Metode penggunaan AI dalam pemantauan gerakan mata uang kripto ETH adalah sebagai berikut: 1. Pengumpulan Data: Pertama-tama, kumpulkan data historis tentang pergerakan harga dan volume perdagangan ETH dari berbagai platform perdagangan kripto. 2. Pelatihan Model: Gunakan data yang dikumpulkan untuk melatih model AI yang tepat, seperti recurrent neural network (RNN) atau convolutional neural network (CNN). Model ini akan menganalisis data dan belajar pola historis dalam pergerakan harga dan volume ETH. 3. Prediksi Berdasarkan Data Historis: Setelah melatih model AI, model akan dapat menggunakan data historis untuk membuat prediksi tentang pergerakan harga dan volume ETH di masa depan. AI akan mengidentifikasi pola tertentu, tren, atau anomali yang mungkin terjadi berdasarkan data yang diberikan. 4. Integrasi dengan Sistem Pemantauan: Model AI yang telah dilatih akan diintegrasikan dengan sistem pemantauan gerakan ETH. Sistem akan secara teratur mengambil data terbaru tentang harga dan volume ETH, dan model AI akan menganalisisnya untuk memberikan prediksi tentang pergerakan mata uang kripto tersebut. 5. Pemantauan dan Pelaporan: Setelah menerima prediksi dari model AI, sistem pemantauan akan memantau pergerakan mata uang kripto ETH secara real-time. Jika ada perubahan signifikan atau pergerakan yang tidak biasa, sistem akan memberikan laporan kepada pengguna agar dapat mengambil keputusan yang tepat. Dengan menggunakan AI dalam pemantauan gerakan ETH, dapat membantu investor atau pedagang mengenali dan mengantisipasi perubahan pasar yang signifikan sehingga mereka dapat mengambil tindakan yang tepat dalam melakukan transaksi atau investasi.

Media finansial membagikan kiat cara penggunaan kecerdasan (AI) untuk memantau pergerakan pasar Ethereum (ETH)

“Secara keseluruhan, penerapan AI untuk mendapatkan wawasan Ethereum (ETH) memerlukan tiga langkah,” tulis kontributor Forbes, Max (Chong) Li seraya menambahkan pihaknya menggunakan analisis AI pada pasar Token Non-Fungible (NFT) Ethereum sebagai contoh.

Adapun tiga langkah utama tersebut ialah: mengumpulkan data NFT on-chain dan off-chain, membangun basis data pengetahuan LLM, dan menggunakan pendekatan generasi augmented berbasis LLM (RAG) untuk analisis.

Untuk mengumpulkan data NFT, kedua dimensi on-chain dan off-chain dieksplorasi. Data on-chain, seperti rincian transaksi dan metadata, dapat diperoleh melalui dokumentasi API OpenSea.

Max merujuk pasar NFT terkemuka, OpenSea merupakan sumber data on-chain yang kaya, seperti detail transaksi NFT dan metadata.

Data off-chain, seperti gambar atau video NFT, disimpan dalam InterPlanetary File System (IPFS), dan pengambilannya melibatkan pembangunan URL gateway HTTP menggunakan hash IPFS unik.

“Alat seperti Axios atau fungsi fetch bawaan berguna untuk mengirim permintaan HTTP GET ke URL yang dibangun, sehingga mengambil data gambar NFT.”

Setelah data yang diperlukan terkumpul, dibangun basis data pengetahuan LLM. Basis data ini berfungsi sebagai sumber daya untuk pencarian semantik, memberikan konteks untuk menghasilkan output yang akurat sesuai permintaan pengguna.

Properti dan atribut relevan yang penting untuk analisis NFT, seperti kategori, studio desain, pemegang hak kekayaan intelektual, dan riwayat penjualan, diidentifikasi dan dienkoding dalam basis data.

Untuk mendapatkan wawasan NFT, pendekatan RAG disarankan. Metode ini memisahkan basis data pengetahuan dari model bahasa, memungkinkan pengguna untuk mengajukan pertanyaan atau mengirim permintaan terkait tren NFT, properti, korelasi, atau kinerja pasar.

“Selanjutnya, algoritma pencarian, misalnya Azure Cognitive Search, mencari teks yang paling relevan dalam basis data pengetahuan, yang kemungkinan berisi jawaban yang dibutuhkan.”

Algoritme pencarian mengidentifikasi teks yang relevan dalam basis data pengetahuan, dan instruksi singkat kemudian diarahkan ke LLM, memastikan output berbasis fakta dan relevan secara kontekstual.

Menurut Max, kecanggihan metode Sistem Kecerdasan Buatan berbasis Model Bahasa Besar (LLM) memiliki potensi untuk diterapkan secara luas dalam domain blockchain.

“Kami berharap bahwa di masa depan akan ada banyak alat LLM untuk meningkatkan dan memfasilitasi berbagai aspek operasi dan analisis blockchain,” pungkasnya. [ab]