À mesure que l'écosystème Web3 s'étend, l'activité des utilisateurs se répartit désormais entre DeFi, NFTs, GameFi, DAO et les plateformes sociales on-chain. Bien que toutes ces actions soient enregistrées sur la blockchain, les données existent souvent comme des événements isolés, ce qui complique la construction d'un modèle cohérent de compréhension des utilisateurs.
Avec l'essor rapide des Agents IA, des identités numériques et des services personnalisés, se fier uniquement aux adresses de portefeuille ne suffit plus pour répondre aux besoins des applications intelligentes en matière de compréhension de l'utilisateur. Identity Embedding crée une représentation unifiée de l'identité numérique, permettant à l'IA de discerner les schémas et les traits sous-jacents au comportement des utilisateurs. Cette technologie constitue un composant essentiel de la Bluwhale AI Web3 Intelligence Layer.
Qu'est-ce que Identity Embedding ?
Identity Embedding désigne une méthode qui transforme le comportement des utilisateurs et leurs attributs d'identité en représentations vectorielles.
En IA, les embeddings sont couramment utilisés pour convertir des informations complexes en vecteurs numériques exploitables par les machines. Par exemple, les grands modèles de langage transforment les mots en vecteurs sémantiques afin de saisir les relations entre différents termes.
Bluwhale AI applique ce concept à l'identité Web3. En analysant l'empreinte on-chain d'un utilisateur (avoirs en actifs, habitudes de trading, interactions avec les protocoles, engagement communautaire), le système convertit ces signaux en un vecteur d'identité unifié.
Cette identité vectorielle permet à l'IA d'identifier rapidement les traits des utilisateurs sans avoir à retraiter toutes les données brutes à chaque fois.
Pourquoi les adresses de portefeuille sont insuffisantes pour exprimer l'identité des utilisateurs
Les adresses de portefeuille sont l'identifiant le plus fondamental dans l'univers de la blockchain.
Cependant, une adresse de portefeuille ne fait qu'enregistrer les flux d'actifs et l'historique des transactions ; elle ne peut pas révéler directement l'intention d'un utilisateur.
Par exemple, deux utilisateurs peuvent détenir des montants d'actifs identiques, mais l'un participe activement aux votes de gouvernance tandis que l'autre trade fréquemment. À partir des seuls soldes des portefeuilles, il est presque impossible de les distinguer.
De plus, un même utilisateur gère souvent plusieurs portefeuilles, et l'activité sur différentes chaînes reste cloisonnée. Cette fragmentation rend la compréhension de l'identité encore plus complexe.
La valeur de Identity Embedding réside dans sa capacité à dépasser les limites des adresses individuelles et à appréhender les utilisateurs à travers le prisme de leur comportement global.
Quelles données on-chain Bluwhale AI analyse-t-elle ?
La précision de Identity Embedding dépend de la richesse de ses sources de données.
Bluwhale AI collecte des données sur le comportement des utilisateurs selon plusieurs dimensions clés :
Comportement de détention d'actifs
Les types d'actifs, les périodes de détention et les structures d'allocation révèlent les préférences d'investissement et l'appétit au risque d'un utilisateur.
Les détenteurs à long terme et les traders à haute fréquence présentent des schémas nettement différents.
Enregistrements d'interactions avec les protocoles
Les protocoles DeFi, les pools de liquidité ou les plateformes de prêt avec lesquels un utilisateur interagit sont des éléments essentiels pour construire un profil.
Les protocoles utilisés indiquent le niveau d'activité et les centres d'intérêt de l'utilisateur au sein de l'écosystème.
Participation à la gouvernance et à la communauté
Les votes de gouvernance, les contributions aux DAO et les interactions communautaires on-chain reflètent l'engagement à long terme et les tendances de gouvernance d'un utilisateur.
Données sociales et d'identité
Avec le consentement de l'utilisateur, certaines connexions sociales on-chain et données d'identité peuvent enrichir davantage le profil.
La génération de profils utilisateur n'est pas une agrégation unique de données ; c'est un processus continu d'apprentissage et de mise à jour.
Collecte de données
Le système extrait d'abord les données de comportement des utilisateurs à partir de plusieurs réseaux et protocoles blockchain.
Après nettoyage et normalisation, les données intègrent le pipeline d'analyse.
Extraction de caractéristiques
Les modèles d'apprentissage automatique identifient les caractéristiques comportementales représentatives, telles que :
- Fréquence de trading
- Changements dans la composition des actifs
- Préférences de protocole
- Profondeur de l'engagement
Encodage vectoriel
Les caractéristiques extraites sont converties en représentations vectorielles.
Cette étape s'apparente à la compression d'informations d'identité complexes en un système de coordonnées numériques que l'IA peut reconnaître rapidement.
Génération de profil
Plusieurs vecteurs sont combinés pour former un modèle d'identité unifié.
Le système génère ensuite des tags utilisateur et des profils comportementaux correspondants.
L'identité d'un utilisateur n'est pas statique.
À mesure que les actifs évoluent, que l'utilisation des protocoles change et que de nouveaux comportements émergent, le profil doit s'adapter.
Bluwhale AI surveille en continu les nouvelles activités on-chain et les intègre dans l'analyse.
Lorsqu'un utilisateur commence à utiliser un nouveau protocole, rejoint un DAO ou modifie sa stratégie d'investissement, le vecteur d'identité s'ajuste en temps réel.
Ce mécanisme de mise à jour dynamique garantit que le profil reflète l'état actuel de l'utilisateur, et pas seulement des données historiques.
L'intelligence d'un Agent IA dépend en grande partie de sa capacité à comprendre l'utilisateur.
Si l'Agent ne voit qu'une adresse de portefeuille, les informations auxquelles il peut accéder sont extrêmement limitées.
Avec Identity Embedding, l'Agent peut rapidement identifier la cohorte, les préférences comportementales et les modèles de participation d'un utilisateur.
Par exemple :
- Déterminer si l'utilisateur est un détenteur à long terme
- Identifier si l'utilisateur est actif dans la DeFi
- Analyser l'implication de l'utilisateur dans la gouvernance
- Comprendre sa tolérance au risque
Ces informations permettent à l'Agent de fournir une expérience plus personnalisée.
En quoi Identity Embedding diffère-t-il des profils utilisateur traditionnels ?
Les plateformes Internet traditionnelles s'appuient également sur le profilage des utilisateurs. Cependant, la source des données et leur contrôle sont fondamentalement différents.
| Aspect |
Identity Embedding |
Profil utilisateur Web2 |
| Source de données |
Données comportementales on-chain |
Données internes de la plateforme |
| Propriété des données |
Contrôlée par l'utilisateur |
Contrôlée par la plateforme |
| Vérifiabilité |
Vérifiable on-chain |
Vérifiée en interne par la plateforme |
| Forme d'identité |
Identité décentralisée |
Système de compte de la plateforme |
| Flux de données |
Accès autorisé |
Contrôlé par la plateforme |
Identity Embedding privilégie la souveraineté des données utilisateur et la compatibilité avec un écosystème ouvert.
À ce titre, il est considéré comme l'une des directions clés pour l'avenir de l'identité numérique Web3.
Quels défis Identity Embedding rencontre-t-il ?
Malgré son grand potentiel, Identity Embedding se heurte encore à plusieurs obstacles :
Fragmentation des données
Le comportement des utilisateurs est dispersé sur plusieurs blockchains et protocoles, ce qui rend l'agrégation des données difficile.
Liaison des identités
Un seul utilisateur peut contrôler de nombreuses adresses de portefeuille, et les relier avec précision n'est pas toujours possible.
Biais d'inférence de l'IA
Les profils utilisateur sont probabilistes. La sortie du modèle peut être affectée par la qualité des données ou la méthodologie d'entraînement.
Protection de la vie privée
Trouver un équilibre entre la précision du profil et la confidentialité des utilisateurs est un défi que l'industrie doit continuer à résoudre.
Résumé
En tant que technologie centrale de la Web3 Intelligence Layer de Bluwhale AI, Identity Embedding analyse le comportement on-chain, les interactions avec les protocoles, l'allocation d'actifs et les traits d'identité pour convertir des données complexes en une identité vectorielle unifiée. Contrairement à une simple adresse de portefeuille, Identity Embedding permet aux systèmes d'IA d'obtenir une compréhension plus complète du comportement et des préférences des utilisateurs, prenant en charge des cas d'utilisation tels que les recommandations personnalisées, le conseil intelligent, l'évaluation du crédit on-chain et les services Agent IA.
FAQ
Quelle est la différence entre Identity Embedding et une adresse de portefeuille ?
Une adresse de portefeuille enregistre principalement les données d'actifs et de transactions. Identity Embedding va plus loin en analysant les schémas comportementaux, les préférences de protocole et les habitudes de participation pour construire un modèle d'identité utilisateur plus complet.
Pourquoi Bluwhale AI a-t-elle besoin de Identity Embedding ?
Bluwhale AI vise à aider les Agents IA à mieux comprendre les utilisateurs on-chain. Identity Embedding convertit les données comportementales complexes en une représentation d'identité unifiée, améliorant ainsi la capacité de l'IA à connaître l'utilisateur.
Identity Embedding compromet-il la vie privée des utilisateurs ?
L'un de ses objectifs de conception fondamentaux est d'équilibrer l'utilité des données et la confidentialité. Les utilisateurs peuvent fournir les informations d'identité nécessaires et les résultats d'autorisation sans exposer toutes leurs données brutes.
Comment les Agents IA utilisent-ils Identity Embedding ?
Les AI Agents peuvent accéder aux profils d'identité via un mécanisme d'autorisation, ce qui leur permet d'identifier les préférences des utilisateurs, leurs caractéristiques de risque et leurs modèles de comportement afin de fournir des services plus personnalisés.
Identity Embedding est-il identique à la notation de crédit on-chain ?
Non. Identity Embedding décrit les traits comportementaux des utilisateurs, tandis que la notation de crédit n'est qu'une application potentielle qui peut être construite sur la base des données d'identité.
