هوش مصنوعی می توانست حادثه مانترا را پیش بینی کند – حتی مسدود شده

سقوط مانترا (OM) ، سکه داخلی Mantra Blockchain در دنیای واقعی ، در تاریخ 13 آوریل بازار رمزنگاری را لرزاند. در طی چند ساعت ، ارزش بازار دارایی از 6 میلیارد دلار به 500 میلیون دلار کاهش یافت.

در حال حاضر در بازاری که از میلیارد دلار فروپاشی ترسیده بود ، فروپاشی وجود داخلی مانترا بار دیگر ثابت کرد که هک ها تنها دشمنان صنعت نیستند-به دلیل سهل انگاری ، فلج شد. تیم پشت مانترا “انحلال اجباری için را برای 90 ٪ داستان ، که تنها نیمی از داستان است ، متهم کرد.

پس از سطح داده بیشتر ، فهمیده می شود که فروپاشی نه تنها زمان ناگوار یا نوسانات بالای بازار است. این یک فاجعه پیشگیرانه با بسیاری از کاتالیزورها ، مانند موقعیت های بیش از حد ، نقدینگی ضعیف و شکاف های مختلف در سیستم های مدیریت ریسک خودکار بود.

از قضا ، اگر هوش مصنوعی ، این فناوری بود که انجیلی های رمزنگاری شده برای سه سال گذشته ستایش می کردند ، به درستی اعمال می شدند ، می توانست پیش بینی کند ، مارک و حتی از این حادثه جلوگیری کند.

تست استرس نقدینگی کار با هوش مصنوعی

مشکل تست استرس مالی سنتی این است که برای بازارهای پایدار ، تنظیم شده و دارایی های سنتی مانند سهام و اوراق قرضه که نوسانات بیش از حد نادر است ، طراحی شده است. از طرف دیگر ، ارزهای رمزپایه در یک واقعیت متفاوت کار می کنند که در آن نوسانات قیمت وحشی و تصادفات ناگهانی نقدینگی کاملاً متداول است و بخشی از بازی بازار است. فریم های خطر قدیمی بر اساس الگوهای تاریخی نمی توانند این شوک ها را به خود جلب کنند.

آزمون استرس با هدایت هوش مصنوعی یک جایگزین پویا ارائه می دهد. به جای تکیه بر داده های تاریخی استاتیک ، مدل های یادگیری ماشین با شرایط واقعی زمان ، تجزیه و تحلیل احساسات بازار ، معیارهای موجود در مدل های زنجیره ای و نقدینگی سازگار می شوند.

یک روش جدید به نام تست استرس مبتنی بر Kurtoz بر کاهش خطر از دست دادن بیش از حد مستعد ، دقیقاً وقایع “دم روغن” که مشخصه خرابی بازار رمزنگاری است ، تمرکز دارد. این تکنیک می تواند به شرکتها در فعالیتهای “کمتر قابل پیش بینی ، کارآمد” مانند آخرین مانترا و 2022 Terra (Luna) کمک کند. در هنگام فروپاشی Terra در سال 2022 ، مدل های ریسک سنتی شکست خوردند زیرا آنها پیش بینی نکردند که چگونه یک Stablecoin DE-PEG می تواند تا 60 میلیارد دلار پیچیده شود.

این تحقیق نشان می دهد که پرتفوی طراحی شده برای کاهش انتشار بیش از حد خطر ، بازده 491 ٪ را با مدل Dryoz فراهم می کند ، رویکرد ساده تر “al-tut” در 426 ٪ هزینه می شود ، و حتی آنهایی که در اطراف استراتژی های نسبت شارپ سنتی ساخته شده اند با 384 ٪ بازده عملکرد بهتری دارند.

مقدار بالای Dryoz احتمال ابتلا به نوسانات بیش از حد را نشان می دهد. در رمزنگاری ، این وقایع ناهنجاری نیستند – بخشی از چشم انداز.

قرار گرفتن در معرض مانترا در برابر نقدینگی نازک آخر هفته و غلظت سکه ممکن است از قبل توسط روشهای تست استرس پشتیبانی شده از هوش مصنوعی مشخص شود و ممکن است پنجره ای را فراهم کند که قبل از ضربه زدن به فاجعه اقدام کند.

نظارت و علامت گذاری حرکات با هوش مصنوعی

شفافیت blockchain بزرگترین قدرت است ، اما نظارت بر میلیون ها عمل به صورت دستی غیرممکن است. هوش مصنوعی در اینجا عالی است. عوامل هوش مصنوعی خودمختار می توانند به طور مداوم فعالیت را روی زنجیره اسکن کنند و الگوهای غیرمعمول را نشان دهند که می توانند دستکاری بازار آینده را نشان دهند ، همه بدون نیاز به مشارکت انسان.

در مورد مانترا ، blockchain ، که پس از حادثه مورد تجزیه و تحلیل قرار گرفته است ، علائم داده ها را شرح داده است. فقط چند روز قبل از فروپاشی ، یک کیف پول متصل به لیزر دیجیتال 6.5 میلیون توکتینگ OM را به یک کیف پول دیگر منتقل کرد و سپس به OKX فرستاده شد که آنها انحلال شده اند. یک سیستم نظارت بر هوش مصنوعی می تواند این حرکات را در زمان واقعی تشخیص دهد و هشدارهای فوری به بورس اوراق بهادار ، تنظیم کننده ها و جامعه گسترده تر ارائه دهد.

عوامل هوش مصنوعی می توانند رفتارهای روتین بازار را از دستکاری های احتمالی متمایز کنند ، زیرا آنها نه تنها عملیات را تحت نظر دارند بلکه پروفایل های رفتاری بین شبکه های کیف پول ایجاد می کنند.

برای پیش بینی شکاف های امنیتی کتاب سفارش دهید

شاید مستقیم ترین راه برای جلوگیری از تصادف مانترا هوش مصنوعی ، تجزیه و تحلیل کتاب نظم پیچیده باشد. کتاب های سفارش ، سلامت واقعی یک بازار را نشان می دهد ، اما پیچیدگی ها بیشتر از تجزیه و تحلیل سطح سطح هستند.

مدل های یادگیری عمیق ثابت کرده اند که نتایج امیدوارکننده ای را در برآورد حرکات قیمت بر اساس داده های کتاب سفارش ، به ویژه با شبکه های عصبی تکامل و شبکه های حافظه بلند مدت ارائه می دهند. یک مطالعه نشان داد که CNN های زمانی می توانند تغییر قیمت بیت کوین (BTC) را تا 76 ٪ تخمین بزنند.

تجزیه و تحلیل AI-vented از عمق بازار بر خطر مهم لغزش از شرایط اصلی فروش شرایط برای فروپاشی قیمت تأکید خواهد کرد. در نتیجه ، این مدل ها می توانند با شناسایی کتاب های سفارش خوب خطرناک در ساعات معاملات آخر هفته ، شکنندگی مانترا را نشان دهند.

با کمک مدلهای هوش مصنوعی و یادگیری عمیق ، شرکتهای رمزنگاری ممکن است اقدامات پویا مانند کاهش قیمت تیز و نقاط ضعف ساختاری در نقدینگی را برای علامت گذاری یا جلوگیری از موقعیت های مانند مانتو اعمال کنند.

ساخت یک اکوسیستم رمزنگاری انعطاف پذیر با هوش مصنوعی

در حالی که فناوری blockchain نوید عدم تمرکز و شفافیت را می دهد ، بدون سیستم های پیشرفته مدیریت ریسک پشتیبانی شده توسط هوش مصنوعی که می تواند میلیون ها عملیات را پردازش کند و الگوهای مشکوک را پردازش کند ، آسیب پذیر است. فروپاشی موجودات برجسته مانند مانترا و Terra نیاز به این سیستم ها را اثبات کرد.

مؤسسات مالی با قرار گرفتن در معرض رمزنگاری باید به قاب های تست استرس پویا که هم در داده های زنجیره ای و هم غیر Chain ادغام می شوند ، اولویت داشته باشند. ردیابی زمان واقعی پشتیبانی شده توسط نمایندگان AI باید یک برنامه استاندارد برای تغییرات و ارائه دهندگان نقدینگی باشد. تجزیه و تحلیل کتاب سفارش مداوم همچنین برای پیش بینی خطرات لغزش و جلوگیری از تصادفات با محوریت بسیار مهم است.

در این مرحله ، شرکت های رمزنگاری در رسیدن به ترتیبات جهانی مشکل دارند و هر منطقه محدودیت های خاص خود را دارد. گاهی اوقات برای مذاکره و ارزیابی صحیح قاب های نظارتی سالها طول می کشد. به عنوان مثال ، بازارهای موجود در آیین نامه رمزنگاری (MICA) در سپتامبر سال 2020 پیشنهاد شد و به طور رسمی در 31 مه 2023 تصویب شد ، اما هنوز هم از دست رفته استبک های مفقود شده و برخی از قوانین در ژوئن 2024 اعلام شد و مقررات ارائه دهندگان خدمات رمزنگاری در دسامبر 2024 اعلام شد.

با وجود حساسیت این مقررات ، آنها امروزه پیچیدگی ، سرعت و حجم داده هایی را که اکوسیستم های blockchain را تعریف می کنند ، پوشش می دهند. در نتیجه ، تنظیم کننده ها با قوانینی که برای مشکلات دیروز طراحی شده اند باقی می مانند.

به جای استفاده از پتو سرکوب هوش مصنوعی و محدودیت هایی که با یک بدن مطابقت دارد ، وسایل نقلیه پشتیبانی شده توسط هوش مصنوعی همچنین می توانند به اندام های نظارتی با نظارت مؤثرتر کمک کنند. نهادهای دولتی می توانند در نهایت بر تشخیص الگوهای دستکاری و خطرات سیستمیک بدون قربانی کردن اصول مرکزی مرکزی برای تصمیم گیری به موقع و صحیح تمرکز کنند.

از تخمین تا پیشگیری

حادثه مانترا اجتناب ناپذیر نبود. بیشتر ابزارها و تکنیک ها وجود دارد که می توانند این موضوع را تصور کنند ، اما مفقود شدن تمایل صنعت برای اجرای آنها است.

شرکت ها باید به جای اینکه به عنوان یک فضای جداگانه تحت درمان قرار بگیرند ، مدیریت ریسک توسعه یافته و پیچیده تر را در چارچوب های گسترده تر نهادی شروع کنند. سرمایه گذاری در تخصص عملکردی ، که شامل مدل سازی کمی ، زیرساخت های blockchain و سازگاری است ، دیگر یک لوکس نیست. محافظت از یکپارچگی بازار یک ضرورت است.

شرکت های رمزنگاری باید با استانداردهای جهانی مانند Mica و Basel Crypto Frames قابل مقایسه باشند و باید از داده های تبادل تحلیلی و زمان واقعی در زنجیره برای نظارت جامع بهره مند شوند.

پروژه ها ، بورس اوراق بهادار و موسساتی که این روش ها را اتخاذ می کنند ، هم از مزیت رقابتی و هم اعتماد به نفس جامعه برخوردار خواهند شد. از همه مهمتر ، آنها می توانند یک اکوسیستم رمزنگاری بسازند که نوآوری بدون تهدید دستکاری مداوم در بازار و حوادث فاجعه توسعه می یابد.

این سؤال دیگر در مدیریت ریسک رمزنگاری ادغام نشده است ، اما قبل از ظهور بحران بعدی ، این بخش آماده است تا آن را در آغوش بگیرد و سرمایه گذاران بیشتری مجروح شوند. این نه تنها از افراد محافظت می کند بلکه با شهرت کل اکوسیستم نیز محافظت می کند.

هر فروپاشی بزرگ ، هک و ترسیم فرش باعث اعتماد به نفس مردم در بازار رمزنگاری می شود. این به تنظیم کننده ها اجازه می دهد تا ترتیبات قوی تری انجام دهند.

هوش مصنوعی می تواند اکوسیستم غیر محرک را تکمیل کند و بازیگران بد را برای شناسایی ، تشخیص نقص امنیت سیستمیک و تمایز سازندگان قابل اعتماد از کاربران متمایز کند.