به گزارش توژال به نقل از فوربس، عوامل خصوصی و غیرمتمرکز هوش مصنوعی راه حل این چالش ها هستند. این عوامل با استفاده از مدل‌های زبانی در مقیاس بزرگ (LLM) و تجزیه و تحلیل پیش‌بینی‌کننده، راه‌حلی نوآورانه برای شناسایی تقلب، جلوگیری از نقض امنیت و محافظت از کاربران در زمان واقعی ارائه می‌کنند. در زیر بحثی در مورد نحوه عملکرد آن وجود دارد:

1. رفتارهای غیرعادی را با استفاده از مدل های زبانی بزرگ شناسایی کنید (کارشناس ارشد حقوق)

مدل‌های زبانی بزرگ، که به دلیل توانایی‌شان در درک زبان طبیعی شناخته شده‌اند، به طور فزاینده‌ای در نقش‌های امنیتی در فضای ارزهای دیجیتال مورد استفاده قرار می‌گیرند و دلیل خوبی هم دارد. این مدل‌ها برای شناسایی الگوهای مشکوک در داده‌های تراکنش و شناسایی ناهنجاری‌هایی که نشان‌دهنده تقلب هستند، مناسب هستند.

به عنوان مثال، مدل های زبان بزرگ می توانند رفتارهای کاربر، مقادیر معمول تراکنش و فعالیت کیف پول را تجزیه و تحلیل کنند تا به سرعت انحرافات از الگوی عادی را شناسایی کنند. این قابلیت به عوامل هوش مصنوعی اجازه می‌دهد تا قبل از اینکه دارایی‌ها در معرض خطر قرار گیرند، تقلب‌های احتمالی مانند تلاش‌های فیشینگ یا برداشت‌های غیرمعمول را شناسایی کنند.

LLM ها با یادگیری مداوم از ورودی های متنوع مانند رفتار کاربر گذشته، تاریخچه تراکنش، حتی شرایط بازار خارجی و اطلاعات بلادرنگ، حس دقیقی از فعالیت «عادی» ایجاد می کنند. این امر نفوذ هکرها به سیستم های هوشمند را دشوارتر می کند. این توانایی به‌روزرسانی سریع و انطباق با تهدیدات در حال تغییر به ویژه در اکوسیستم ارزهای دیجیتال پویا ارزشمند است.

2. تجزیه و تحلیل پیش بینی برای ارزیابی و کاهش خطرات

تجزیه و تحلیل پیش‌بینی‌کننده که توسط عوامل هوش مصنوعی هدایت می‌شود، نقشی حیاتی در ارزیابی ریسک‌های هر معامله ایفا می‌کند. در یک محیط سریع مانند تجارت ارزهای دیجیتال، که ارزش دارایی ها می تواند در چند دقیقه تغییر کند و تراکنش ها اغلب غیرقابل برگشت هستند، خطرات بالا هستند.

مدل‌های پیش‌بینی‌کننده از داده‌های تاریخی برای پیش‌بینی ریسک‌های بالقوه مرتبط با تراکنش‌های خاص، آدرس‌های کیف پول یا پلتفرم‌ها استفاده می‌کنند و به کاربران اجازه می‌دهند تا تصمیمات آگاهانه بگیرند. این تجزیه و تحلیل ها از شاخص هایی مانند آدرس های کیف پول جعلی شناخته شده، روندهای وب سایت فیشینگ و تلاش های هک برای اختصاص یک امتیاز ریسک به هر تراکنش استفاده می کنند.

به عنوان مثال، یک عامل هوش مصنوعی می تواند خطرات امنیتی مرتبط با یک آدرس ناشناس را که از حملات فیشینگ ردیابی شده است شناسایی کند و قبل از اجرای تراکنش، آن را با داده های امنیتی بلادرنگ مقایسه کند. سپس می‌تواند کاربران را از تهدیدات احتمالی آگاه کند یا حتی تراکنش را مسدود کند و احتمال دسترسی کلاهبرداران به دارایی‌ها را به میزان قابل توجهی کاهش دهد.

3. عوامل هوش مصنوعی: پیشگیری از تقلب و هشدارهای فوری

علاوه بر کشف تقلب، عوامل هوش مصنوعی خصوصی و غیرمتمرکز نقش مهم تری در پیشگیری از تقلب دارند. این عوامل به طور مستقل بر روی دستگاه های کاربر و سیستم های تعمیر و نگهداری عمل می کنند و هر تراکنش را قبل از وقوع آن ارزیابی می کنند. اگر یک عامل هوش مصنوعی رفتار غیرمعمولی مانند تلاش برای انتقال مقدار زیادی به یک آدرس تأیید نشده را تشخیص دهد، می تواند بلافاصله به کاربر هشدار دهد، درخواست تأیید کند یا در صورت لزوم کل تراکنش را مسدود کند.

این عملکرد بلادرنگ در دنیای ارزهای رمزپایه، جایی که تراکنش‌ها تقریباً بلافاصله انجام می‌شوند، بسیار مهم است. برخلاف سیستم‌های مالی سنتی که اغلب به بررسی‌های طولانی ضد کلاهبرداری نیاز دارند، عوامل غیرمتمرکز هوش مصنوعی در چند میلی ثانیه کار می‌کنند تا از نقض‌ها قبل از وقوع جلوگیری کنند. علاوه بر این، با عملیات محلی، کاربران از حریم خصوصی بیشتری برخوردار می شوند، زیرا تمام داده ها در دستگاه باقی می مانند و به سرورهای مرکزی ارسال نمی شوند، که ممکن است در برابر حملات آسیب پذیر باشند.

4. فرآیند محلی

یکی دیگر از جنبه های عوامل غیرمتمرکز هوش مصنوعی، توانایی آنها برای عملکرد محلی در کیف پول و سیستم های ذخیره سازی کاربران است. بدون نیاز به زیرساخت ابری این طراحی امنیت و حریم خصوصی را تا حد زیادی افزایش می دهد و یک لایه حفاظتی نامرئی ایجاد می کند.

از بیرون، این نمایندگان مانند کیف پول های رمزنگاری خصوصی استاندارد به نظر می رسند و هیچ تفاوتی با کیف پول های دیگر ندارند. فقط خود کاربر از وجود قابلیت های پیشرفته هوش مصنوعی در این کیف پول ها اطلاع دارد. این روش کار، شناسایی و هدف قرار دادن کیف پول‌های تقویت‌شده با این ویژگی‌های امنیتی خودکار را برای مهاجمان بسیار دشوار می‌کند.

از آنجایی که هوش مصنوعی به صورت محلی کار می کند، مهاجمان ابتدا باید دستگاه واقعی میزبان کیف پول را پیدا کنند که به دلیل ناشناس بودن این دستگاه ها بسیار دشوار است. و حتی اگر موفق به یافتن آن شوند، با عوارض بیشتری مواجه خواهند شد، از جمله به خطر انداختن سیستم امنیتی قوی کیف پول، که با مدل‌های زبان بزرگ و تجزیه و تحلیل پیش‌بینی‌کننده برای مبارزه با فیشینگ، بدافزار و کلاهبرداری تقویت شده است.

5. افزایش امنیت با بینش چند لایه

مدل‌های زبان بزرگ با بررسی مداوم منابع داده‌های خارجی مانند گزارش‌های جدید کلاهبرداری یا تکنیک‌های جدید هک، یک لایه امنیتی اضافی ایجاد می‌کنند. این رویکرد بینش‌هایی ایجاد می‌کند که نه تنها از تک تک کاربران محافظت می‌کند، بلکه امنیت کل جامعه ارزهای دیجیتال را افزایش می‌دهد.

به عنوان مثال، اگر یک تکنیک جدید فیشینگ یا نوعی بدافزار در بخشی از شبکه شناسایی شود، هوش مصنوعی می‌تواند الگوریتم‌های تشخیص خود را در تمام گره‌ها به‌روزرسانی کند و از قبل به کاربران اطلاع دهد و امنیت شبکه را در کل افزایش دهد.

یادداشت های پایانی

راه‌حل‌های هوش مصنوعی خصوصی و غیرمتمرکز با یکپارچه‌سازی عوامل هوش مصنوعی بر اساس مدل‌های زبان بزرگ و تحلیل‌های پیش‌بینی‌کننده، امنیت را در فضای ارزهای دیجیتال بازتعریف می‌کنند. این عوامل نه تنها تقلب را شناسایی و از آن جلوگیری می کنند، بلکه با ایجاد تراکنش های امن و خصوصی، اعتماد کاربران را افزایش می دهند. قابلیت‌های پیش‌بینی این ابزارها به کاربران اجازه می‌دهد تا ارزهای دیجیتال را با اطمینان بیشتری معامله کنند، زیرا می‌دانند که عوامل هوش مصنوعی دائماً برای ارزیابی و کاهش خطرات کار می‌کنند.

در نهایت، عوامل هوش مصنوعی خصوصی مجهز به مدل‌های زبان بزرگ و تجزیه و تحلیل پیش‌بینی‌کننده، یک رویکرد نسل بعدی برای رسیدگی به چالش‌های امنیتی در ارزهای دیجیتال ارائه می‌دهند. این ابزارهای مبتنی بر هوش مصنوعی با ترکیب کشف تقلب در زمان واقعی، هشدارهای پیشگیرانه و ارزیابی ریسک، استاندارد جدیدی از ایمنی را در اقتصاد دیجیتال در حال تحول ایجاد می‌کنند./ منبع: شبکه اطلاعات طلا و سکه