Remodeler le jeu on-chain : comment le projet phare de Monad, aPriori, a mené la révolution du trading avec l’IA, et le plan de contribution aux données a été lancé simultanément

Source originale : aPriori

Mis en lourd par des institutions de premier plan telles que Pantera Capital, YZi Lab, OKX Ventures, etc., aPriori reconstruit les croyances sous-jacentes du trading décentralisé. Les membres principaux du projet proviennent de Jump, Coinbase, Citadel Securities et dYdX, combinant la technologie native on-chain avec une expérience pratique du trading à haute fréquence à Wall Street, aPriori construit un système d’exécution de transactions de nouvelle génération sur des chaînes publiques à haute performance, injectant une infrastructure de trading véritablement compétitive dans la DeFi.

aPriori réécrit complètement le processus de transaction on-chain : grâce à des agrégateurs DEX alimentés par l’IA et à des modules de jalonnement de liquidité soutenus par MEV, aPriori intègre les ordres depuis le passage d’ordres, l’appariement jusqu’au rendement en boucle fermée, dans un système de produits durables.

Suite au lancement par l’équipe de l’agrégateur DEX Swapr alimenté par l’IA la semaine dernière, aPriori a jeté son dévolu sur le « cerveau de reconnaissance » des transactions on-chain, connu sous le nom de système de segmentation des flux d’ordres. Ce système combine l’étiquetage comportemental, le regroupement de portefeuilles, l’analyse de l’IA et des mécanismes de retour d’information sur la chaîne, dans le but de rendre chaque transaction plus intelligente et plus équitable, d’éviter les « flux toxiques » tels que les glissements d’arbitrage et d’envoyer les liquidités là où elles devraient aller le plus. Cela rend non seulement les transactions plus intelligentes, mais rend également le flux de l’ensemble du marché on-chain plus ordonné et plus confiant.

« Comprendre chaque transaction est le point de départ d’une exécution équitable. »

La reconnaissance des flux d’ordres est l’une des technologies de base d’aPriori, qui analyse le comportement des transactions, l’historique du portefeuille et la réaction du marché pour déterminer si une transaction est une opération normale de l’utilisateur ou un « flux toxique » tel que l’arbitrage ou le pincement. Par rapport aux transactions traditionnelles qui ne regardent que si la transaction est exécutée, cette méthode d’identification peut filtrer les risques potentiels plus tôt, fournir aux commanditaires une contrepartie plus sûre et améliorer la sélection du chemin et l’équité de l’exécution.

« Technologie + écologie : le moment idéal pour appartenir à Monad »

Les caractéristiques des données varient entre les différents écosystèmes de la chaîne publique : Solana a des transactions à haut débit et des utilisateurs actifs, mais en raison d’un grand nombre de contrats à source fermée, les données disponibles pour la formation sont limitées ; Bien qu’Ethereum et d’autres chaînes EVM aient des données ouvertes, elles sont limitées par des goulets d’étranglement de performances, et le comportement global des transactions est conservateur et la densité de données est faible.

Monad atteint un équilibre rare entre performance et transparence - il combine un débit élevé de style Solana avec un style de trading agressif, tout en conservant la lisibilité et l’ouverture apportées par l’architecture EVM. Cela fournit à aPriori le sol idéal pour construire la prochaine génération de modèles de reconnaissance de flux d’ordres.

« Les données des utilisateurs ne sont pas seulement une question d’engagement, il s’agit de former la prochaine génération d’intelligence commerciale. »

Programme de contribution aux données communautaires : Pour entraîner l’IA à reconnaître plus intelligemment le comportement des transactions, aPriori a lancé un programme de contribution de données engagé par la communauté. Chaque utilisateur peut aider le modèle à mieux « comprendre » le monde on-chain en effectuant les actions simples suivantes.

Lier les portefeuilles : connectez les adresses de portefeuille fréquemment utilisées par les utilisateurs pour fournir une vue plus complète du comportement.

· Chaîne de support :Ethereum, BNB Chain, Monad testnet ;

· Comptes sociaux synchronisés : Associez éventuellement Twitter, Discord, etc. pour ajouter plus d’indices d’identité ;

· Enregistrement et suivi des tâches : le panneau dédié affiche les enregistrements de connexion de l’utilisateur, le comportement des transactions et la progression des contributions.

Ces données peuvent aider le système à déterminer quelles adresses appartiennent au même utilisateur et s’il existe des opérations collaboratives, améliorant ainsi la capacité de l’IA à identifier les types de transactions et les risques.

« Comment savoir si une transaction contient un flux toxique ? »

Dans le moteur central de Swapr, chaque transaction est évaluée par un modèle d’IA avant d’être confirmée, en se référant principalement aux points suivants :

· La transaction elle-même : direction d’achat et de vente, trajectoire de la devise, gaz, frais de traitement, glissement, etc.

· Historique des adresses : fréquence des transactions, comportement passé, modifications d’actifs ;

· Réaction du marché : action des prix dans les 1 seconde à 24 heures après la transaction ;

· Jugement sur le profit : si la transaction est rentable à différents moments et si elle peut nuire au commanditaire.

Le modèle identifie si chaque transaction appartient à un « flux toxique », tel que l’arbitrage ou le pincement, et détermine sa menace potentielle pour l’équité du système.

« Plus le modèle est complexe, mieux c’est, mais plus vous comprenez le trading, plus il a de valeur. »

Du Rule Engine au Neural Network IA : aPriori ne se limite pas à un seul algorithme, mais mélange des modèles traditionnels (XGBoost, LightGBM) avec des modèles de timing (RNN, Transformer). Le premier est efficace pour interpréter les données structurées, tandis que le second est bon pour capturer les changements de comportement dans les séries chronologiques.

Swapr adopte finalement une architecture d’ensemble, où différents sous-modèles apprennent de leurs dimensions de données et de leurs fenêtres temporelles respectives, et après les scores de fusion, ils peuvent répondre plus précisément à des comportements de trading complexes.

« Derrière une transaction, qui conspire à l’arbitrage ? »

Le comportement d’arbitrage n’est généralement pas effectué par un seul portefeuille, mais est le résultat de plusieurs adresses travaillant ensemble. En identifiant ces « groupes de comportements », le système peut prédire des groupes d’arbitrage potentiels et empêcher les « flux toxiques » de se concentrer sur les LP.

« Intégrez l’IA dans l’exécution des transactions »

Avec l’abondance de données d’entraînement, le système d’identification de Swapr est en train de devenir un point de différence essentiel dans le routage DeFi. Il apporte non seulement de meilleures cotations, mais ajuste également de manière dynamique la direction de la liquidité, protégeant ainsi les intérêts des utilisateurs et des LP.

Le fondateur Ray a souligné : « Un véritable moteur d’exécution DeFi peut comprendre, juger et savoir comment protéger le système. Nous espérons que Swapr sera le premier point d’entrée pour le trading qui sait « penser ».

Cet article est issu d’une contribution et ne représente pas le point de vue de BlockBeats.