Libérer le potentiel des données : comment améliorer l'efficacité et la satisfaction des utilisateurs grâce à une prise de décision pilotée par les données ?
TechFlow SélectionTechFlow Sélection
Libérer le potentiel des données : comment améliorer l'efficacité et la satisfaction des utilisateurs grâce à une prise de décision pilotée par les données ?
Les données renforceront l'interopérabilité entre les environnements on-chain et off-chain, favorisant ainsi l'intégration entre la finance décentralisée et les systèmes financiers traditionnels.
Dédié à des analyses Web3 approfondiesAuteur : Momir@IOSG Ventures
Les contrats intelligents ont des limitations, car ils manquent de capacité à interagir avec leur environnement, ce qui restreint le potentiel de développement des applications décentralisées (dApps). Pour offrir davantage de fonctionnalités complexes, les protocoles DeFi ont deux options :
-
Ils peuvent adopter une conception flexible, permettant aux utilisateurs de personnaliser divers scénarios ;
-
Ou bien ils peuvent intégrer des dépendances externes — s'appuyant sur des infrastructures hors chaîne telles que des oracles, des « keepers » ou le calcul hors chaîne — afin de maintenir une expérience utilisateur simple.
Dans un récent article profondément réfléchi intitulé « Why DeFi Is Broken and How to Fix It — Part 1: Oracleless Protocols », Dan Elitzer plaide en faveur de l'utilisation de primitives DeFi sans dépendance externe pour minimiser les vecteurs d'attaque. L'idée est d'éliminer la nécessité de faire confiance à des tiers. Cependant, un écosystème DeFi entièrement indépendant exigerait inévitablement un haut niveau de spécialisation. La plupart des utilisateurs n'ont ni le temps, ni l'expertise, ni les ressources nécessaires pour devenir fournisseurs de liquidités sur Uniswap v3 ou évaluer la qualité des collatéraux dans les protocoles sans dépendances externes, et devront donc dépendre d'intermédiaires de confiance pour participer.
Par conséquent, la quête d'une totale indépendance pourrait nous ramener au point de départ, voire pire, forcer les utilisateurs non professionnels à faire confiance à des entités complexes ou à déposer leurs fonds dans des contrats intelligents transitoires, augmentant ainsi les risques d'insécurité. Plutôt que de lutter pour éliminer complètement les dépendances externes, il serait plus pragmatique d’adopter des approches pratiques, comme un examen plus rigoureux de ces dépendances et la limitation des scénarios de type « cygne noir ». Nous devons reconnaître qu’un certain niveau de dépendance est inévitable, et même essentiel au développement du secteur.
Parmi les projets DeFi bien connus, les premières versions d’Uniswap se rapprochent le plus d’un modèle sans dépendance. Toutefois, l’introduction récente d’Uniswap v4 marque une évolution vers une approche fortement modulaire (« Hooks »), visant à faire progresser ce domaine.
Primitives de données
Le débat sur les dépendances externes concerne principalement la capacité des contrats intelligents à interagir avec des données externes. Aujourd’hui, cette interaction repose généralement sur des oracles pour accéder à des informations hors chaîne, bien que leur champ d’application soit limité (principalement aux prix des principales cryptomonnaies).
À mesure que de plus en plus d’activités migrent vers la blockchain, d’importantes quantités de données précieuses en chaîne peuvent être exploitées pour améliorer la conception mécanique de manière algorithmique et transparente. Cependant, malgré la transparence des données en chaîne, leur intégration dans les contrats intelligents n’est pas simple. Lire, traiter et livrer des données significatives nécessite la mise en place d’une infrastructure complexe et fiable. Les développeurs dépendent donc souvent d’outils existants pour répondre à leurs besoins en données. Or, la plupart des solutions actuelles reposent sur des cadres Web 2.0, et même de nombreux protocoles natifs Web3 ne garantissent pas l’exactitude des données qu’ils fournissent.
Discussion sur Sushiswap concernant des données inexactes envoyées par le sous-graphe Polygon Sushi-Matic
Étant donné que les contrats intelligents peuvent gérer directement des dépôts atteignant plusieurs milliards de dollars, il est à la fois indésirable et irréaliste qu’ils soient connectés à une source API de confiance, car cette dépendance compromettrait la nature décentralisée de l’écosystème blockchain.
Construire des solutions de données inviolables
Notre philosophie d'investissement repose sur une conviction fondamentale : les données inviolables deviendront la pierre angulaire des prochains protocoles DeFi. Toutefois, rendre les données inviolables n’est pas une tâche simple. Cela nécessite une infrastructure complexe et d’importantes optimisations pour être économiquement viable.
Dans ce contexte, Space and Time s'est imposé comme un pionnier dans la construction d'une infrastructure de données inviolable. Une composante clé en est sa preuve SQL, une amélioration des preuves SNARK spécialement conçue pour interroger des données depuis des bases de données relationnelles. Cette méthode garantit que les requêtes et leurs données sous-jacentes n’ont pas été altérées. En outre, elle assure la validité des données lorsqu’elles sont récupérées via des appels RPC à partir de nœuds archivés.
D'autres projets notables de primitives de données sans confiance incluent notamment Nil Foundation, Axiom, Brevis, Herodotus, etc.
Les données inviolables ouvrent de nouvelles perspectives aux protocoles DeFi, leur permettant de repousser les limites fonctionnelles et de stimuler la croissance et l'innovation du secteur.
Nous allons maintenant examiner comment la conception des protocoles pilotée par les données peut être optimisée dans les cas suivants :
1. Expérience utilisateur personnalisée
2. Protocoles auto-paramétrés
3. Économie des protocoles
4. Accès qualifié
1. Expérience utilisateur personnalisée
Dans le domaine technologique et commercial, offrir des services personnalisés aux utilisateurs est monnaie courante. Toutefois, les contrats intelligents (essentiellement des chaînes de code représentant une logique métier) uniformisent généralement l’expérience utilisateur, ce qui équivaut souvent à une mauvaise expérience. Par exemple, sur certaines plateformes de prêt, l’utilisateur A est un débutant, l’utilisateur B un utilisateur long terme du protocole, et l’utilisateur C un expert en trading. Cette absence de différenciation ne tient pas compte du comportement des utilisateurs, ratant ainsi des opportunités d’améliorer la fidélisation, d’encourager les comportements positifs et d’optimiser l’utilisation du capital.
Les protocoles ont tout intérêt à identifier le comportement des utilisateurs et à s’ajuster en conséquence. Par exemple, en exploitant des systèmes de notation de crédit, ils peuvent offrir à leurs meilleurs clients un crédit moins cher ou des taux de collateralisation réduits. Un tel projet attire naturellement des utilisateurs loin des plateformes aux conditions standardisées. De plus, cette approche offre aux utilisateurs une incitation implicite à adopter un bon comportement afin d’obtenir des conditions plus avantageuses.
En s'inspirant du secteur fintech, des entreprises comme SoFi ont gagné des parts de marché en rejetant l’uniformisation. SoFi a identifié une inefficacité sur le marché des prêts étudiants : les diplômés de Stanford payaient le même taux d’intérêt que d’autres emprunteurs, bien que leurs chances d’obtenir un emploi bien rémunéré après leurs études soient nettement plus élevées. En ajustant les taux d’intérêt pour mieux refléter le risque de chaque utilisateur, SoFi a obtenu un succès remarquable.
De même, dans le domaine DeFi, nous imaginons une opportunité pour un protocole innovant d’intégrer le risque utilisateur dans les taux d’intérêt et les facteurs de collateralisation. Il faut cependant être prudent : ne pas simplement accorder des prêts sous-collatérisés uniquement sur la base de données historiques, car celles-ci deviennent obsolètes lorsque la théorie des jeux change.
Il convient de mentionner que des projets comme Spectral et Cred Protocol tentent de construire des modèles de score de crédit à partir de données en chaîne. Cependant, ces projets fonctionnent sur des bases de données centralisées. Tant que leurs données et modèles proviennent de sources centralisées facilement falsifiables, les principaux protocoles DeFi seront peu enclins à se connecter à leurs API. En revanche, s'ils adoptaient des solutions inviolables, ils pourraient devenir des oracles de crédit omniprésents dans DeFi, alimentant toute une gamme d’applications innovantes.
2. Protocoles auto-paramétrés (minimisation de l'intervention de gouvernance)
De nombreux protocoles DeFi dépendent encore de processus de gouvernance humains, souvent guidés par des sociétés de conseil hors chaîne, pour ajuster leurs paramètres. Par exemple, AAVE paie grassement des entreprises de conseil externes pour surveiller et orienter les paramètres de risque du protocole.
Mais cette pratique soulève plusieurs problèmes :
1. Manque de support en temps réel : le système ne peut pas réagir rapidement aux conditions de marché changeantes ou aux nouveaux risques.
2. Système manuel : la dépendance à l’intervention humaine introduit des retards et des inefficacités potentielles lors de l’ajustement des paramètres.
3. Confiance en des entités hors chaîne : la dépendance à des cabinets de conseil externes suscite des préoccupations quant à la transparence et aux méthodes employées.
Cette approche statique a été exposée lors d’une attaque contre AAVE, ayant entraîné des créances douteuses qui auraient pu être évitées grâce à des paramètres de prêt adaptés, reflétant mieux la liquidité des jetons empruntés. En outre, le risque lié à l’utilisation de jetons en circulation comme collatéral dans les protocoles de prêt n’est pas suffisamment résolu.
Pour surmonter ces limites, les projets doivent passer à une conception automatique, transparente et sans confiance, en temps réel. Par exemple, un protocole de prêt pourrait utiliser une infrastructure comme Space and Time pour surveiller les données en temps réel, lui permettant d’ajuster dynamiquement les collatéraux, les paramètres de prêt et autres paramètres clés.
De même, les bourses peuvent introduire des structures de frais dynamiques basées sur la volatilité ou les pertes impermanentes. De nombreux pools de liquidité sur Uniswap v3 peinent à assurer une exploitation durable, principalement parce qu’ils ne peuvent pas facturer dynamiquement les fournisseurs de liquidités. Grâce aux « Hooks » d’Uniswap v4 ou aux modules de Valantis, les frais dynamiques deviennent possibles.
En outre, les agrégateurs peuvent s’adapter aux risques et rendements changeants des protocoles sous-jacents, sans dépendre d’interventions humaines ou de frais fixes. La collaboration entre Spool et Solity illustre un pas dans cette direction, Solity utilisant des méthodes de big data pour analyser le rapport risque-rendement des pools.
3. Économie des protocoles
Les approches pilotées par les données peuvent renforcer l’économie des protocoles et les modèles d’économie token dans DeFi, permettant aux projets de partager des incitations avec les utilisateurs remplissant certaines conditions.
Par exemple, un agrégateur DEX souhaitant favoriser la fidélité des utilisateurs pourrait redistribuer les gains liés au slippage aux utilisateurs satisfaisant à certains critères, comme effectuer un nombre défini de transactions et atteindre un volume minimal.
Ces incitations motivent fortement les premiers utilisateurs, renforcent la loyauté au sein de la communauté et récompensent directement les utilisateurs existants pour promouvoir l’utilisation du protocole dans leurs cercles respectifs.
4. Accès qualifié
Bien que les blockchains soient par nature sans permission, elles permettent également la liberté de choix. Dans plusieurs cas, un accès autorisé au niveau applicatif peut garantir que le protocole n’est pas utilisé à des fins malveillantes ou permettre une interaction efficace avec un groupe cible d'utilisateurs.
Par exemple, des protocoles de confidentialité comme Tornado Cash font l’objet d’un examen réglementaire en raison de leur utilisation potentielle pour le blanchiment d’argent ou d’autres activités illégales. Pour prévenir cela, les développeurs de protocoles peuvent prendre des mesures afin d’empêcher les mauvais acteurs d’interagir avec leur plateforme.
En outre, pour les market makers, connaître leur contrepartie est très précieux, mais les DEX n’ont généralement pas accès à ces informations. Supposons qu’il soit possible d’utiliser des données pour créer une preuve d’identité humaine : les DEX pourraient alors autoriser uniquement les adresses non-bot à interagir, résolvant ainsi ce problème.
La nécessité de calcul vérifiable
L’intégration avec des primitives de données sans confiance permettrait de réaliser pleinement certaines des idées discutées ci-dessus. Toutefois, d'autres cas nécessiteront des ressources supplémentaires pour exécuter des calculs statistiques ou du machine learning. Par exemple, un projet de score de crédit pourrait tirer parti de données inviolables, mais aurait toujours besoin d’algorithmes de machine learning pour générer le score.
Ou encore, dans le cadre d’un « Risk Oracle », obtenir des données telles que l’offre en circulation, le volume, le nombre de transactions, le nombre de détenteurs et la durée écoulée depuis le TGE pour un jeton spécifique est crucial pour déterminer les facteurs appropriés de collateralisation et de prêt. Mais des techniques de machine learning doivent ensuite effectuer des calculs précis sur ces données.
source : https://chainml.substack.com/p/web3-needs-ai-to-realize-its-potential
D'autres domaines de la DeFi nécessitant des calculs plus complexes incluent, entre autres :
● Agrégateurs de rendement : estimation des rendements et risques des protocoles sous-jacents, et recherche de l'allocation optimale.
● Optimisation de portefeuille : calcul de l’allocation cible selon des critères prédéfinis, modification des expositions directionnelles selon des indicateurs techniques, etc.
● DEX de produits dérivés : gestion systématique des risques, ajustement des frais de financement, tarification des dérivés, etc.
● Algorithmes avancés d’exécution de transactions
● Logique de market-making pour les trésoreries de liquidité
● Trésoreries de liquidation
Des projets comme ChainML répondent à ce besoin en fournissant une couche de calcul hors chaîne vérifiable, soutenue par un mécanisme de consensus dédié. D'autres projets construisant des couches distribuées de calcul ML incluent notamment GenSyn, Together.xyz, Akash, etc.
De même, ZKML offre une opportunité intéressante : les preuves ZK peuvent compresser un calcul en une preuve concise vérifiable sur chaîne, ou démontrer l’utilisation d’un modèle spécifique sans en révéler les propriétés. Des projets comme Modulus Labs, Giza, etc., explorent cette voie.
Toutefois, implémenter du machine learning avec des ZK est actuellement très coûteux, ce qui complique sa mise en œuvre pratique. Bien que l’accélération matérielle et l’optimisation des circuits puissent améliorer les performances à l’avenir, la demande en calcul pour l’IA devrait croître plus rapidement, limitant ZKML à des méthodes de calcul de niche, incapables d’accommoder les modèles d’IA les plus avancés. Par conséquent, des approches comme celles proposées par ChainML — basées sur un consensus pessimiste ou des preuves de fraude optimistes — pourraient représenter la meilleure opportunité d’intégrer les derniers algorithmes d’IA dans le Web3.
Conclusion
La combinaison de données inviolables, de capacités de calcul avancées et de décisions pilotées par les données pourrait débloquer de nouvelles innovations, améliorer l'efficacité et la satisfaction des utilisateurs dans l'écosystème DeFi. Bien que cet article se concentre sur les optimisations réalisables grâce aux primitives de données en chaîne, nous sommes également enthousiastes à l’idée d’intégrer des données hors chaîne via des preuves zk. Nous croyons que les données renforceront l’interopérabilité entre chaîne et hors chaîne, favorisant ainsi la convergence entre la finance décentralisée et les systèmes financiers traditionnels.
Alors que le secteur continue d’évoluer, les protocoles doivent adopter les technologies émergentes, collaborer avec les projets leaders, et privilégier la transparence et l’absence de confiance. Cela permettra non seulement de construire un avenir solide et durable pour la DeFi, mais aussi de concrétiser son potentiel d’impact profond sur le paysage financier mondial.
Déclaration : Space and Time, ChainML, Nil Foundation et Solity font partie du portefeuille d’IOSG.
Bienvenue dans la communauté officielle TechFlow
Groupe Telegram :https://t.me/TechFlowDaily
Compte Twitter officiel :https://x.com/TechFlowPost
Compte Twitter anglais :https://x.com/BlockFlow_News
IOSG Ventures
