دمج الذكاء الاصطناعي والتمويل اللامركزي: ما وراء ألعاب AlphaGo على السلسلة (II)

في حين أن دمج الذكاء الاصطناعي والتمويل اللامركزي (DeFi) يبشر بكفاءة وذكاء غير مسبوقين، إلا أنه يطرح أيضًا مجموعة من المخاطر والخلافات الأخلاقية. من التلاعب بالسوق إلى التدقيق التنظيمي، فإن الطريق إلى نظام مالي لامركزي وعادل حقًا محفوف بالتحديات. في هذا الجزء الثاني من تحليلنا، سندرس هذه القضايا الحاسمة ونستكشف كيف يمكن للصناعة التغلب عليها لتحقيق نمو مستدام.

المخاطر والخلافات الأخلاقية

4.1 التلاعب بالسوق والمخاطر النظامية

صدى خوارزميات الذكاء الاصطناعي يؤدي إلى انهيارات مفاجئة في السوق

يمكن أن يصبح صدى خوارزميات الذكاء الاصطناعي محفزًا لانهيارات مفاجئة في السوق، خاصة في الآليات التي تعتمد بشكل كبير على استقرار الخوارزميات. تُستخدم خوارزميات الذكاء الاصطناعي بشكل شائع في التنبؤ بالأسعار وإدارة المخاطر وتخصيص الأصول ومجالات أخرى، ولكن عندما تكون استراتيجيات القرار بين أنظمة الذكاء الاصطناعي المتعددة غير متسقة أو تتفاعل، فقد تواجه تأثيرات صدى، مما يؤدي إلى تقلبات عنيفة في السوق أو حتى انهيارات مفاجئة.

الهجمات العدائية: عينات خداع الذكاء الاصطناعي التي تستهدف بروتوكولات التمويل اللامركزي (مثل تزوير بيانات حجم المعاملات)

مع تقدم تكنولوجيا الذكاء الاصطناعي، أصبحت الهجمات العدائية التي تستهدف بروتوكولات التمويل اللامركزي أكثر تعقيدًا وخطورة. تشير الهجمات العدائية إلى تضليل نماذج الذكاء الاصطناعي من خلال مدخلات بيانات مصممة بعناية، وبالتالي التأثير على قرارات بروتوكول التمويل اللامركزي وسلوك السوق. في النظام البيئي للتمويل اللامركزي، يتم تطبيق نماذج الذكاء الاصطناعي على نطاق واسع في إدارة مجمعات السيولة وتسعير أزواج التداول وتقييم المخاطر ومجالات أخرى، وتعتبر دقة هذه النماذج أمرًا بالغ الأهمية.

الهجوم العدائي النموذجي هو تزوير بيانات حجم المعاملات، والتدخل في تسعير السوق وقرارات السيولة من خلال عدد كبير من المعاملات الوهمية. على سبيل المثال، يمكن للمهاجمين إنشاء حسابات وهمية متعددة وإجراء معاملات منخفضة التكلفة واسعة النطاق لتزوير أحجام معاملات عالية لأصل ما. يمكن أن يخدع هذا السلوك نماذج الذكاء الاصطناعي، مما يجعلها تسيء تقدير القيمة الحقيقية للأصول واتجاهات السوق. بالنسبة للعقود الذكية لبروتوكول التمويل اللامركزي، يمكن أن تؤدي هذه الهجمات إلى تكوين غير صحيح للسيولة وقرارات التسعير، مما يزيد من تفاقم عدم استقرار السوق. وقد يؤدي أيضًا إلى ردود فعل متسلسلة، مما يتسبب في بيع هائل للأصول الفردية في مجمعات السيولة (LPs) للحصول على سيولتهم ثم نقلها بسرعة.

4.2 المعضلات التنظيمية والامتثال

تعريف هيئة الأوراق المالية والبورصات الأمريكية (SEC) لخصائص الأمان لـ "رموز الذكاء الاصطناعي" (مقارنة بقضية Ripple)

فيما يتعلق بما إذا كانت هذه الرموز تفي بتعريف الأوراق المالية وما إذا كانت بحاجة إلى اتباع لوائح الأوراق المالية المقابلة، يمكننا وضع افتراضات من خلال النظر إلى الماضي، حيث قد تشير هيئة الأوراق المالية والبورصات (SEC) إلى قضية XRP عند تحديد خصائص الأمان لـ "رموز الذكاء الاصطناعي".

في قضية Ripple، اعتبرت هيئة الأوراق المالية والبورصات (SEC) أن رموز XRP الخاصة بـ Ripple هي أوراق مالية لأنه تم بيعها للمستثمرين من خلال طرح أولي للعملة (ICO)، وأجرت Ripple Labs سلسلة من الأنشطة التسويقية خلال عملية البيع للترويج لتداول XRP. يشير هذا الحكم إلى أن هيئة الأوراق المالية والبورصات (SEC) تركز على طريقة إصدار الرمز وما إذا كان الرمز يمثل علاقة ملكية أو دين مع شركة أو مشروع.

بالنسبة إلى "رموز الذكاء الاصطناعي"، قد تتبنى هيئة الأوراق المالية والبورصات (SEC) معايير حكم مماثلة. على وجه الخصوص، إذا تم إصدار رموز الذكاء الاصطناعي هذه من خلال طرق مماثلة للطرح الأولي للعملة (ICOs) أو عروض الصرف الأولية (IEOs) وكانت مرتبطة بمشروع أو شركة ذكاء اصطناعي، فقد تعتبر هيئة الأوراق المالية والبورصات (SEC) أن هذه الرموز لها خصائص أمان. هذا يعني أنه قد يُعتبر أن حاملي رموز الذكاء الاصطناعي لديهم بعض المصلحة الاقتصادية، مثل الحق في توزيع إيرادات المشروع أو زيادة رأس المال من خلال زيادة قيمة الرمز. وبعبارة أخرى، فإن رموز الذكاء الاصطناعي تخضع لعقوبات هيئة الأوراق المالية والبورصات (SEC).

تحديات مكافحة غسيل الأموال: صعوبات تتبع أدوات خلط الذكاء الاصطناعي (مثل الإصدارات المطورة من Tornado Cash)

تُستخدم تكنولوجيا الذكاء الاصطناعي أيضًا لتطوير أدوات خلط أكثر سرية، مثل الإصدارات المطورة من Tornado Cash. توفر تقنية حماية الخصوصية هذه ضمانات خصوصية أفضل للمستخدمين الشرعيين ولكنها تجلب أيضًا تحديات هائلة لمكافحة غسيل الأموال (AML) للهيئات التنظيمية.

تتمثل القضية الأساسية في أدوات الخلط في كيفية جعل تدفقات الأموال صعبة التتبع للغاية. تستخدم أدوات الخلط مثل Tornado Cash نموذج "معاملة الحلقة"، حيث تقوم بتوزيع الأموال عبر عناوين ومعاملات متعددة قبل إعادة تجميعها، مما يكسر سلسلة تدفق الأموال. يمكن لهذه التقنية إخفاء مصدر ووجهة الأموال بشكل أكثر فعالية، مما يزيد بشكل كبير من صعوبة تتبع الهيئات التنظيمية.

بالتالي، مع تعزيز تكنولوجيا الذكاء الاصطناعي، يمكن للخلاطات استخدام خوارزميات أكثر ذكاءً لتحديد عناوين ترحيل متعددة بشكل ديناميكي، وتغيير مسارات المعاملات تلقائيًا، وحتى التنبؤ باتجاهات السوق لتجنب أنظمة المراقبة على السلسلة. وهذا يجعل أدوات تحليل البلوك تشين التقليدية غير فعالة. علاوة على ذلك، قد تتبنى خلاطات الذكاء الاصطناعي عملات الخصوصية (مثل مونيرو) كأساس لأدوات المعاملات، مما يزيد من تعزيز إخفاء هويتها. تواجه الوكالات التنظيمية تحديات قدرات تقنية عالية للغاية عند مواجهة مثل هذه التكنولوجيا المتقدمة للتشفير وأنظمة إخفاء الهوية. لا يمكن لتدابير مكافحة غسل الأموال التنظيمية التقليدية (مثل سياسات اعرف عميلك/مكافحة غسل الأموال) أن تعالج بشكل فعال التهديدات الجديدة التي تشكلها خلاطات الذكاء الاصطناعي.

ولمعالجة هذا التحدي، تحتاج الوكالات التنظيمية إلى إدخال المزيد من تقنيات المراقبة القائمة على تحليل السلوك، وذلك باستخدام التعلم الآلي وتحليل البيانات الضخمة لتحديد السلوكيات غير الطبيعية وأنماط المعاملات غير القانونية المحتملة.

4.3 الحدود الأخلاقية

نظرية "الغابة المظلمة": هل يؤدي الذكاء الاصطناعي إلى تحويل التمويل اللامركزي (DeFi) إلى مقامرة كاملة محصلتها صفر؟

تم اقتراح نظرية "الغابة المظلمة" في الأصل من قبل ليو تسيشين في سلسلة "مشكلة الأجسام الثلاثة". تفترض النظرية أن الكون بيئة معادية وغير مؤكدة حيث يعتمد بقاء الحضارات على إخفاء وجودها والقضاء على التهديدات المحتملة الأخرى قدر الإمكان. ضمن هذا الإطار النظري، توجد كل حضارة في الكون في حالة لعب مستمر، وأي إجراء يكشف عن نفسه قد يجلب عواقب وخيمة.

عند إدخال هذه النظرية في سياق التمويل اللامركزي (DeFi)، فإن التنبؤ الفعال للذكاء الاصطناعي واتخاذ القرارات الآلية يسمحان للمشاركين في السوق بتحقيق أرباح من خلال استراتيجيات دقيقة، في حين أن المشاركين الآخرين قد يواجهون خسائر. على سبيل المثال، قد يجعل التداول عالي التردد المدفوع بالذكاء الاصطناعي من الصعب على المشاركين الآخرين مواكبة تغيرات السوق أو قد يتلاعب بدقة بأسعار السوق، مما يتسبب في تحول جهود العديد من المشاركين في النهاية إلى مكاسب للمنافسين. تقترب آلية السوق في مثل هذه الحالات من لعبة محصلتها صفر.

بالإضافة إلى ذلك، مع تطبيق استراتيجيات تحسين الذكاء الاصطناعي والتعلم العميق، قد يزداد "التخفي" في السوق أيضًا، مما يجعل سلوك السوق أكثر صعوبة في التنبؤ به. قد يضع هذا النوع من المقامرة على غرار "الغابة المظلمة" مشاريع التمويل اللامركزي (DeFi) الصغيرة والمشاركين الجدد في وضع غير مؤات للغاية، لأنهم يفتقرون إلى الموارد الكافية للتنافس مع الخوارزميات الكبيرة المدفوعة بالذكاء الاصطناعي، مما يؤدي إلى تفاقم تركز الثروة والتوزيع غير المتكافئ للموارد.

لذلك، فإن الذكاء الاصطناعي لديه بالفعل القدرة على جعل المنافسة في النظام البيئي للتمويل اللامركزي (DeFi) تزداد شراسة، وتتجه نحو مقامرة محصلتها صفر، خاصة عندما يتبنى العديد من المشاركين في السوق استراتيجيات تداول آلية وخوارزمية مماثلة.

مفتوح المصدر مقابل مغلق المصدر: تناقضات بين "الصندوق الأسود" لنموذج Numerai وحوكمة المجتمع

Numerai هي منصة صندوق تحوط لامركزية تجمع بين الذكاء الاصطناعي والعملات المشفرة، وتجذب علماء البيانات العالميين لتقديم نماذج من خلال المشاركة مفتوحة المصدر في التنبؤ بالسوق. ولكن مع تطور المشروع، بدأ المزيد من الناس في التركيز على قضية "الصندوق الأسود" للنماذج. نظرًا لأن هذه النماذج أصبحت تدريجيًا أكثر تعقيدًا وتنطوي على مستويات عالية من التحسين الخوارزمي، فإن التنفيذ المحدد وعمليات التدريب للنماذج غالبًا ما تصبح أقل سهولة في الفهم والشرح الكاملين. وهذا ينطوي على كيفية تحقيق التوازن بين شفافية التكنولوجيا وهيكل حوكمة المشروع بين المصادر المفتوحة والمغلقة.

على منصات مثل Numerai، قد تمكن النماذج مفتوحة المصدر بعض المشاركين من مهاجمتها من خلال الهندسة العكسية أو السلوك الخبيث. مع استمرار تطور تكنولوجيا الذكاء الاصطناعي، قد تصبح الخوارزميات المعقدة بشكل متزايد "صندوقًا أسود"، مما يعني أنه لا يمكن تقديم عمليات اتخاذ القرار الخاصة بها بشفافية كاملة للمجتمع، مما يؤدي إلى قضايا الثقة.

من ناحية أخرى، يمكن للنماذج مغلقة المصدر أن تحمي بشكل فعال الأسرار التجارية والملكية الفكرية للنماذج، مما يساعد على تقليل خطر نسخ النماذج أو العبث بها بشكل ضار. بالنسبة لمشاريع مثل Numerai، يمكن للمصدر المغلق أن يضمن أمن وقيمة نماذج الذكاء الاصطناعي الخاصة بهم.

تتعارض ظاهرة "الصندوق الأسود" هذه مع مبادئ مجتمع المصادر المفتوحة. يتمثل الهدف الأصلي من المصادر المفتوحة في السماح للجميع بالمشاركة في النظام ومراجعته، لكن النماذج ذات الصندوق الأسود تمنع أعضاء المجتمع من الفهم الكامل لآليات التشغيل الكامنة وراء الخوارزميات، مما قد يؤدي إلى تناقضات في الحوكمة وأزمات ثقة.

التوقعات المستقبلية والتوصيات الاستراتيجية

5.1 اتجاهات تكامل التكنولوجيا

الاستقلالية

يتمثل الاتجاه الأساسي لـ DeFAI المستقبلي في الانتقال من الأتمتة إلى الاستقلالية، مدفوعًا بالوكلاء المستقلين. تخترق هذه الكيانات الذكية المدفوعة بالذكاء الاصطناعي القيود التقليدية للقواعد وتمتلك القدرة على تحليل البيانات الموجودة على السلسلة باستمرار، وفهم ديناميكيات السوق، وتنفيذ استراتيجيات معقدة، مثل تحسين عوائد الإقراض عبر البروتوكولات، واقتناص فرص المراجحة، وتحقيق التوازن الديناميكي لمحفظات الاستثمار. إنها تعزز كفاءة رأس المال وتحقق عوائد مستدامة للبروتوكولات من خلال التشغيل المتواصل على مدار الساعة طوال أيام الأسبوع واتخاذ القرارات الدقيقة، مما يعيد تشكيل طريقة تدفق القيمة.

التعاون متعدد الوكلاء

ستتحول القدرة التنافسية الأساسية لـ DeFAI المستقبلي من الوكلاء الأذكياء الفرديين إلى الشبكات التعاونية متعددة الوكلاء. من خلال تقسيم العمل والتعاون بين مجموعات وكلاء الذكاء الاصطناعي الموزعة (مثل فصل وحدات المراقبة والتخطيط والتنفيذ)، يتم تحقيق التحسين المتوازي للاستراتيجيات المعقدة. تقوم الأنظمة التعاونية متعددة الوكلاء بتقسيم المشكلات المعقدة إلى مهام فرعية من خلال تقسيم المهام، حيث يكون كل وكيل مسؤولاً عن جزء معين من المهمة الفرعية. على سبيل المثال: يقوم وكلاء المراقبة بمسح عمليات النقل الكبيرة على السلسلة وتقلبات LP في الوقت الفعلي، ويقوم وكلاء الاستراتيجية بإنشاء نماذج التحوط، ويقوم وكلاء التنفيذ بتوجيه مسارات التداول المثالية تلقائيًا عبر سلاسل متعددة. وفي الوقت نفسه، ستتطور أيضًا أوضاع التعاون، بما في ذلك وضع الشبكة (يمكن لكل وكيل التواصل مع جميع الوكلاء الآخرين) والوضع الهرمي (أنظمة وكلاء متعددة الطبقات مع مشرفين).

5.2 فرص الاستثمار

البنية التحتية: تستخدم zkML إثباتات عدم المعرفة للتحقق من عملية الاستدلال لنماذج تعلم الآلة، مما يسمح للعقود الذكية بالوثوق بنتائج حساب تعلم الآلة الخارجية دون تشغيل النموذج بأكمله على السلسلة. سيكون هذا بمثابة طبقة بنية تحتية رئيسية للجيل القادم من اعتماد الذكاء الاصطناعي على نطاق واسع على السلسلة. تشمل المشاريع المحتملة:

Giza

تكمن القدرة التنافسية الأساسية لـ Giza في مجموعتها التقنية الفريدة وتحديد موقع النظام البيئي. من خلال ترجمة نماذج تعلم الآلة بتنسيق ONNX إلى برامج القاهرة وتحقيق التحقق الفعال من الاستدلال على السلسلة من خلال ONNX Cairo Runtime المطورة ذاتيًا، تحل Giza تحدي التوافق بين النماذج المعقدة ودوائر عدم المعرفة. يجذب موقعها كسوق لامركزي لنماذج الذكاء الاصطناعي موفري النماذج والمستهلكين لتشكيل تأثير شبكة ذي وجهين، بينما تندمج بعمق مع نظام StarkNet البيئي، مما يعزز الحواجز التقنية من خلال البنية التحتية ZK عالية الأداء. كمشروع مبكر يستكشف تسويق الذكاء الاصطناعي على السلسلة، أنشأت Giza اعترافًا بالعلامة التجارية ولكنها تحتاج إلى توخي الحذر بشأن اعتمادها على نمو نظام StarkNet البيئي.

EZKL

تركز مزايا EZKL على سهولة استخدام المطور وتحسين المجال الرأسي. وهو يدعم نماذج PyTorch/TensorFlow المصدرة من خلال ONNX والمجمعة في دوائر zkSNARK، مما يقلل بشكل كبير من حواجز ترحيل المطورين. أداؤه متميز (مثل إكمال إثباتات نموذج MNIST في ثانيتين)، مما يعزز التطبيق العملي من خلال إدارة الذاكرة المحسنة وتصميم الدوائر. تنشط EZKL في مجتمع المطورين، وقد تم اعتمادها من قبل العديد من مشاريع الهاكاثون (مثل AI Coliseum)، وتسرع التكرار عن طريق فتح مصادر مجموعات الأدوات (مثل دعم Halo2 backend). من خلال التركيز على التحقق من استدلال التعلم العميق، فإنه يحسن بشكل خاص تنفيذ الدوائر لوظائف التنشيط غير الخطية (مثل ReLU) ويتكامل بعمق مع أنظمة إثبات Plonkish (مثل Halo2)، ويعالج حسابات ML بكفاءة باستخدام وظيفة البحث. ومع ذلك، فإنه يحتاج إلى معالجة المنافسة المحتملة من أدوات ZK العامة (مثل Risc Zero).

يمثل Giza وEZKL مسارين للبنية التحتية zkML: تبني Giza الخنادق من خلال تحديد موقع السوق الرأسي وربط النظام البيئي (مثل StarkNet)، وهو مناسب للتخطيط طويل الأجل لتسويق نموذج الذكاء الاصطناعي؛ تصبح EZKL الخيار المفضل لسيناريوهات النموذج خفيف الوزن (مثل DeFi oracles) مع نضج مجموعة الأدوات ومزايا الأداء. يحتاج كلاهما إلى التغلب على فقدان دقة التكميم وتحديات تسريع الأجهزة، ولكن النظام البيئي للمبادرين والتخصص التقني قد بنى حواجز قصيرة الأجل لهم. ستعتمد المنافسة المستقبلية على سرعة تكرار التكنولوجيا وقدرات توسيع النظام البيئي.

طبقة التطبيق: بالمقارنة مع الاستثمارات في طبقة البنية التحتية، فإن الاستثمارات في طبقة التطبيق أكثر صعوبة في الاختيار. لا يزال السوق يستكشف مدى ملاءمة المنتج للسوق (PMF) لـ AI+Crypto، ويتم باستمرار التخلص من المنتجات التي يتم طرحها في السوق وتحديثها. مع تقدم البنية التحتية للعملات المشفرة والذكاء الاصطناعي في عالم Web2، سيتم طرح المزيد من التطبيقات في السوق للاختبار. حاليًا، يبدو أن DeFi + تنفيذ اللغة الطبيعية اتجاه ناضج نسبيًا. المشروع الرائد في هذا المجال هو Griffain.

تم بناء Griffain على Solana، مما يسمح للمستخدمين بإجراء عمليات متسلسلة مماثلة من خلال محادثة باللغة الطبيعية مع الذكاء الاصطناعي. وهو حاليًا الإطار السائد في هذا المجال، حيث يحظى بتقدير الصناعة وجوانب متعددة من التكامل، مع تحديث المنتجات باستمرار. ومع ذلك، يتم اختبار سعره. هذه أيضًا مشكلة شائعة لمشاريع AI+Crypto الأخرى من حيث الاستثمار، أي تلقي الكثير من الاهتمام وتدفق رأس المال على المدى القصير، مما يخلق عدم تطابق بين القيمة السوقية والقيمة الجوهرية للمنتج. قد يستغرق الأمر الآن وقتًا طويلاً نسبيًا لتصحيح ذلك. تعد واجهة المستخدم السلسة عالية الجودة وسرعة تكامل واجهة برمجة التطبيقات (API) الجديدة السريعة أمرًا أساسيًا لتعزيز مكانتها الرائدة.

5.3 استراتيجيات المطور والمستخدم

كيفية المشاركة في اقتصاد وكيل الذكاء الاصطناعي: من المساهمة في بيانات التدريب إلى مشاركة أرباح الاستراتيجية

في منصات DeFi المدفوعة بالذكاء الاصطناعي، تعتبر بيانات التدريب ضرورية لتدريب نموذج الذكاء الاصطناعي. يمكن للمستخدمين والمطورين المشاركة في اقتصاد وكيل الذكاء الاصطناعي من خلال توفير مجموعات بيانات عالية الجودة.

حالة اقتصاد الذكاء الاصطناعي البسيطة هي كما يلي، مع السوق المكون من المستخدمين ومقدمي الاستراتيجيات والمطورين:

المستخدمون: يمكنهم المساهمة ببيانات المعاملات الخاصة بهم، وبيانات سلوك السوق، وحتى بيانات أسعار الأصول. يمكن أن تساعد هذه البيانات نماذج الذكاء الاصطناعي على فهم اتجاهات السوق وتقلبات الأسعار وعوامل الخطر بشكل أفضل، مما يحسن قدرات التنبؤ وفعالية التداول. يتلقى المستخدمون كمساهمين في البيانات عادةً مكافآت معينة أو مشاركة في الأرباح بناءً على كمية وجودة البيانات التي يقدمونها، ويكسبون مكافآت رمزية.

مقدمو الاستراتيجيات: يمكنهم الحصول على حصة من الأرباح من تنفيذ الاستراتيجية من خلال مشاركة أو بيع استراتيجياتهم على المنصة. يمكن لوكلاء الذكاء الاصطناعي كسب الأرباح من خلال التداول الآلي والمراجحة وتعدين السيولة والاستراتيجيات الأخرى.

المطورون: يمكنهم إنشاء منصات وكيل استراتيجية الذكاء الاصطناعي وتنفيذ هذه الاستراتيجيات من خلال وكلاء الذكاء الاصطناعي. يمكن للمطورين كسب دخل الرسوم، وتشكيل نظام بيئي متعدد المكاسب.

التحوط من المخاطر للمستخدمين العاديين: دليل البقاء على قيد الحياة في DeFi في ظل التلاعب بالذكاء الاصطناعي

بصفتهم مستخدمين عاديين، على الرغم من أن المعلومات والموارد المتاحة محدودة، إلا أنه لا يزال بإمكانهم التخفيف من بعض المخاطر من خلال طرق قابلة للتطبيق.

الاستثمار المتنوع:

استراتيجية شاملة للتخفيف من المخاطر، يمكن للمستخدمين العاديين تجنب تركيز جميع أصولهم في بروتوكول DeFi واحد. قد يدفع نظام الذكاء الاصطناعي سعر سوق DeFi في اتجاه معين، وإذا كان استثمار المستخدم يعتمد كليًا على منصة DeFi واحدة، فقد يتعرض لخسائر واسعة النطاق في فترة قصيرة. يمكن للاستثمار المتنوع أن يوزع المخاطر بشكل فعال، مما يقلل من الخسائر المحتملة عند فشل استراتيجية واحدة.

استخدام أدوات مراقبة الذكاء الاصطناعي لتقييم المخاطر:

يمكن للمستخدمين العاديين استخدام أدوات مراقبة الذكاء الاصطناعي التي تم إطلاقها في السوق لتقييم المخاطر ومراقبتها في الوقت الفعلي. توفر العديد من منصات الطرف الثالث أدوات تقييم المخاطر المدفوعة بالذكاء الاصطناعي والتي يمكن أن تساعد المستخدمين على تحديد المخاطر المحتملة وإجراء تعديلات من خلال تحليل بيانات السوق وظروف أصول المستخدم. على سبيل المثال، يمكن لبعض عمليات المراقبة اكتشاف الحالات الشاذة في السوق على الفور، والبيع على نطاق واسع، والشراء، والسلوكيات الأخرى، مما يسمح للمستخدمين بالتقاط المخاطر المحتملة.