تعرف على استخدام Bumper للذكاء الاصطناعي لمساعدة إدارة مخاطر DeFi في مقال واحد

المؤلف: revelointel المصدر: substack الترجمة: Shan Oppa, Golden Finance

الذكاء الاصطناعي هو المجال الحالي للعملات المشفرة واحدة من أقوى الروايات الموجودة، إن لم تكن الأقوى، ولن تختفي في أي وقت قريب. بالأمس فقط، أعلنت شركة Apple عن تكامل كبير مع OpenAI لوضع تطبيقات الذكاء الاصطناعي التوليدية في أيدي المستخدمين. تستمر NVDA (Nvidia) في الارتفاع، مما يثير الاهتمام بين مواطني العملات المشفرة الذين يبحثون عن المزيد من التعرض لهذه الصناعة. على الرغم من أن هناك بالتأكيد طلبًا على الأصول المجاورة في العملات المشفرة، إلا أنه لا يوجد الكثير من المشاريع التي تدمج الذكاء الاصطناعي في عملياتها...

في هذه المقالة، سنركز على الملصقات الصغيرة . مع الفرضية الأولية المتمثلة في حماية المخاطر السلبية، يأخذ Bumper الذكاء الاصطناعي في اتجاه جديد. Bumper هو بروتوكول DeFi جديد يعزز أسواق المشتقات التقليدية من خلال توفير طريقة بسيطة وعادلة ولا مركزية للتحوط من مخاطر الأسعار. يستخدم البروتوكول أداة لمنع الخسارة توفر حماية الأسعار ضد تعطل السوق والتقلبات الهبوطية. تدور فلسفة Bumper حول إنشاء عملية عادلة لتخصيص المكاسب والخسائر في أسواق المخاطر. وعلى النقيض من الأسواق المتنافسة التقليدية، التي عادة ما يكون لها فائزون وخاسرون، فإن دافع بامبر هو إنشاء نظام يعزز العدالة والتوزيع العادل للموارد. الغرض من Bumper هو توفير تسهيلات مخاطر الأسعار المتبادلة التي تعطي الأولوية لتقليل الخسائر الشخصية على تعظيم الأرباح الشخصية. من خلال التركيز على إدارة المخاطر والحماية، يهدف Bumper إلى إنشاء بيئة أكثر أمانًا وأمانًا للمشاركين في نظام DeFi البيئي.

كما تعلمون، فإن العملات المشفرة متقلبة بطبيعتها؛ وقد يكون من الصعب الحد من المخاطر السلبية مع الحفاظ بشكل فعال على الإمكانات الصعودية. هذا هو المكان الذي يتألق فيه تكامل الذكاء الاصطناعي في Bumper؛ حيث يستخدم الفريق الذكاء الاصطناعي للمساعدة في التنبؤ بتحركات الأسعار، وبالتالي تزويد المستخدمين بعائدات أعلى وأقساط تأمين أقل وكفاءة وملاءة أفضل.

خلفية Bumper

Bumper هو بروتوكول نموذجي مخصص لتحسين بروتوكولاته الحالية من خلال الذكاء الاصطناعي مشروع. كما هو متوقع، تتمحور استراتيجية تكامل الذكاء الاصطناعي لدى Bumper حول ثلاث مجموعات رئيسية من تقنيات الذكاء الاصطناعي، تم تصميم كل منها لحل تحديات معينة وتعزيز قدرات البروتوكول:

• توقع السعر

• تحليل المعنويات

• التحليل الفني

من أجل التحقق من نموذج التنبؤ الخاص به للتأكد من الدقة والفعالية، يستخدم Bumper أسلوب النمذجة المستندة إلى الوكيل (ABM) الخاص. ABM هي تقنية حسابية تحاكي تصرفات وتفاعلات الوكلاء المستقلين (مثل الأفراد أو المجموعات أو الكيانات) لتقييم تأثيرهم على النظام العام. يتبع هؤلاء الوكلاء قواعد محددة مسبقًا ويمكنهم التعلم والتكيف والتطور بناءً على خبرتهم وتفاعلاتهم.

يعتبر الوكلاء مهمين لأن Bumper يعمل كصانع سوق ومتلقي ذو وجهين: يقوم المستخدمون على جانب واحد بالتحوط من مخاطرهم ودفع أقساط التأمين عن طريق تثبيت السعر الأدنى، ومن ناحية أخرى، يقوم المستخدمون بإيداع سيولة بالعملة المستقرة لكسب العائد. من أجل تلبية احتياجات كلا جانبي السوق، يجب تحسين تسعير تكاليف الأقساط: إذا كانت باهظة الثمن، فلن يشارك المتلقون؛ وإذا كانت رخيصة للغاية، فلن تكون جذابة لصانعي السوق لأنهم بحاجة لتحمل المخاطر. ومع تقلب الأسعار وتغير التقلبات، يصبح إيجاد التوازن أكثر تعقيدا. وهذا هو سبب أهمية أداة ABM الخاصة بـ Bumper، حيث يمكنها ضبط الأسعار المميزة ديناميكيًا بناءً على التقلبات في الوقت الفعلي، واستيعاب الإشارات من LLMs (نماذج اللغات الكبيرة)، وتوقع اتجاهات السوق وإعادة التوازن بشكل استباقي.

من خلال نهج ABM الذي يدعم استراتيجيات تكامل الذكاء الاصطناعي، تتوقع Bumper أن تزيد كفاءة بروتوكولها من الاقتصاديات بنسبة 5-25%، مما يحقق موازنة فعالة للأقساط المنخفضة والمزيد من المعضلة الثلاثية ذات عوائد عالية وقوة الملاءة المالية.

التنبؤ بالأسعار

ترتبط أول مجموعة من تقنيات الذكاء الاصطناعي بالتنبؤ بالأسعار، باستخدام 700 نموذج اللغة الكبير (LLM) مع 100 مليون معلمة. قام Bumper بتدريب ماجستير إدارة الأعمال هذا على البيانات المالية، بما في ذلك السعر (الفتح والأعلى والمنخفض والإغلاق) ومؤشرات الحجم من مجموعة بيانات أسعار البيتكوين. يستخدم LLM التعلم المعزز مع ردود الفعل البشرية (RLHF) لضبط ومكافأة النماذج التنبؤية التي تتوافق مع بيانات الأسعار الفعلية. تُظهر الصورة أدناه تمثيلاً مرئيًا للتنبؤ بسعر البيتكوين باستخدام معلمة LLM البالغة 70 مليارًا من Bumper.  

تم التدريب في البداية على أساس أسعار الافتتاح/الإغلاق اليومية، ثم تم تغييرها لاحقًا إلى بيانات الساعة. والهدف النهائي هو دمج بيانات التجزئة للحصول على دقة أعلى. نظرًا لأن بيانات علامة BTC $ تحتوي على مئات التيرابايت من البيانات، فإنها تستخدم تقنية الاسترجاع المعزز (RAG) لتحويل معلومات قاعدة البيانات العلائقية إلى ناقلات بيانات. لا تعمل تقنية RAG على تحسين أداء LLM فحسب، بل تسهل أيضًا تكامل تدفقات بيانات أسعار الأصول المتعددة في الوقت الفعلي، وهو أمر أساسي لـ RLHF داخل نافذة سياق LLM الحالية.

تحليل المشاعر

تركز مجموعة تقنيات الذكاء الاصطناعي الثانية على تحليل المشاعر. من خلال الاستفادة من نموذج اللغة الكبيرة (LLM) المُدرب مسبقًا والذي يضم 8 مليار معلمة، يستطيع Bumper تحليل كميات كبيرة من بيانات معالجة اللغة الطبيعية المالية (NLP) لالتقاط معنويات السوق بدقة غير مسبوقة. من خلال تقنيات البرمجة اللغوية العصبية (NLP) الدقيقة والمتقدمة، يكتسب Bumper رؤى قيمة حول مواقف المضاربين، مما يؤدي إلى فهم أعمق لديناميكيات السوق واتجاهاته.

يستوعب برنامج LLM المدرب مسبقًا من Bumper مجموعة واسعة من بيانات البرمجة اللغوية العصبية المالية لتصنيف المشاعر إلى نتائج وتوزيعات تفصيلية لتوفير فهم دقيق لميول السوق. يتم ضبط النموذج بدقة باستخدام تمثيلات التشفير ثنائية الاتجاه (BERT) لتسمية الآراء والمواقف والمشاعر، ويتم تدريبه باستخدام البرمجة اللغوية العصبية المتخصصة لتحديد كلمات مالية محددة.

BERT هو نموذج متطور لمعالجة اللغة الطبيعية (NLP) تم تطويره بواسطة Google. فهو يفهم سياق الكلمات في الجملة من خلال النظر في الكلمات قبل وبعد الكلمة المستهدفة في وقت واحد، بدلاً من مجرد الكلمات السابقة. يسمح هذا النهج ثنائي الاتجاه لـ BERT بالتقاط السياق الكامل للكلمة لتفسير معناها بدقة أكبر.

تم تجهيز LLM بآلية انتباه تمكن النموذج من تقييم أهمية الكلمات المختلفة في الجملة عند تحديد السياق والبنية القائمة على المحولات لتمييز الأسواق بشكل فعال مشاعر وسلوك المستثمر للتنبؤ باتجاهات السوق المستقبلية.

p>

التحليل الفني

تركز المجموعة الثالثة من تقنيات الذكاء الاصطناعي على التحليل الفني. تعمل شركة Bumper على تطوير طريقة جديدة للجمع بين تحليل صور الأسعار المستندة إلى الرؤية مع تفسير المؤشرات الفنية المعتمد على البرمجة اللغوية العصبية (NLP) من خلال تدريب مساعد لغوي ومرئي كبير (LLAVA). يمكّن هذا التكامل Bumper من اتخاذ قرارات مستنيرة بناءً على بيانات الأسعار التاريخية واتجاهات السوق.

تتضمن العملية تحويل بيانات أسعار البيتكوين التاريخية إلى صور مخططات. يتم شرح الصور بعلامات فنية مثل مستويات الدعم/المقاومة، ومؤشر القوة النسبية (RSI)، وتباعد تقارب المتوسط ​​المتحرك (MACD). يقوم نموذج LLAVA بمعالجة نقاط البيانات المرئية هذه والمؤشرات الفنية لمعالجة اللغات الطبيعية ذات الصلة.  

يقوم هذا النموذج متعدد الوسائط الشامل بتوصيل جهاز تشفير مرئي بنموذج لغة كبير (LLM)، مما يمكّن النظام من تحليل وتفسير بيانات السوق المعقدة. بالإضافة إلى ذلك، يتضمن النموذج ذاكرة طويلة المدى قصيرة المدى (LSTM) للتنبؤ بالسلاسل الزمنية التاريخية، مما يعزز القدرة على التنبؤ باتجاهات السوق المستقبلية بناءً على الاتجاهات السابقة.

الملخص

يدمج مشروع Bumper الذكاء الاصطناعي في بروتوكول DeFi الخاص به توفير حلول أكثر فعالية لإدارة المخاطر في سوق العملات المشفرة. يستخدم المشروع ثلاث مجموعات رئيسية من تقنيات الذكاء الاصطناعي للتنبؤ بالأسعار، وتحليل المشاعر، والتحليل الفني، جنبًا إلى جنب مع نهج النمذجة القائمة على الوكيل (ABM) لضبط الأسعار المميزة ديناميكيًا للتكيف مع تقلبات السوق في الوقت الفعلي. من خلال هذا النهج المبتكر، لا يعمل Bumper على تحسين الكفاءة الاقتصادية للبروتوكول فحسب، بل يخلق أيضًا بيئة أكثر عدالة وأمانًا وموثوقية للمشاركين. ومن المتوقع أن يؤدي التطبيق الشامل لهذه التقنيات إلى زيادة كفاءة بروتوكول Bumper بنسبة 5-25%، مما يحل بشكل فعال مشكلة التوازن بين تخفيض الأقساط وزيادة العائدات وتعزيز الملاءة المالية.