À medida que o ecossistema Web3 se expande, a atividade dos utilizadores encontra-se agora dispersa por DeFi, NFT, GameFi, DAO e plataformas sociais on-chain. Embora todas estas ações sejam registadas na blockchain, os dados tendem a existir como eventos isolados, dificultando a construção de um modelo coeso de compreensão do utilizador.
Com a rápida ascensão dos Agentes de IA, identidades digitais e serviços personalizados, depender apenas de endereços de carteira já não satisfaz as necessidades das aplicações inteligentes para a compreensão do utilizador. O Identity Embedding cria uma representação unificada da identidade digital que permite à IA compreender os padrões e traços por detrás do comportamento do utilizador, tornando-se um componente central da Camada de Inteligência Web3 da Bluwhale AI.
O que é o Identity Embedding?
O Identity Embedding é um método que transforma o comportamento do utilizador e os atributos de identidade em representações vetoriais.
Na IA, os embeddings são vulgarmente utilizados para converter informações complexas em vetores numéricos processáveis por máquinas. Por exemplo, os modelos de linguagem de grande escala transformam palavras em vetores semânticos para captar as relações entre diferentes termos.
A Bluwhale AI aplica este conceito à identidade Web3. Ao analisar a pegada on-chain de um utilizador — incluindo participações em ativos, hábitos de negociação, interações com protocolos e envolvimento com a comunidade — o sistema converte estes sinais num vetor de identidade unificado.
Esta identidade baseada em vetores permite que a IA identifique rapidamente as características do utilizador, sem ter de reprocessar todos os dados brutos de cada vez.
Porque é que os endereços de carteira são insuficientes para expressar a identidade do utilizador?
Os endereços de carteira são o identificador mais fundamental no mundo da blockchain.
No entanto, um endereço de carteira por si só apenas regista fluxos de ativos e histórico de transações — não consegue revelar diretamente a intenção de um utilizador.
Por exemplo, dois utilizadores podem deter montantes idênticos de ativos, mas um participa ativamente na votação de governança enquanto o outro negocia com frequência. Apenas com base nos saldos das carteiras, é quase impossível distingui-los.
Além disso, um único utilizador gere frequentemente várias carteiras, e a atividade em diferentes cadeias permanece fragmentada. Esta fragmentação torna a compreensão da identidade ainda mais complexa.
O valor do Identity Embedding reside em superar as limitações dos endereços individuais e compreender os utilizadores através da lente do seu comportamento global.
Que dados on-chain a Bluwhale AI analisa?
A precisão do Identity Embedding depende da riqueza das suas fontes de dados.
A Bluwhale AI recolhe dados de comportamento do utilizador a partir de várias dimensões fundamentais:
Comportamento de detenção de ativos
Os tipos de ativos, os períodos de detenção e as estruturas de alocação revelam as preferências de investimento e a apetência ao risco de um utilizador.
Os detentores de longo prazo e os negociadores de alta frequência exibem padrões marcadamente diferentes.
Registos de interação com protocolos
Os protocolos DeFi, as pools de liquidez ou as plataformas de empréstimo com que um utilizador interage são entradas críticas para a construção de um perfil.
Os protocolos com que um utilizador interage mostram o seu nível de atividade e as áreas de interesse dentro do ecossistema.
Participação em governança e comunidade
A votação em governança, as contribuições para DAO e as interações comunitárias on-chain refletem o compromisso de longo prazo e as tendências de governança de um utilizador.
Dados sociais e de identidade
Com o consentimento do utilizador, determinadas ligações sociais on-chain e dados de identidade podem enriquecer ainda mais o perfil.
Como é gerado o Identity Embedding?
A geração de perfis de utilizador não é uma agregação única de dados — é um processo contínuo de aprendizagem e atualização.
Recolha de dados
O sistema começa por extrair dados de comportamento do utilizador de várias redes e protocolos de blockchain.
Após limpeza e normalização, os dados entram no pipeline de análise.
Extração de características
Os modelos de aprendizagem automática identificam características comportamentais representativas, tais como:
- Frequência de negociação
- Alterações na composição dos ativos
- Preferências por protocolos
- Profundidade do envolvimento
Codificação vetorial
As características extraídas são convertidas em representações vetoriais.
Este passo é semelhante a comprimir informações complexas de identidade num sistema de coordenadas digitais que a IA pode reconhecer rapidamente.
Geração do perfil
Múltiplos vetores são combinados para formar um modelo de identidade unificado.
O sistema gera então as etiquetas de utilizador e os perfis comportamentais correspondentes.
Como é que o Identity Embedding se atualiza continuamente?
A identidade do utilizador não é estática.
À medida que os ativos mudam, a utilização de protocolos evolui e novos comportamentos surgem, o perfil deve adaptar-se.
A Bluwhale AI monitoriza continuamente a atividade on-chain recente e incorpora-a na análise.
Quando um utilizador começa a utilizar um novo protocolo, adere a uma DAO ou altera a sua estratégia de investimento, o vetor de identidade ajusta-se em tempo real.
Este mecanismo de atualização dinâmica garante que o perfil reflete o estado atual do utilizador, e não apenas dados históricos.
Como é que o Identity Embedding ajuda os Agentes de IA a compreender os utilizadores?
A inteligência de um Agente de IA depende em grande medida da sua capacidade de compreender o utilizador.
Se o Agente apenas vir um endereço de carteira, a informação a que pode aceder é extremamente limitada.
Com o Identity Embedding, o Agente pode identificar rapidamente o grupo, as preferências comportamentais e os padrões de participação de um utilizador.
Por exemplo:
- Determinar se o utilizador é um detentor de longo prazo
- Identificar se o utilizador está ativo em DeFi
- Analisar o envolvimento do utilizador em governança
- Compreender a tolerância ao risco do utilizador
Estas perceções permitem ao Agente oferecer uma experiência mais personalizada.
Como é que o Identity Embedding difere dos perfis de utilizador tradicionais?
As plataformas tradicionais da Internet também dependem de perfis de utilizador. No entanto, a fonte dos dados e quem os controla são fundamentalmente diferentes.
| Aspeto |
Identity Embedding |
Perfil de utilizador Web2 |
| Fonte de dados |
Dados comportamentais on-chain |
Dados internos da plataforma |
| Propriedade dos dados |
Controlada pelo utilizador |
Controlada pela plataforma |
| Verificabilidade |
Verificável on-chain |
Verificado internamente pela plataforma |
| Forma de identidade |
Identidade descentralizada |
Sistema de conta da plataforma |
| Fluxo de dados |
Acesso autorizado |
Controlado pela plataforma |
O Identity Embedding prioriza a soberania dos dados do utilizador e a compatibilidade com ecossistemas abertos.
Como tal, é considerado uma das direções-chave para o futuro da identidade digital Web3.
Que desafios enfrenta o Identity Embedding?
Apesar do seu grande potencial, o Identity Embedding ainda encontra vários obstáculos:
Fragmentação de dados
O comportamento do utilizador está disperso por múltiplas blockchains e protocolos, dificultando a agregação de dados.
Ligação de identidades
Um único utilizador pode controlar muitos endereços de carteira, e ligá-los com precisão nem sempre é possível.
Enviesamento da IA
Os perfis de utilizador são probabilísticos. O resultado do modelo pode ser afetado pela qualidade dos dados ou pela metodologia de treino.
Proteção da privacidade
Equilibrar a precisão do perfil com a privacidade do utilizador é um desafio que a indústria deve continuar a resolver.
Resumo
Como tecnologia central da Camada de Inteligência Web3 da Bluwhale AI, o Identity Embedding analisa o comportamento on-chain, as interações com protocolos, a alocação de ativos e os traços de identidade para converter dados complexos numa identidade unificada baseada em vetores. Ao contrário de um simples endereço de carteira, o Identity Embedding permite que os sistemas de IA obtenham uma compreensão mais abrangente do comportamento e das preferências do utilizador, apoiando casos de utilização como recomendações personalizadas, aconselhamento inteligente, avaliação de crédito on-chain e serviços de Agentes de IA.
Perguntas Frequentes
Qual é a diferença entre Identity Embedding e um endereço de carteira?
Um endereço de carteira regista principalmente dados de ativos e transações. O Identity Embedding vai mais longe, analisando padrões comportamentais, preferências de protocolo e hábitos de participação para construir um modelo de identidade do utilizador mais completo.
Porque é que a Bluwhale AI precisa do Identity Embedding?
A Bluwhale AI tem como objetivo ajudar os Agentes de IA a compreender melhor os utilizadores on-chain. O Identity Embedding converte dados comportamentais complexos numa representação de identidade unificada, melhorando a capacidade da IA de conhecer o utilizador.
O Identity Embedding compromete a privacidade do utilizador?
Um dos seus objetivos de design centrais é equilibrar a utilidade dos dados com a privacidade. Os utilizadores podem fornecer as informações de identidade necessárias e os resultados de autorização sem expor todos os seus dados brutos.
Como é que os Agentes de IA utilizam o Identity Embedding?
Os Agentes de IA podem aceder a perfis de identidade através de um mecanismo de autorização, permitindo-lhes identificar preferências do utilizador, características de risco e padrões de comportamento para oferecer serviços mais personalizados.
O Identity Embedding é o mesmo que a pontuação de crédito on-chain?
Não. O Identity Embedding descreve características comportamentais do utilizador, enquanto a pontuação de crédito é apenas uma aplicação potencial que pode ser construída com base nos dados de identidade.
