En este artículo, exploramos el vasto potencial de los sistemas de IA basados en Large Language Model (LLM) en su aplicación al análisis dinámico del mercado de Ethereum. Para facilitar la comprensión, utilizamos como ejemplo el análisis de IA en el mercado Ethereum Non-Fungible Token (NFT).
En general, la aplicación de la IA para obtener información sobre Ethereum requiere tres pasos. En primer lugar, hay que recopilar los datos vitales de Ethereum en la cadena y los metadatos asociados fuera de la cadena.
A continuación, hay que construir una base de datos especializada diseñada para el LLM. El último paso es aplicar el enfoque de generación aumentada de recuperación (RAG) basado en el LLM para analizar los datos y obtener información.
Recopilación de datos NFT en cadena y fuera de cadena
En el contexto de las NFT, la recopilación de datos requiere bucear tanto en la dimensión dentro de la cadena como fuera de ella.
OpenSea, uno de los principales mercados de NFT, presenta un terreno fértil para la extracción de datos en la cadena, como los detalles y metadatos de las transacciones de NFT.
Se puede llevar a cabo el proceso de recopilación de datos a través de la documentación de la API de OpenSea, un enfoque sencillo para acceder a los datos de la cadena. Al mismo tiempo, los datos fuera de la cadena, como imágenes o vídeos de NFT, se almacenan siempre en InterPlanetary File System (IPFS), una red de almacenamiento descentralizada.
El paso inicial consiste en identificar el hash IPFS dirigido al contenido, un identificador único que señala la imagen NFT dentro de IPFS. Este hash se encuentra normalmente en los metadatos NFT o forma parte de los detalles de la transacción.
El siguiente paso consiste en construir la URL de la pasarela HTTP. Equipado con el hash IPFS, se puede construir la URL, que posteriormente permite el envío de una petición HTTP. Herramientas como Axios o la función inherente fetch sirven de ayuda ideal para enviar una solicitud HTTP GET a la URL construida, recuperando así los datos de la imagen NFT.
Construir una base de datos de conocimientos LLM
Dotado el LLM de los datos adecuados para un funcionamiento eficaz, es esencial construir una base de datos de conocimientos exhaustiva. Esta base de datos de conocimiento serviría como recurso fiable para la búsqueda semántica, permitiendo la identificación y recuperación de los datos más relevantes. En consecuencia, se proporciona al LLM el contexto correcto, facilitando así la generación de salidas precisas a su solicitud.
Una vez adquiridos los datos dentro y fuera de la cadena, es necesario realizar una limpieza y organización sistemáticas de los datos acumulados.
Este proceso incluye la identificación de las propiedades y atributos pertinentes que forman parte integrante del análisis NFT, como las categorías, los estudios de diseño, los titulares de la propiedad intelectual y el historial de ventas.
Existen muchos métodos para extraer estas propiedades de las imágenes, por ejemplo a través de los metadatos de la NFT o de programas gratuitos de reconocimiento de imágenes. Una vez extraídas y codificadas con éxito las características de los datos, podemos construir rápidamente una base de datos LLM personalizada.
Utilizá un modelo de IA basado en LLM para obtener información sobre NFT
Confiar exclusivamente en un LLM para generar texto factual o incluso ajustar el modelo con su base de datos puede no producir necesariamente una respuesta factualmente exacta.
Por lo tanto, sugerimos un enfoque RAG para el análisis de datos de NFT. RAG representa una metodología que segrega la base de datos de conocimientos del modelo lingüístico.
Esta metodología implica plantear una pregunta o enviar una solicitud al agente de IA, como consultas relacionadas con tendencias emergentes de NFT, propiedades distintas o correlaciones y relaciones entre los atributos de las propiedades y el rendimiento del mercado de NFT.
Posteriormente, un algoritmo de búsqueda, por ejemplo, Azure Cognitive Search, sondea el texto más pertinente dentro de la base de datos de conocimientos, que probablemente contenga la respuesta requerida. Como paso final, se dirige al LLM un mensaje sucinto, en forma de instrucciones para el LLM junto con el texto del documento relevante.
A continuación, el modelo utiliza esta información para formular una respuesta que se ajuste a la solicitud original, garantizando un resultado basado en hechos y contextualmente relevante.
La IA se va a convertir en una poderosa herramienta en la industria del blockchain
Este artículo utiliza el análisis NFT de Ethereum como caso representativo para demostrar la eficacia de emplear una metodología de IA basada en LLM para obtener información sobre blockchain.
Por su versatilidad, este método tiene potencial para una aplicación generalizada en el ámbito del blockchain. Anticipamos que el futuro será testigo de una afluencia de herramientas LLM para mejorar y facilitar diversos aspectos de la operación y el análisis de blockchain.
*Con información de Forbes US
