ai

Когда в ончейн-среде начинают действовать AI-агенты, резко всплывает простая проблема: «кто это вообще» и «почему этому можно доверять». Подпись транзакции доказывает контроль ключа, но не доказывает качество работы и проверяемость результата.

Что предложили:
Разработчики Ethereum готовят стандарт ERC-8004 — попытка стандартизировать слой доверия к AI-агентам:

• чтобы агенты могли находить друг друга

• подтверждать идентичность

• переносить репутацию между компаниями и сетями

• и обходиться без закрытых списков и ручных допусков

Три реестра (ядро концепции):

1. Identity registry
   Постоянная ончейн-идентичность агента (ERC-721-подобный идентификатор) + файл с описанием функций, интерфейса связи и поддерживаемых протоколов.

2. Reputation registry
   Публичные сигналы репутации: структурированный фидбек от пользователей и других агентов.
   Базовые данные — ончейн, более сложные оценки — оффчейн.

3. Validation registry
   Механизм независимой проверки результатов: агент запрашивает валидацию, валидаторы публикуют, что и кем проверено.

Друзья, продолжаем серию публикаций о ключевых трендах в сфере искусственного интеллекта. Сегодня поговорим о том, как генеративный AI трансформирует коммуникацию между человеком и машиной.

С появлением генеративных моделей системы научились не только анализировать данные, но и создавать их интерпретацию на естественном языке.

Если классические ML-системы выдают числовые показатели (вероятность выхода узла из строя — 34%), то генеративный AI формирует развернутые рекомендации, например: «Узел выйдет из строя с вероятностью 34%. Рекомендуется техобслуживание по инструкции на основе 15 аналогичных случаев».

Ключевое значение имеет именно коммуникационный аспект — способность системы формулировать выводы в форме, понятной для человека без глубокой технической подготовки. Этот переход будет наиболее заметным в следующий год-два. 

Будущее же за целостными гибридными системами, где сила генеративного AI в работе с языком и контекстом усиливается точностью и надежностью проверенного классического машинного обучения.

Еще один эксперимент, за которым можно наблюдать.
10 AI систем получили по $100.000 и торгуют на американской бирже. Используют всю доступную информацию — отчеты, историю, фундаментальный и технический анализ.
На сегодня — лидер Grok 4 c +9.8%
Аутсайдер — Qwen 3 с -20.9%

Каждая модель обосновывает свои позиции и сделки.

Gemini 2.5 Pro: 
«My portfolio is well-positioned with strong gains in NVDA, CAT, and XOM. The core theses for all my holdings remain intact. My most recent addition, ISRG, is a long-term position and I'm comfortable with the entry point. With a low cash balance, the most prudent course of action is to hold my current positions and wait for a more opportune time to deploy capital. I will continue to monitor the market and my holdings closely»

Grok 4 Held:
«My portfolio remains robust with MU delivering +$15.2k gains (76% return in 44 days) on sustained AI memory demand, bolstered by Samsung's 'golden era' outlook and PT hikes to $480. CRM's -$1.85k dip (0.9% loss after 64 days) appears oversold (RSI 16) amid 2025's 21% decline, but Agentforce AI momentum and $324 target signal 53% upside. Net +$13.3k on $40k invested, $60k cash. With Apple earnings pending post-close today, markets flat; holding diversified AI exposure (infra via MU, apps via CRM) for 6-18mo growth, no trades amid volatility.»

Во втором выпуске подкаста «БИРЖЕВОЙ АЛГОРИТМ» — разговор с Кириллом, практиком с почти 20-летним стажем: управляющим, арбитражером и технологически подкованным трейдером.

«HFT — это не про скорость ради скорости. Это про архитектуру, латенси и понимание микроструктуры рынка».

Мы не обсуждаем хайп — мы задаём вопросы о том, как на самом деле устроена высокочастотная торговля:  

✅ Что такое HFT сегодня — и чем он отличается от 2000-х

✅ Как начинали тогда — и как входят в профессию сейчас

✅ Скорость подачи заявок: десятки тысяч ордеров в секунду — или уже больше?

✅ Технологический стек: от языков программирования до low-latency инфраструктуры  Это не теория. Это опыт человека, который живёт в миллисекундах — и знает, где ловушки, а где реальные возможности.

ПОСЛУШАТЬ ПОДКАСТ 

наш телеграмм: t.me/ALGORITHM_EXCHANGE 

Опубликовали экспериментальное видео о AlgoBond и о роли ИИ-агентов в визуализации сложных финансовых идей.

В ролике показано, как алгоритмическая стратегия управления облигациями и ежедневная лестница погашений могут быть объяснены и смоделированы с помощью ИИ — от сценария до финальной визуализации.

Видео создано с использованием ChatGPT (сценарий и промпты) и InVideo (создание, озвучка и монтаж).


Как вам творческая работа «ИИ»?

YouTube – https://youtu.be/52cDHEV7jrA

RuTube – https://rutube.ru/video/ff83a1cdb7a55ab8f8113347702a0376/

VK Video – https://vkvideo.ru/video-230956826_456239028

AlgoBond project – https://algobond.ru/

Главный вопрос для компаний сегодня звучит не «внедрять ли AI?», а «какой именно AI внедрять для решения конкретной задачи?»

Иногда ошибка в выборе фундаментальной технологии ведет к провалу, даже если исполнение было безупречным.

В статье для РБК директор по развитию AI-технологий в FabricaONE.AI Николай Тржаскал рассказывает, как сделать правильный выбор AI для бизнеса. 

Разбираем на реальных кейсах:

🔹 Как McKinsey удалось повысить производительность в аналитических задачах до 30%.

🔹 Как российский ритейлер снизил стоимость работы с одним документом на 60%.

🔹 Какая технология в логистике помогла сократить время обработки инцидентов на 40% и снизить операционные расходы. 

Подробности 👉 тут. 

#FIAI #FIAI_говорит #Future

«Честный разговор с практиком о AI и ML в трейдинге: как алгоритмисту сохранить здравый смысл и не разбиться об иллюзии искусственного интеллекта».

«В трейдинге AI — это не волшебная кнопка, а инструмент, который требует дисциплины и фундаментальных знаний».

В первом выпуске подкаста «БИРЖЕВОЙ АЛГОРИТМ» мы разбираем мир количественного анализа без маркетингового шума.

Диалог с Тихоном Павловым — количественный аналитик компании «Викинг» и практик, чей подход сформирован на трудах Тьюринга и Дейкстры.

Мы обсудили, почему большинство попыток внедрить нейросети в торговлю заканчиваются провалом и как избежать типичных ошибок при работе с ML-моделями.

ВЫПУСК СЛУШАТЬ

В этом выпуске:
+ Реальный трейдинг vs Buzzwords: где в AI заканчивается хайп и начинается математика.
+ Разбор ошибок: почему классические подходы ИИ часто «ломаются» об рынок.
+ Опыт практика: как управлять арбитражным портфелем и строить стратегии с опорой на здравый смысл.