Nhóm tác giả của Dunamu có 3 nghiên cứu được chọn tại ICAIF2026. Từ trái sang: So Min-seob, Trưởng nhóm FDI; Park Seong-chan, nhà nghiên cứu nhóm Quant; Kim Seong-yong, nhà nghiên cứu nhóm FDI; Jeon Hyeon-ho, Trưởng nhóm Quant. Ảnh: Dunamu

Dunamu, đơn vị vận hành sàn giao dịch tài sản số Upbit, ngày 17/11 cho biết 3 nghiên cứu về AI và blockchain của công ty đã được chọn tại ICAIF2026, hội nghị quốc tế về AI trong lĩnh vực tài chính. Trong số này, một nghiên cứu vào phiên chính thức và hai nghiên cứu được giới thiệu tại các workshop chuyên đề.

ICAIF2026 là ACM International Conference on AI in Finance, hội nghị quốc tế chuyên sâu về AI trong tài chính do ACM tổ chức.

Nghiên cứu được chọn vào phiên chính thức mang tên “Phân loại đặc điểm hành vi on-chain của ví sàn giao dịch tập trung dựa trên dữ liệu Proof-of-Reserves trên Ethereum”.

Theo Dunamu, nhóm nghiên cứu có sự tham gia của Park Seong-chan, nhà nghiên cứu thuộc nhóm Quant, đã sử dụng dữ liệu Proof-of-Reserves do 15 sàn công bố để phân tích khoảng 3,03 triệu địa chỉ ví Ethereum.

Từ dữ liệu này, nhóm trích xuất 58 đặc trưng hành vi, bao gồm mô hình giao dịch, luồng dịch chuyển token và mức sử dụng gas, rồi đề xuất một phương pháp học máy để nhận diện ví của sàn giao dịch tập trung.

Khi kiểm định trên nhóm ví sàn không được đưa vào quá trình huấn luyện, mô hình ghi nhận chỉ số PR-AUC trung bình 0,9594. Dunamu cho biết kết quả này cho thấy tiềm năng ứng dụng trong việc nhận diện không chỉ các ví sàn đã biết mà cả ví của những sàn mới.

Công ty cho biết công nghệ trên hiện đã được ứng dụng một phần vào Upbit Data Lab, dịch vụ phân tích blockchain dùng để đánh giá tình trạng nắm giữ tài sản theo từng nhóm chủ thể như sàn giao dịch, cá voi và quỹ.

Ở nhóm workshop chuyên đề, ICAIF2026 cũng chọn một nghiên cứu về phân loại tài sản số dựa trên mô hình ngôn ngữ lớn (LLM).

Nghiên cứu có tiêu đề “Chuyển đổi ngữ nghĩa cho hệ thống phân loại tài sản số dành cho tổ chức”, với sự tham gia của Jeon Hyeon-ho, Trưởng nhóm Quant của Dunamu, đề xuất cách sử dụng LLM để phân tích mã smart contract, từ đó xác định công dụng thực tế của tài sản số và phân loại theo chức năng tài chính.

Nhóm đã thử nghiệm phương pháp này trên các giao thức tài chính phi tập trung (DeFi) lớn trên Ethereum mainnet như Uniswap, Aave và Curve. Trong 17 đối tượng được phân tích, có 16 trường hợp trùng khớp với tiêu chí phân loại hiện có, tương đương khoảng 94%.

Dunamu cho biết sẽ áp dụng kết quả này để nâng cấp hệ thống phân loại tài sản số Upbit (UBCS) trong thời gian tới.

Nghiên cứu workshop còn lại mang tên “Khoảng ước lượng mức sử dụng dòng tiền nạp vào từ dữ liệu giao dịch không đầy đủ”, tập trung vào các điều kiện cần thiết để vẫn có thể phân tích dòng tiền trên blockchain ngay cả khi hồ sơ giao dịch không đầy đủ.

Theo Dunamu, nhóm nghiên cứu có sự tham gia của Kim Seong-yong, nhà nghiên cứu nhóm FDI, và So Min-seob, Trưởng nhóm FDI, đã xác định các thông tin cốt lõi cần thiết để nâng cao độ tin cậy của hoạt động phân tích nguồn tiền, dựa trên các trường hợp giao dịch ví Ethereum và các thí nghiệm thực thi blockchain.

Công ty cho biết kết quả này sẽ được dùng để nâng cao độ tin cậy của giải pháp truy vết dòng tiền on-chain OTS (Onchain AI Tracer System), đồng thời làm nền tảng cho các công nghệ phân tích tội phạm tài chính dựa trên AI trong tương lai.

Kim Dae-hyeon, Giám đốc dữ liệu (CDO) của Dunamu, cho biết nghiên cứu lần này có ý nghĩa ở chỗ xác nhận khả năng ứng dụng AI vào phân tích dữ liệu blockchain ở mức độ tinh vi hơn, đồng thời nâng cao độ tin cậy của kết quả phân tích.

Từ khóa

#Dunamu #Upbit #ICAIF2026 #AI #blockchain #Ethereum #Proof-of-Reserves #LLM #DeFi #OTS
Copyright © DigitalToday. All rights reserved. Unauthorized reproduction and redistribution are prohibited.