Анализ скам токенов GBC.AI ZU
Разработка набора моделей для анализа токенов в цифровых платформах, включающая разработку алгоритмов и обучение модели для обнаружения скамтокенов.
Задача
Криптовалютный рынок переполнен мошенническими токенами. Schemes типа rug pull, honeypot и pump-and-dump уносят миллиарды долларов инвесторов ежегодно. Проект GBC.AI обратился к нам с запросом: построить систему, которая в реальном времени анализирует новые токены в блокчейне и выставляет оценку риска до того, как пользователь вложит деньги. Ручной аудит смарт-контракта занимает у эксперта часы, а новые токены появляются тысячами в день.
Решение
Мы собрали ИИ-систему для скоринга токенов на основе анализа смарт-контрактов, ликвидности пула и поведения держателей. Система парсит байткод контракта, выявляет опасные паттерны (скрытые функции mint, возможность блокировки продаж, неравномерное распределение токенов между кошельками), отслеживает движение ликвидности и историю транзакций создателя. Каждый токен получает агрегированную оценку риска с понятным объяснением, почему она такая.
Технологии
Гибридная архитектура: статический анализатор смарт-контрактов, графовая модель транзакций кошельков для выявления связанных адресов и LLM-агент, который формализует находки в человекочитаемый отчёт. On-chain данные подтягиваются через ноды нескольких сетей. Машинное обучение обучено на размеченной базе известных скам-токенов и легитимных проектов.
Результат
Система выявляет мошеннические паттерны за секунды против часов ручного аудита. Оценка риска сопровождается прозрачной аргументацией, что снижает порог входа для неподготовленного инвестора. Решение интегрируется в продуктовый интерфейс GBC.AI и масштабируется на новые блокчейн-сети без переобучения базовой логики. Архитектура показала устойчивость к появлению новых схем обмана за счёт комбинации правил и поведенческого анализа.
Похожие кейсы
Анализ данных
Модель предсказания поломки оборудования
Сибур: предиктивная модель для экструдера полимеров — раннее обнаружение признаков засора по данным датчиков. Доля предугаданных неполадок ~80%, переход от аварийного ремонта к плановому обслуживанию.
Анализ данных
Построение цифровой модели фабрики
Моделирование бизнес и производственных процессов действующего производства, поиск "узких мест" в производстве для их устранения, поиск параметров, влияющих на выход годной продукции
Анализ данных
Сервис по контролю подрядчиков и оборудования
1 Процедура выбора и проверки подрядчика занимает в среднем до двух месяцев. Отсутствие прозрачной истории работы бурового подрядчика ведет к простою выполняемых работ по добыче нефти 2 Отказы оборудования во время выполнения работ по причине пут...