Криптоагрегатор с ИИ для трейдеров
Задача звучала как «супер-CoinGecko»: криптоагрегатор, который выходит за рамки цен. Трейдеров интересует не только то, сколько стоит монета. Они хотят знать, можно ли доверять токену, что о нём пишут в новостях и соцсетях и что начинает расти. Этот клиент, работающий с нами под NDA, хотел видеть ответы на эти вопросы рядом с рыночными данными.
Мы руководили разработкой около девяти месяцев — от MVP до расширения функциональности — с командой из трёх-четырёх разработчиков.
Ключевые возможности
- Агрегация рынка в реальном времени: цены криптовалют и метаданные монет собираются непрерывно и надёжно обновляются.
- Анализ тональности: NLP-модели оценивают новостные ленты, соцсети и комментарии пользователей, поэтому у каждой монеты есть не только цена, но и оценка настроений рынка.
- Выявление скама: детекция аномалий, помеченные адреса и подозрительные паттерны вместе позволяют отмечать рискованные токены.
- Рейтинги доверия на базе ИИ: рейтинг доверия для каждой монеты показывается на её странице и на панелях трендов.
- Панели трендов: трендовые монеты вместе с сигналами, которые за ними стоят.
- Обсуждения сообщества: комментарии, голосования и жалобы, а также инструменты модерации, чтобы обсуждения оставались полезными.
- Предупреждения о рисках с дисклеймерами: информация о рисках подаётся ясно, рядом с оговорками о том, что автоматическая оценка может сказать, а что — нет.
Архитектура и технологический стек
Приложение на Laravel и Vue.js
Основная платформа работает на Laravel с фронтендом на Vue.js и PostgreSQL в качестве основной базы данных. Она отвечает за пользователей, данные о монетах, контент сообщества и все страницы, которые видят трейдеры.
Сервисы NLP и машинного обучения на Python
Анализ тональности и выявление скама работают как сервисы на Python рядом с инструментами ML и NLP, от которых они зависят. Отделение их от веб-приложения позволяет менять модели, не трогая основную кодовую базу.
Очереди и кэширование для больших объёмов данных
Рыночные данные, новости и соцсети поступают непрерывно, а анализировать их дорого. Сбор и анализ выполняются как фоновые задачи в RabbitMQ, поэтому ни один запрос пользователя не ждёт модель. Результаты попадают в слои кэша Redis, и страницы монет и панели читают готовые оценки, а не пересчитывают их при каждом визите. Такая архитектура сохраняла стабильность системы под постоянным потоком входящих данных.
Как строились ИИ-сигналы
Сигналы тональности и скама полезны, только если трейдеры могут на них положиться. Модели обучались на внешних размеченных данных, а затем дорабатывались через обратную связь от людей: исправления их выводов со временем повышают точность.
Выявление скама не держится на одном правиле. Оно сочетает несколько сигналов: аномалии, выбивающиеся из обычного поведения, адреса, уже помеченные как подозрительные, и известные подозрительные паттерны. Рейтинг доверия сводит эти сигналы к показателю, который трейдер считывает с одного взгляда на странице монеты.
Баланс между предупреждениями о рисках и дисклеймерами
Назвать токен рискованным — значит повлиять и на проект, который за ним стоит, и на трейдеров, которые действуют с оглядкой на эту метку. Поэтому платформа подаёт предупреждения о рисках как информацию с понятными оговорками, а не как приговор.
Смежные работы
Другую сторону криптоданных показывает наш «Агрегатор криптовалютного рынка в реальном времени», который сводит данные нескольких провайдеров цен в одну ленту, а также Finkonkurs — портал с ценами на криптовалюты, рынками и новостями. В этом проекте соединились наши услуги по внедрению ИИ и автоматизации и разработке веб-приложений.
