiliriz. Oluşturulan programı daha iyi kısıtlamak için programın belirli testleri geçmesini sağlamak için LLM'yi gerektiren test odaklı bir geliştirme yöntemi benimseyebiliriz.
Kodu okumak için LLM'yi kullanın
LLM kodu iyi anladığından, LLM'yi geliştirici belgeleri yazmak için kullanabiliriz. LLM, belgeleri güncellemek için kod değişikliklerini de izleyebilir. Bu yaklaşımı, önceki araştırma raporumuz olan ZKRU'larda Geliştirici Deneyimini Keşfetmek: Derinlemesine Bir Analiz'in sonunda tartışmıştık.
Belgeleri okumak geleneksel yoldur, ancak kodla iletişim kurmak yeni bir yoldur. Kullanıcılar kod hakkında herhangi bir soru sorabilir ve LLM bunları yanıtlar. LLM, geliştiriciler için kodu açıklayabilir ve zincirdeki akıllı sözleşmeleri hızlı bir şekilde anlamalarına yardımcı olabilir. LLM, kodlama deneyimi olmayan kişilerin akıllı sözleşmeleri anlamalarına da yardımcı olabilir.
Bu eğilimi Web2 dünyasında zaten gördük. Birçok kod yardım aracı, kod yorumlama yeteneklerine sahiptir.
Etherescan, LLM'nin gücünden yararlanarak kullanıcıların kodla iletişim kurmasına olanak tanıyan yeni işlevselliğini de gösterdi.
Kod anlaşıldığında denetim nasıl değişir? "Hala manuel bir akıllı sözleşme denetimine ihtiyacınız var mı?" başlıklı kağıt üzerinde yapılan deneylerde LLM, güvenlik açıklarını belirlemede %40'lık bir isabet oranı elde ederek, rastgele taban çizgilerini geride bıraktı. Bununla birlikte, aynı zamanda yüksek bir yanlış pozitif oranına sahiptirler. Yazarlar, uygun yönlendirmenin anahtar olduğunu belirtiyor.
İpuçlarına ek olarak, aşağıdaki nedenler kullanımını sınırlar:
Mevcut LLM'ler bu amaç için özel olarak eğitilmemiştir. Eğitim verileri, akıllı sözleşme kod tabanını ve ilgili denetim raporlarını içermeyebilir.
Genellikle en ciddi hatalar, farklı işlevlerden oluşan mantıksal sorunlardır. LLM şu anda belirteç sayısıyla sınırlıdır. LLM, çok uzun bağlamı olan ve mantıksal yetenek gerektiren sorunları çözemez.
Bu sorunların çözümü zor değil. Büyük denetim firmaları, LLM'de ince ayar yapmak için kullanılabilecek binlerce denetim raporuna sahiptir. Büyük belirteç kısıtlamaları olan LLM'ler ortaya çıkıyor. Claude'un 100.000 jeton sınırı vardır. Yeni çıkan LTM-1'in etkileyici bir 5 milyon token limiti var. Bu iki sorunu ele alma çabaları sayesinde, LLM'lerin güvenlik açıklarını belirlemede daha iyi hale geldiğini görebiliriz. LLM, denetçilere yardımcı olabilir ve denetim sürecini hızlandırabilir. Bu yavaş yavaş gelişebilir. İşte olası geliştirme yörüngeleri:
Denetçilerin raporları dil ve biçim düzenlemelerine yardımcı olun. Bu, aynı denetim firması altında dil tutarlılığını sağlar. Genellikle farklı gruplar farklı tercih edilen kelime dağarcığına sahip olabilir.
Denetçilerin olası güvenlik açıklarını belirlemesine ve doğrulamasına yardımcı olun.
Otomatik olarak denetim taslağı raporu oluşturun.
Topluluğa yardım etmek için LLM'yi kullanın
Yönetişim, toplumun kritik bir parçasıdır. Topluluk üyeleri favori önerileri için oy kullanma hakkına sahiptir. Bu öneriler ürünün geleceğini şekillendirecek.
Önemli teklifler için birçok arka plan bilgisi ve topluluk tartışması yapılacaktır. Topluluk üyelerinin oy vermeden önce bu bağlamı tam olarak anlamaları zordur. LLM, topluluk üyelerinin seçimlerinin gelecekteki etkisini hızla anlamalarına ve oy kullanmalarına yardımcı olabilir.
Soru yanıtlayan botlar başka bir potansiyel uygulamadır. Proje belgelerine dayalı Soru-Cevap botları gördük. Daha geniş bir bilgi veritabanı oluşturmak için daha ileri gidebiliriz. Sunumlar, podcast'ler, GitHub, Discord sohbetleri ve Twitter Alanları gibi farklı medya ve kaynakları ekleyebiliriz. Soru-Cevap botları yalnızca dokümantasyon arama çubuğunda bulunmaz, aynı zamanda topluluk üyelerine Discord'da anında destek sağlayabilir veya projenin vizyonunu Twitter'da yayabilir ve soruları yanıtlayabilir.
AwesomeQA şu anda bu yönde gelişiyor. Üç işlevi uygular:
Topluluk üyelerinden gelen soruları yanıtlamak için ChatGPT entegrasyonunu kullanın
SSS analizi gibi topluluk üyelerinden gelen mesajlara dayalı veri odaklı içgörüler elde edin
Çözülmemiş sorunlar gibi hangi mesajların önemli olduğunu keşfedin
Şu anda soru yanıtlayan robotların karşılaştığı zorluklardan biri, ilgili bağlamın vektör veri tabanından nasıl doğru bir şekilde elde edileceği ve bağlamın LLM'ye nasıl sağlanacağıdır. Örneğin, bir kullanıcı birden çok öğe için birden çok özellik üzerinde filtreler içeren bir sorgu isterse, robot ilgili bağlamı vektör veritabanından alamayabilir.
Vektör veritabanını güncellemek başka bir konudur. Mevcut çözüm, vektör veritabanını yeniden oluşturmak veya vektör veritabanını ad alanı aracılığıyla güncellemektir. Gömmelere ad alanları eklemek, verilere etiket eklemeye benzer. Bu, geliştiricilerin uygun yerleştirmeleri daha kolay bulmasına ve güncellemesine yardımcı olur.
Piyasayı takip etmek için LLM'yi kullanın
Pazar çok değişiyor ve her gün birçok şey oluyor. KOL (Önemli Kanaat Önderleri) gibi yeni fikirler ve düşünceler, haber bültenleri ve ürün e-postaları gelen kutunuza akıyor. LLM sizin için en önemli fikirleri ve haberleri seçebilir. Ayrıca okuma sürenizi kısaltmak ve piyasa dinamiklerine ayak uydurmanıza yardımcı olmak için içeriği özetler.
minmax.ai kendini gazetecilik alanına adamıştır. Belirli bir konudaki en son haberlerin özetlerini sunarlar ve ayrıca o konuyla ilgili duygu analizi sağlarlar.
Sıkıcı raporlar, sansasyonel içeriği haberlerden çıkarır ve okuyucuların doğru kararları vermesine yardımcı olmak için önemli ayrıntılara odaklanır.
Robo-danışmanlık şu anda en sıcak alanlardan biri. LLM, robo-danışmanlık kullanımını yönlendirebilir. LLM, alım satım önerileri sağlayabilir ve kullanıcıların hisse senedi bilgilerinin arka planında portföyleri yönetmesine yardımcı olabilir.
Numer.ai gibi projeler, piyasaları tahmin etmek ve fonları yönetmek için yapay zekayı kullanır. LLM tarafından yönetilen portföyler de vardır. Kullanıcılar bu portföyleri Robinhood üzerinden takip edebilirler.
Composer, AI ile ticaret algoritmaları getiriyor. AI, kullanıcı içgörülerine dayalı olarak belirli ticaret stratejileri oluşturur. AI daha sonra bu ticaret stratejilerini otomatik olarak geriye dönük olarak test edecektir. Kullanıcı ilkelerden memnunsa, Composer bu ilkeleri kullanıcı için otomatik olarak uygulayabilir.
LLM kullanarak projeleri analiz edin
Analitik projeler genellikle büyük hacimli materyalleri okumayı ve uzun araştırma makaleleri yazmayı içerir. LLM kısa paragrafları okuyabilir ve yazabilir. Yeteneklerini uzun paragraflara genişletebilirsek, bu LLM'nin bir şekilde bazı proje araştırmaları yapabileceği anlamına mı geliyor? Büyük olasılıkla evet. Teknik incelemeler, belgeler veya etkinlik sunumları girebilir ve LLM'nin projeleri ve kurucuları analiz etmesine izin verebiliriz. Belirteç sayısıyla sınırlı olarak, önce makalenin ana hatlarını yazabilir ve ardından elde ettiği bilgilere göre her bir parçayı güncelleyebilir ve optimize edebiliriz.
BabyAGI gibi projeler şimdiden bu yönde ilerliyor. Aşağıda, BabyAGI'nin bir çeşidi olan BlockAGI'den alınan örnek çıktı yer almaktadır.
LLM, kurucunun kişiliğini Twitter ve topluluk önünde konuşmaya dayalı olarak da analiz edebilir. Örneğin Tweet Analyzer, son tweet'leri alabilir ve kişisel özellikleri analiz etmek için LLM'yi kullanabilir.
Sonuç olarak
Bunlar, LLM'nin yakın gelecekte blockchain topluluğuna yardımcı olabileceği sekiz özel yöndür:
Yerleşik AI/LLM işlevlerini blok zincirine entegre edin.
İşlem kayıtlarını analiz etmek için LLM'yi kullanın.
LLM ile güvenliği artırın.
LLM kullanarak kod yazın.
Kodu okumak için LLM'yi kullanın.
Topluluğa yardımcı olmak için LLM'den yararlanın.
Piyasayı takip etmek için LLM'yi kullanın.
Projeleri analiz etmek için LLM uygulayın.
LLM, proje sahipleri, analistler ve mühendisler dahil olmak üzere kripto alanının tüm üyelerine fayda sağlayabilir. Kurucular, dokümantasyon ve Soru-Cevap gibi görevleri otomatikleştirmek için LLM'yi kullanabilir. Mühendisler, daha hızlı ve daha güvenli kod yazmak için LLM'yi kullanabilir. Analistler projeleri daha kolay araştırabilir.
Uzun vadede, GameFi alanında LLM'yi uygulamak için potansiyel bir fırsat da görüyoruz. LLM, oyunda daha ilginç görevler üretebilir ve oyunda farklı roller oynayabilir. Oyundaki dünya daha gerçek ve ilginç hissedecek. NPC'ler, oyuncunun eylemlerine göre dinamik olarak tepki verecektir. Görevler, kullanıcının onları nasıl çözdüğüne bağlı olarak daha fazla sona sahip olacaktır.
LLM mevcut projelere entegre edilebilir, ancak aynı zamanda yeni girenler için fırsatlar da açar. Örneğin, zincir üstü veri analizi alanında zaten bazı en iyi oyuncular var. Dune, kullanıcı deneyimini iyileştirmek için LLM'yi entegre edebilir. Bununla birlikte, LLM yeni başlayanlar için fırsatlar da sunar. Bu yeni katılımcılar, LLM'yi ürün tasarımlarının merkezine yerleştirebilirler. Bu AI liderliğindeki ve AI merkezli yaratıcı ürünler, zincir üstü veri analizi alanına yeni rekabet getirebilir.
Web2 ve Web3 dünyalarında LLM kullanımlarında örtüşme vardır, ancak ürünleri farklı şekillerde uygulayabilirler. Çünkü Web3 dünyasında kullandığımız veriler ile Web2 dünyasındaki veriler aynı değil. LLM'nin bilgi tabanı da Web2 ve Web3'te farklı olabilir. Web3 verileri, blok zincirlerini, jeton fiyatlarını, tweet'leri, projeleri ve araştırmayı içerir. Bu nedenle, Web2 ve Web3, son kullanıcılara hizmet vermek için farklı LLM'ler gerektirir.
LLM'deki patlama nedeniyle, AIxBlockchain'in artan popülaritesini görüyoruz. Ancak, birçok AIxBlockhain kısa bir süre için pratik değildir. Blockchain ve sıfır bilgi kanıtları, bazı karmaşık modeller için eğitim ve muhakeme için büyük ölçekli bilgi işlem gücü sağlayamaz. Küçük modeller karmaşık görevleri çözemez. Daha pratik bir yaklaşım, LLM'yi blockchain alanında uygulamaktır. LLM son zamanlarda diğer AI konularından daha fazla ilerleme kaydetti. LLM ve blockchain'i birleştirmek daha mantıklı.
LLM topluluğu, belirteç sınırlarını iyileştirmek ve yanıt doğruluğunu artırmak için çalışıyor. Blockchain topluluğuna kalan, veri kaynakları ve veri boru hatlarıdır. Temizlenen veriler, blok zinciri ortamında doğruluğu artırmak için LLM'de ince ayar yapmak için kullanılabilir. Veri boru hatları, daha fazla blockchain ile ilgili uygulamayı LLM'ye entegre edebilir ve kriptoya özgü daha fazla aracı geliştirebilir.
View Original
This page may contain third-party content, which is provided for information purposes only (not representations/warranties) and should not be considered as an endorsement of its views by Gate, nor as financial or professional advice. See Disclaimer for details.
IOSG Ventures: Blockchain etkileşimini açmak için LLM'nin yeni olasılığı hakkında derinlemesine tartışma
Orijinal yazar: Yiping, IOSG Ventures
Büyük dil modeli (LLM) ve blockchain araştırma serimizin ikinci makalesine hoş geldiniz. Bir önceki yazıda LLM ile blockchain teknolojisinin teknik düzeyde nasıl entegre edileceğini ve LLM çerçevesinin neden blockchain alanı için çok uygun olduğunu tartışmıştık. Gelecekte LLM'yi blockchain ile entegre etmek için potansiyel yolları da özetliyoruz.
Bu gönderide, daha uygulamalı bir yaklaşım benimseyecek ve blockchain kullanıcı deneyimini önemli ölçüde değiştireceğine inandığımız sekiz özel uygulama alanına dalacağız. Daha da heyecan vericisi, bu çığır açan uygulamaların önümüzdeki yıl içinde gerçeğe dönüşeceğini tahmin ediyoruz.
Blockchain etkileşiminin geleceğini ortaya çıkarırken bize katılın. İşte tartışacağımız sekiz uygulamaya kısa bir genel bakış:
Yerleşik AI/LLM yeteneklerini blok zincirine entegre etme
İşlem kayıtlarını analiz etmek için LLM'yi kullanma
LLM ile güvenliği artırın
LLM ile kod yazın
LLM ile kodu okuyun
Topluluğa LLM konusunda yardımcı olmak
Pazarı izlemek için LLM'yi uygulayın
Projeleri analiz etmek için LLM uygulayın
Yerleşik AI/LLM yeteneklerini blok zincirine entegre edin
Blockchain, yerleşik yapay zeka işlevlerine ve modellerine sahip olacaktır. Geliştiriciler, sınıflandırma, regresyon, metin tamamlama ve zincir üzerinde AIGC gibi özel makine öğrenimi görevlerini gerçekleştirmek için AI işlevlerine erişebilir. Geliştiriciler, akıllı sözleşmeler aracılığıyla bu yapay zeka işlevlerini çağırabilir.
Bu yerleşik özelliklerle, geliştiriciler akıllı sözleşmelerine zeka ve özerklik kazandırabilir. Sınıflandırma, regresyon ve AIGC, tipik AI görevleridir. Bu fonksiyonların blockchain alanındaki uygulamasını ve birkaç örnek projeyi görelim.
Sınıflandırma
Bir adresin bot mu yoksa gerçek kişi mi olduğunu belirlemek için sınıflandırma kullanılabilir. Bu, mevcut NFT satış durumunu değiştirebilir. Sınıflandırma, DeFi ekosisteminin güvenliğini de artırabilir. DeFi akıllı sözleşmeleri, kötü amaçlı işlemleri filtreleyebilir ve fon kaybını önleyebilir.
gerileme
Regresyon analizi, fon ve varlık yönetimine uygulanan tahmin için kullanılabilir. Numer.ai zaten parayı yönetmelerine yardımcı olmak için yapay zeka kullanıyor. Numer, veri bilimcilerin üzerinde çalıştığı ve borsayı tahmin etmek için makine öğrenimi uyguladığı yüksek kaliteli borsa verileri sağlar.
AIGC
Birçok NFT projesi bir IP evreni oluşturmaya çalışıyor. Ancak sınırlı içerikleri bir evreni destekleyemez. AIGC'yi zincir üzerinde kullanabilirsek, benzer bir ikonik marka stiline sahip sayısız içeriği nispeten düşük bir maliyetle üretebiliriz. Modeller metin, resim, müzik, ses ve hatta video çıktısı alabilir. Bu, IP evreninin boyutunu büyük ölçüde genişletir. Topluluk katılımcıları, beklentilerini karşılamak için toplu olarak modelde ince ayar yapabilir. İnce ayar süreci ayrıca topluluğun dahil olduğunu hissetmesini sağlar.
Botto, sanatsal içerik oluşturmak için AIGC modelini kullanır. Topluluk, AIGC modelinde toplu olarak ince ayar yapmak için en sevdikleri görüntülere oy verir.
Blok zincirine bir veritabanı olarak bakarsak, Databend'in yerleşik yapay zeka yeteneklerini veritabanına dahil ettiğini de görürüz. Aşağıdaki işlevleri sağlarlar:
Blok zinciri için AI yetenekleri sağlayın
Bazı projelerin yapay zeka yeteneklerini blok zincirine getirdiğini biliyoruz.
Giza, ZKML üzerinde çalışıyor. Zincir dışı muhakeme kanıtları üretir ve bunları zincir üzerinde doğrular. Artık Ethereum Sanal Makinesi ve StarkNet ile uyumlu blokajları destekliyor. Giza kısa bir süre önce Yearn.finance ile bir ortaklık duyurdu; bu ortaklık sayesinde Yearn, risk değerlendirme yeteneklerini geliştirmek için Giza'nın yapay zeka yeteneklerinden yararlanacak.
Modulus Labs da benzer bir yönde çalışıyor. Yapay zeka için yüksek performanslı devreler oluşturmak üzere ispat sistemlerini geliştirmek için daha çok çalışıyorlar. Chess AI ve Ethereum Price Prediction AI gibi demolar yayınladılar. Yeni demo projeleri olan zkMon, dünyanın ilk sıfır bilgiyle kanıtlanan Üretken Çekişmeli Ağ NFT'si koleksiyon ürünüdür.
İşlem kayıtlarını analiz etmek için LLM'yi kullanın
İşlem kayıtlarının analizi genellikle Debank gibi belirli uygulamalar tarafından yapılır. İşlem kayıtlarını insanlar tarafından manuel olarak analiz etmek zordur. Manuel analiz, kullanıcıların kodlama becerilerine sahip olmasını gerektiren veri toplama, veri temizleme ve veri analizini içerir. LLM'nin verileri analiz etme ve görselleştirme yeteneği sayesinde artık yeni bir yaklaşımımız var. LLM aracılığıyla, zincir üzerindeki verileri özelleştirilmiş ihtiyaçlara göre analiz edebiliriz. Kazanma oranını, performans oranını veya bilmek istediğimiz herhangi bir bilgiyi analiz edebiliriz.
RSS3, bu yönde çalışmak için Web3 Kullanıcı Etkinliği adlı bir ChatGPT eklentisi geliştirmiştir. Kullanıcılar, zincir üzerindeki etkinlikleri sorgulamak için cüzdan adresini, ENS'yi veya Lens'i girebilir. Bu eklenti, işlem bilgilerini insan tarafından okunabilir bir biçimde çıkarır. Ne yazık ki, kaç tane Azuki sahibi olduğu, hangi akıllı sözleşmelerin en popüler olduğu gibi karmaşık sorguları gerçekleştiremiyor. Kullanıcılar ayrıca, eklentiler tarafından sağlanan adreslerin ve etiketlerin mutlaka doğru olmadığının farkında olmalıdır.
DeFiLlama ayrıca bir ChatGPT eklentisi yayınladı. Kullanıcılar, DeFiLlama'da mevcut olan herhangi bir veriyi doğal dilde sorgulayabilir. Ayrıca basit filtreleme ve sıralama işlemlerini de gerçekleştirebilir:
Dune, aşağıdaki özellikleri etkinleştirmek için GPT'yi de ürününe entegre ediyor:
Güvenliği artırmak için LLM'den yararlanın
LLM, mantığı ve muhakeme yetenekleri sayesinde bazı kötü amaçlı işlemleri filtrelemek ve akıllı sözleşmeler için bir güvenlik duvarı görevi görmek için kullanılabilir. Bot aktivitesinin nasıl engelleneceğine dair somut bir örnek:
LLM, adresi girdikten sonra üçüncü taraf bir eklenti aracılığıyla tüm işlem verilerini elde edebilir, ardından bu işlem kayıtlarını analiz edebilir ve adresin bir robot olma olasılığını hesaplayabilir. Bu işlevsellik, NFT satışları gibi botların hoş karşılanmadığı Dapp'lere gömülebilir.
Aşağıda ChatGPT üzerinden basit bir örnek verilmiştir. ChatGPT, RSS3 tarafından geliştirilen Web3 kullanıcı etkinliği eklentisi aracılığıyla hesabın işlem kayıtlarını alır, ardından bu işlem kayıtlarını analiz eder ve hesabın bir robot olma olasılığını ortaya koyar.
Daha fazla işlem kaydı beslersek ve LLM'de botla ilgili veri kümesinde ince ayar yaparsak daha doğru sonuçlar elde edebiliriz. Aşağıda böyle bir uygulama için örnek bir iş akışı verilmiştir. Yanıt verebilirliği iyileştirmek ve maliyetleri azaltmak için önbelleğe alma ve veritabanı katmanları da ekleyebiliriz.
LLM kullanarak kod yaz
LLM, geliştiricilerin kodu daha hızlı ve daha iyi yazmasına yardımcı olmak için geliştirmede yaygın olarak kullanılır. Geliştiricinin yönlendirmesiyle, LLM onlar için kod üretebilir. Şu anda, geliştiricilerin LLM için ayrıntılı talimatlar sağlaması gerekiyor. LLM'nin tüm proje için otomatik olarak kod üretmesi zordur.
Kod için bazı popüler LLM modelleri arasında StarCoder, StarCoder+, Code T 5, LTM, DIDACT, WizardCoder, FalCoder-7 B ve MPT 30 B bulunur.
Bu modellerin tümü akıllı sözleşmeler yazmak için kullanılabilir, ancak akıllı sözleşme verileri üzerinde özel olarak eğitilmemiş olabilirler. Hala iyileştirme için yerleri var.
Şu anda, HuggingFace'te akıllı sözleşmeyle ilgili yalnızca bir veri kümesi bulunmaktadır. 113.000 akıllı sözleşme içeren, denetlenmiş akıllı sözleşmelerin dodger setidir. Metin sınıflandırma, metin oluşturma ve güvenlik açığı tespiti gibi görevler için kullanılabilir.
Otomatik kod oluşturma, destekli geliştirme araçlarından daha umut verici olabilir. Otomatik kod oluşturma, akıllı sözleşmeler için uygundur çünkü akıllı sözleşmeler nispeten kısa ve nispeten basittir. LLM'nin, geliştiricilerin blockchain alanında otomatik olarak kod oluşturmasına yardımcı olabilmesinin birkaç yolu vardır.
Ölçek
Birincisi, LLM, iyi yazılmış akıllı sözleşmeler için testler üretebilir. Örneğin, Codium yazılı projeler için otomatik olarak testler üretebilir. Codium şu anda JS ve TS'yi desteklemektedir. Codium, kod tabanını anlayarak, her işlevi, doküman dizisini ve yorumu analiz ederek başlar. Codium daha sonra kod analizini yorum olarak dosyaya geri yazar ve bir test planı çıkarır. Kullanıcılar tercih ettikleri testleri seçebilir ve Codium seçilen test kodunu üretecektir.
Diğer yardımcı araçlar da seçilen işlevler için test oluşturmayı destekler.
Benzer adımları izleyerek benzer işlevleri GPT-4'te çoğaltabiliriz.
LLM'nin bu göreve daha fazla zaman ayırmasını istediğimiz için önce kod analizi istedik. LLM hangi görevlerin zor olduğunu bilmez. Her işaretleyici için aynı bilgi işlem gücünü harcar. Bu, karmaşık görevlerde yanlış sonuçlara yol açabilir. Bu özelliklere dayanarak kod analizi talep ediyoruz. Bu şekilde LLM, bu görevler hakkında düşünerek daha fazla jeton/zaman harcayacak ve daha yüksek kaliteli sonuçlar üretecektir. Bu yöntem aynı zamanda "düşünme zinciri" olarak da bilinir.
Daha uzun akıllı sözleşmeler için çalışmasını sağlamak için, daha geniş bir bağlama sahip bir LLM'ye veya belleği korumak için biraz mühendisliğe ihtiyacımız var.
Yardımcı komut dosyaları oluştur
İkinci olarak, dağıtım komut dosyaları gibi bazı yardımcı komut dosyalarını otomatik olarak oluşturmak için LLM'yi kullanabiliriz.
Dağıtım betikleri, manuel dağıtımlar sırasında olası hataları azaltır. Fikir, otomatik olarak test oluşturmaya çok benzer.
Otomatik çatallama
Bir boğa piyasasında, ekiplerin orijinal kod tabanlarından küçük kod değişiklikleri yaptığı birçok çatallı proje olacaktır. Bu, LLM için harika bir kullanım örneği olacaktır: LLM, geliştiricilerin ekibin ihtiyaçlarına göre kodu otomatik olarak değiştirmesine yardımcı olabilir. Genellikle kodun yalnızca belirli bölümlerinin değiştirilmesi gerekir. LLM için bunu başarmak nispeten kolaydır.
Otomatik kod oluşturma
Bir adım daha ileri gidersek LLM, geliştiricilerin ihtiyaçlarına göre otomatik olarak akıllı sözleşmeler üretebilir mi? JS, Rust ve Python'da yazılan diğer karmaşık yazılımlarla karşılaştırıldığında, akıllı sözleşmeler nispeten kısa ve nispeten basittir. Akıllı sözleşmeler için çok fazla harici kitaplık yoktur. Akıllı bir sözleşmenin nasıl yazılacağını bulmak, bir LLM için nispeten kolaydır.
Otomatik kod oluşturmada bazı ilerlemeler gördük. GPT mühendisi öncülerden biridir. Kodlama başlamadan önce, kullanıcının ihtiyaçlarını ele alır ve LLM'nin sahip olabileceği tüm soruları yanıtlar. Kod ayrıca tüm projeyi çalıştıran bir komut dosyası içerir. GPT mühendisi, geliştiriciler için projeleri otomatik olarak başlatabilir.
Kullanıcı gereksinimlerini girdikten sonra, GPT mühendisi gereksinimleri analiz eder ve bazı açıklamalar ister. Gerekli tüm bilgileri topladıktan sonra, GPT mühendisi önce bu görev için gerekli olan çekirdek sınıflar, işlevler ve yöntemler dahil olmak üzere programın tasarımını çıkaracaktır. GPT mühendisi daha sonra her dosya için kod üretecektir.
Bunun gibi bir ipucu ile karşı akıllı bir sözleşme oluşturabiliriz.
Akıllı sözleşmeler beklendiği gibi derlenir ve çalışır.
GPT-engineer aslen Python için tasarlandığından, Hardhat ile ilgili kod oluşturma konusunda bazı sorunları vardır. GPT mühendisi, Hardhat'in en son sürümünün farkında değildir ve bazen eski test ve dağıtım komut dosyaları oluşturur.
Kodumuzda hatalar varsa, kod tabanını ve konsol hata günlüklerini LLM'ye besleyebiliriz. LLM, kod başarıyla çalışana kadar kodu sürekli olarak değiştirebilir. ** gibi bir şey görüyoruz [flo] (Bu tür projeler bu yönde gelişmektedir. Şu anda flo sadece JS'yi desteklemektedir.
Akıllı sözleşme üretiminin doğruluğunu artırmak istiyorsak, GPT-engineer'ı bazı yeni ipuçlarıyla geliştirebiliriz. Oluşturulan programı daha iyi kısıtlamak için programın belirli testleri geçmesini sağlamak için LLM'yi gerektiren test odaklı bir geliştirme yöntemi benimseyebiliriz.
Kodu okumak için LLM'yi kullanın
LLM kodu iyi anladığından, LLM'yi geliştirici belgeleri yazmak için kullanabiliriz. LLM, belgeleri güncellemek için kod değişikliklerini de izleyebilir. Bu yaklaşımı, önceki araştırma raporumuz olan ZKRU'larda Geliştirici Deneyimini Keşfetmek: Derinlemesine Bir Analiz'in sonunda tartışmıştık.
Belgeleri okumak geleneksel yoldur, ancak kodla iletişim kurmak yeni bir yoldur. Kullanıcılar kod hakkında herhangi bir soru sorabilir ve LLM bunları yanıtlar. LLM, geliştiriciler için kodu açıklayabilir ve zincirdeki akıllı sözleşmeleri hızlı bir şekilde anlamalarına yardımcı olabilir. LLM, kodlama deneyimi olmayan kişilerin akıllı sözleşmeleri anlamalarına da yardımcı olabilir.
Bu eğilimi Web2 dünyasında zaten gördük. Birçok kod yardım aracı, kod yorumlama yeteneklerine sahiptir.
Etherescan, LLM'nin gücünden yararlanarak kullanıcıların kodla iletişim kurmasına olanak tanıyan yeni işlevselliğini de gösterdi.
Kod anlaşıldığında denetim nasıl değişir? "Hala manuel bir akıllı sözleşme denetimine ihtiyacınız var mı?" başlıklı kağıt üzerinde yapılan deneylerde LLM, güvenlik açıklarını belirlemede %40'lık bir isabet oranı elde ederek, rastgele taban çizgilerini geride bıraktı. Bununla birlikte, aynı zamanda yüksek bir yanlış pozitif oranına sahiptirler. Yazarlar, uygun yönlendirmenin anahtar olduğunu belirtiyor.
İpuçlarına ek olarak, aşağıdaki nedenler kullanımını sınırlar:
Bu sorunların çözümü zor değil. Büyük denetim firmaları, LLM'de ince ayar yapmak için kullanılabilecek binlerce denetim raporuna sahiptir. Büyük belirteç kısıtlamaları olan LLM'ler ortaya çıkıyor. Claude'un 100.000 jeton sınırı vardır. Yeni çıkan LTM-1'in etkileyici bir 5 milyon token limiti var. Bu iki sorunu ele alma çabaları sayesinde, LLM'lerin güvenlik açıklarını belirlemede daha iyi hale geldiğini görebiliriz. LLM, denetçilere yardımcı olabilir ve denetim sürecini hızlandırabilir. Bu yavaş yavaş gelişebilir. İşte olası geliştirme yörüngeleri:
Denetçilerin raporları dil ve biçim düzenlemelerine yardımcı olun. Bu, aynı denetim firması altında dil tutarlılığını sağlar. Genellikle farklı gruplar farklı tercih edilen kelime dağarcığına sahip olabilir.
Denetçilerin olası güvenlik açıklarını belirlemesine ve doğrulamasına yardımcı olun.
Otomatik olarak denetim taslağı raporu oluşturun.
Topluluğa yardım etmek için LLM'yi kullanın
Yönetişim, toplumun kritik bir parçasıdır. Topluluk üyeleri favori önerileri için oy kullanma hakkına sahiptir. Bu öneriler ürünün geleceğini şekillendirecek.
Önemli teklifler için birçok arka plan bilgisi ve topluluk tartışması yapılacaktır. Topluluk üyelerinin oy vermeden önce bu bağlamı tam olarak anlamaları zordur. LLM, topluluk üyelerinin seçimlerinin gelecekteki etkisini hızla anlamalarına ve oy kullanmalarına yardımcı olabilir.
Soru yanıtlayan botlar başka bir potansiyel uygulamadır. Proje belgelerine dayalı Soru-Cevap botları gördük. Daha geniş bir bilgi veritabanı oluşturmak için daha ileri gidebiliriz. Sunumlar, podcast'ler, GitHub, Discord sohbetleri ve Twitter Alanları gibi farklı medya ve kaynakları ekleyebiliriz. Soru-Cevap botları yalnızca dokümantasyon arama çubuğunda bulunmaz, aynı zamanda topluluk üyelerine Discord'da anında destek sağlayabilir veya projenin vizyonunu Twitter'da yayabilir ve soruları yanıtlayabilir.
AwesomeQA şu anda bu yönde gelişiyor. Üç işlevi uygular:
Şu anda soru yanıtlayan robotların karşılaştığı zorluklardan biri, ilgili bağlamın vektör veri tabanından nasıl doğru bir şekilde elde edileceği ve bağlamın LLM'ye nasıl sağlanacağıdır. Örneğin, bir kullanıcı birden çok öğe için birden çok özellik üzerinde filtreler içeren bir sorgu isterse, robot ilgili bağlamı vektör veritabanından alamayabilir.
Vektör veritabanını güncellemek başka bir konudur. Mevcut çözüm, vektör veritabanını yeniden oluşturmak veya vektör veritabanını ad alanı aracılığıyla güncellemektir. Gömmelere ad alanları eklemek, verilere etiket eklemeye benzer. Bu, geliştiricilerin uygun yerleştirmeleri daha kolay bulmasına ve güncellemesine yardımcı olur.
Piyasayı takip etmek için LLM'yi kullanın
Pazar çok değişiyor ve her gün birçok şey oluyor. KOL (Önemli Kanaat Önderleri) gibi yeni fikirler ve düşünceler, haber bültenleri ve ürün e-postaları gelen kutunuza akıyor. LLM sizin için en önemli fikirleri ve haberleri seçebilir. Ayrıca okuma sürenizi kısaltmak ve piyasa dinamiklerine ayak uydurmanıza yardımcı olmak için içeriği özetler.
minmax.ai kendini gazetecilik alanına adamıştır. Belirli bir konudaki en son haberlerin özetlerini sunarlar ve ayrıca o konuyla ilgili duygu analizi sağlarlar.
Sıkıcı raporlar, sansasyonel içeriği haberlerden çıkarır ve okuyucuların doğru kararları vermesine yardımcı olmak için önemli ayrıntılara odaklanır.
Robo-danışmanlık şu anda en sıcak alanlardan biri. LLM, robo-danışmanlık kullanımını yönlendirebilir. LLM, alım satım önerileri sağlayabilir ve kullanıcıların hisse senedi bilgilerinin arka planında portföyleri yönetmesine yardımcı olabilir.
Numer.ai gibi projeler, piyasaları tahmin etmek ve fonları yönetmek için yapay zekayı kullanır. LLM tarafından yönetilen portföyler de vardır. Kullanıcılar bu portföyleri Robinhood üzerinden takip edebilirler.
Composer, AI ile ticaret algoritmaları getiriyor. AI, kullanıcı içgörülerine dayalı olarak belirli ticaret stratejileri oluşturur. AI daha sonra bu ticaret stratejilerini otomatik olarak geriye dönük olarak test edecektir. Kullanıcı ilkelerden memnunsa, Composer bu ilkeleri kullanıcı için otomatik olarak uygulayabilir.
LLM kullanarak projeleri analiz edin
Analitik projeler genellikle büyük hacimli materyalleri okumayı ve uzun araştırma makaleleri yazmayı içerir. LLM kısa paragrafları okuyabilir ve yazabilir. Yeteneklerini uzun paragraflara genişletebilirsek, bu LLM'nin bir şekilde bazı proje araştırmaları yapabileceği anlamına mı geliyor? Büyük olasılıkla evet. Teknik incelemeler, belgeler veya etkinlik sunumları girebilir ve LLM'nin projeleri ve kurucuları analiz etmesine izin verebiliriz. Belirteç sayısıyla sınırlı olarak, önce makalenin ana hatlarını yazabilir ve ardından elde ettiği bilgilere göre her bir parçayı güncelleyebilir ve optimize edebiliriz.
BabyAGI gibi projeler şimdiden bu yönde ilerliyor. Aşağıda, BabyAGI'nin bir çeşidi olan BlockAGI'den alınan örnek çıktı yer almaktadır.
LLM, kurucunun kişiliğini Twitter ve topluluk önünde konuşmaya dayalı olarak da analiz edebilir. Örneğin Tweet Analyzer, son tweet'leri alabilir ve kişisel özellikleri analiz etmek için LLM'yi kullanabilir.
Sonuç olarak
Bunlar, LLM'nin yakın gelecekte blockchain topluluğuna yardımcı olabileceği sekiz özel yöndür:
Yerleşik AI/LLM işlevlerini blok zincirine entegre edin.
İşlem kayıtlarını analiz etmek için LLM'yi kullanın.
LLM ile güvenliği artırın.
LLM kullanarak kod yazın.
Kodu okumak için LLM'yi kullanın.
Topluluğa yardımcı olmak için LLM'den yararlanın.
Piyasayı takip etmek için LLM'yi kullanın.
Projeleri analiz etmek için LLM uygulayın.
LLM, proje sahipleri, analistler ve mühendisler dahil olmak üzere kripto alanının tüm üyelerine fayda sağlayabilir. Kurucular, dokümantasyon ve Soru-Cevap gibi görevleri otomatikleştirmek için LLM'yi kullanabilir. Mühendisler, daha hızlı ve daha güvenli kod yazmak için LLM'yi kullanabilir. Analistler projeleri daha kolay araştırabilir.
Uzun vadede, GameFi alanında LLM'yi uygulamak için potansiyel bir fırsat da görüyoruz. LLM, oyunda daha ilginç görevler üretebilir ve oyunda farklı roller oynayabilir. Oyundaki dünya daha gerçek ve ilginç hissedecek. NPC'ler, oyuncunun eylemlerine göre dinamik olarak tepki verecektir. Görevler, kullanıcının onları nasıl çözdüğüne bağlı olarak daha fazla sona sahip olacaktır.
LLM mevcut projelere entegre edilebilir, ancak aynı zamanda yeni girenler için fırsatlar da açar. Örneğin, zincir üstü veri analizi alanında zaten bazı en iyi oyuncular var. Dune, kullanıcı deneyimini iyileştirmek için LLM'yi entegre edebilir. Bununla birlikte, LLM yeni başlayanlar için fırsatlar da sunar. Bu yeni katılımcılar, LLM'yi ürün tasarımlarının merkezine yerleştirebilirler. Bu AI liderliğindeki ve AI merkezli yaratıcı ürünler, zincir üstü veri analizi alanına yeni rekabet getirebilir.
Web2 ve Web3 dünyalarında LLM kullanımlarında örtüşme vardır, ancak ürünleri farklı şekillerde uygulayabilirler. Çünkü Web3 dünyasında kullandığımız veriler ile Web2 dünyasındaki veriler aynı değil. LLM'nin bilgi tabanı da Web2 ve Web3'te farklı olabilir. Web3 verileri, blok zincirlerini, jeton fiyatlarını, tweet'leri, projeleri ve araştırmayı içerir. Bu nedenle, Web2 ve Web3, son kullanıcılara hizmet vermek için farklı LLM'ler gerektirir.
LLM'deki patlama nedeniyle, AIxBlockchain'in artan popülaritesini görüyoruz. Ancak, birçok AIxBlockhain kısa bir süre için pratik değildir. Blockchain ve sıfır bilgi kanıtları, bazı karmaşık modeller için eğitim ve muhakeme için büyük ölçekli bilgi işlem gücü sağlayamaz. Küçük modeller karmaşık görevleri çözemez. Daha pratik bir yaklaşım, LLM'yi blockchain alanında uygulamaktır. LLM son zamanlarda diğer AI konularından daha fazla ilerleme kaydetti. LLM ve blockchain'i birleştirmek daha mantıklı.
LLM topluluğu, belirteç sınırlarını iyileştirmek ve yanıt doğruluğunu artırmak için çalışıyor. Blockchain topluluğuna kalan, veri kaynakları ve veri boru hatlarıdır. Temizlenen veriler, blok zinciri ortamında doğruluğu artırmak için LLM'de ince ayar yapmak için kullanılabilir. Veri boru hatları, daha fazla blockchain ile ilgili uygulamayı LLM'ye entegre edebilir ve kriptoya özgü daha fazla aracı geliştirebilir.