데이터의 잠재력을 해방하다: 데이터 기반 의사결정을 통해 효율성과 사용자 만족도를 높이는 방법
저자: Momir@IOSG Ventures
스마트 계약은 환경과 상호작용할 수 있는 능력이 부족하여 제한을 가지며, 이는 탈중앙화 애플리케이션(dApp)의 발전 가능성을 제한한다. 더 복잡한 기능을 실현하기 위해 DeFi 프로토콜은 두 가지 선택지를 가진다:
-
유연한 설계를 채택하여 사용자가 다양한 시나리오에 맞게 개별적으로 처리할 수 있도록 하는 방법,
-
또는 오라클, keepers, 오프체인 컴퓨팅과 같은 오프체인 인프라에 의존하는 외부 종속성(external dependencies)을 도입하여 간단한 사용자 경험을 유지하는 방법이다.
최근 발표된 "왜 DeFi가 무너졌고 어떻게 고칠 것인가 — 1부: 오라클 없는 프로토콜"이라는 논의를 자극하는 글에서 Dan Elitzer는 공격 벡터를 최소화하기 위해 외부 종속성이 전혀 없는 DeFi 프리미티브(primitives) 사용을 주장했다. 이 아이디어는 제3자 기관에 대한 신뢰 필요성을 제거하려는 것이다. 그러나 외부 종속성이 전혀 없는 DeFi 생태계는 전문성에 대한 요구를 높일 수밖에 없다. 대부분의 사용자는 Uniswap v3에서 마켓 메이커가 되거나, 외부 종속성 없이 프로토콜 내 담보물의 품질을 평가할 시간, 전문 지식 또는 자원을 갖추지 못했으며, 결국 신뢰할 수 있는 중개 기관에 의존해야 한다.
따라서 외부 종속성 제거를 위한 추구는 우리를 원점으로 되돌리거나, 더 나쁜 경우 비전문 사용자들이 복잡한 엔티티를 신뢰하거나 과도기적 스마트 계약에 자금을 예치하게 만들며, 이는 보안 위험을 증가시킨다. 외부 종속성을 완전히 제거하려는 노력을 기울이기보다는, 외부 종속성에 대한 보다 엄격한 검토와 잠재적 블랙 스완 시나리오를 제한하는 실용적인 접근법을 고려해야 한다. 우리는 어느 정도의 종속성은 불가피할 뿐 아니라 산업 발전에 필수적임을 인식해야 한다.
유명한 DeFi 프로젝트 중에서 초기 Uniswap 버전이 외부 종속성 없는 구조에 가장 근접했지만, 최근 도입된 Uniswap v4는 모듈화된 방식("Hooks")을 통해 이 분야를 발전시키려는 전환을 보여주고 있다.
데이터 프리미티브
외부 종속성에 관한 논의는 주로 스마트 계약이 외부 데이터와 상호작용하는 능력에 집중된다. 현재 데이터 상호작용은 주로 오라클에 의존하여 체인 외 정보에 접근하며, 그 범위는 제한적이다 (주로 주요 암호화폐 가격 등).
점점 더 많은 활동이 블록체인으로 이동함에 따라, 알고리즘적이고 투명한 방식으로 메커니즘 설계를 강화할 수 있는 방대한 양의 유용한 체인상 데이터가 존재한다. 그러나 체인상 데이터는 투명하더라도 이를 스마트 계약과 통합하는 것은 쉽지 않다. 의미 있는 데이터를 읽고 처리하며 전달하려면 복잡하고 신뢰할 수 있는 인프라를 구축해야 한다. 따라서 개발자들은 일반적으로 기존 도구에 의존하여 데이터 요구를 충족한다. 하지만 대부분의 기존 데이터 솔루션은 Web 2.0 프레임워크에 뿌리를 두고 있으며, 더 많은 Web 3.0 네이티브 프로토콜조차도 제공하는 데이터의 정확성을 보장하지 못한다.
Polygon Sushi-Matic 서브그래프가 부정확한 데이터를 전송한 것에 관한 Sushiswap의 논의
스마트 계약이 수십억 달러의 예치금을 관리할 수 있다는 점을 고려하면, 신뢰할 수 있는 API 소스에 직접 연결하는 것은 바람직하지도 않고 현실적이지도 않다. 이러한 종속성은 블록체인 생태계의 탈중앙화 성격을 훼손하기 때문이다.
내결함성 데이터 솔루션 구축
우리의 투자 철학은 내결함성 데이터가 차세대 DeFi 프로토콜의 초석이 될 것이다는 기본적인 믿음에 기반하고 있다. 그러나 데이터의 내결함성을 실현하는 것은 단순한 작업이 아니며, 경제적 설계상 실현 가능하도록 하기 위해서는 복잡한 인프라와 대규모 최적화가 필요하다.
이러한 맥락에서 Space and Time은 내결함성 데이터 인프라를 구축하는 선구자로 자리매김했다. 핵심 구성 요소 중 하나는 관계형 데이터베이스에서 데이터를 쿼리하기 위해 특화된 SNARK 증명의 개선형인 SQL 증명이다. 이 방식은 쿼리와 그 기반이 되는 데이터가 조작되지 않았음을 보장한다. 또한 RPC 호출을 통해 아카이브 노드에서 데이터를 검색할 때 데이터의 유효성을 보장한다.
그 밖에도 Nil Foundation, Axiom, Brevis, Herodotus 등과 같은 유명한 트러스트리스 데이터 프리미티브 프로젝트가 있다.
내결함성 데이터는 DeFi 프로토콜에게 새로운 가능성을 열어주며, 기능의 한계를 넘어서고 산업의 추가적인 성장과 혁신을 추진할 수 있게 한다.
아래에서는 다음의 경우에 대해 데이터 기반 프로토콜 설계 최적화를 논의하겠다:
1. 개인화된 사용자 경험
2. 자율 파라미터화 프로토콜
3. 프로토콜 경제
4. 자격 기반 접근
1. 개인화된 사용자 경험
기술 비즈니스 분야에서 사용자에게 맞춤형 서비스를 제공하는 것은 흔한 일이다. 그러나 본질적으로 특정 비즈니스 로직을 나타내는 코드 문자열인 스마트 계약은 일반적으로 사용자 경험을 일률적으로 처리하며, 이는 종종 나쁜 사용자 경험을 의미한다. 예를 들어 어떤 대출 플랫폼에서 사용자 A는 초보자, 사용자 B는 장기 프로토콜 사용자, 사용자 C는 거래 전문가라고 가정하자. 이러한 차별화 부족은 사용자 행동을 설명하지 못하며, 사용자 충성도 강화, 긍정적 행동 유도 및 자본 활용 최적화의 기회를 놓친다.
프로토콜은 사용자 행동을 식별하고 이에 따라 조정하는 데 직접적인 이익이 있다. 예를 들어 신용 등급을 활용하여 우량 고객에게 더 저렴한 대출이나 낮은 담보율을 제공할 수 있다. 이렇게 하면 동일한 조건의 플랫폼보다 자연스럽게 사용자를 유치할 수 있다. 또한 이러한 접근은 사용자에게 좋은 행동을 하도록 묵시적인 인센티브를 제공하여 더 유리한 조건을 얻게 한다.
핀테크 분야를 생각해보면 SoFi와 같은 회사는 일률화를 거부함으로써 시장 점유율을 확보했다. SoFi는 학자금 대출 시장에서 비효율성을 발견했는데, 스탠포드 대학 졸업생들이 다른 차용자들과 동일한 대출 금리를 부과받고 있었으나, 실제로는 졸업 후 고임금 직장을 얻을 가능성이 더 높았다. SoFi는 사용자의 리스크 상태를 더 잘 반영하도록 금리를 조정함으로써 큰 성공을 거두었다.
비슷하게 DeFi 분야에서도 사용자 리스크를 금리와 담보 요인에 포함시키는 혁신적인 프로토콜의 기회를 상상할 수 있다. 그러나 게임 이론이 변화할 때 역사적 데이터가 무의미해질 수 있으므로, 기존의 역사적 데이터만을 기반으로 담보 부족 대출을 수행해서는 안 된다.
참고로 Spectral과 Cred Protocol과 같은 프로젝트는 체인상 데이터로부터 신용 점수 모델을 구축하려 시도하고 있다. 그러나 이들 프로젝트는 모두 중심화된 데이터베이스에서 운영되고 있으며, 서비스하는 데이터와 모델 자체가 중심화되어 있고 쉽게 조작될 수 있기 때문에 주요 DeFi 프로토콜이 이들의 API에 연결할 가능성은 낮다. 반면, 만약 이러한 프로젝트들이 내결함성 솔루션을 채택한다면, 다양한 혁신적 애플리케이션에 동력을 제공하는 어디서나 사용 가능한 DeFi 신용 오라클이 될 수 있을 것이다.
2. 자율 파라미터화 프로토콜 (거버넌스 개입 최소화)
많은 DeFi 프로토콜은 여전히 체인 외 컨설팅 회사의 지도를 받아 리스크 파라미터 등을 조정하는 인위적인 거버넌스 프로세스에 의존하고 있다. 예를 들어 AAVE는 외부 컨설팅 회사에 막대한 비용을 지불하며 프로토콜 리스크 파라미터를 모니터링하고 지도받는다.
그러나 이러한 접근은 여러 문제를 야기한다:
1. 실시간 지원 부족: 시스템이 변화하는 시장 조건이나 새로 발생하는 리스크에 대응할 수 없다.
2. 수동 시스템: 인위적 개입에 의존함으로써 프로토콜 파라미터 조정 시 지연과 잠재적 비효율성이 발생한다.
3. 체인 외 엔티티에 대한 신뢰: 외부 컨설팅 회사에 의존하는 것은 투명성과 제안 과정에서 사용되는 방법에 대한 우려를 낳는다.
이러한 정적 접근은 AAVE에 대한 공격 사례에서 노출되었으며, 이는 적절한 대출 파라미터만 있었다면 피할 수 있었던 부실채권을 발생시켰다. 해당 파라미터는 차용된 토큰의 유동성을 더 잘 반영할 수 있었다. 또한 유통 중인 토큰을 담보로 사용하는 대출 프로토콜의 리스크는 아직 충분히 해결되지 않았다.
이러한 제한을 해결하기 위해 프로젝트는 실시간, 자동화, 투명하고 트러스트리스한 설계로 전환해야 한다. 예를 들어 대출 프로토콜은 Space and Time와 같은 인프라를 활용하여 데이터를 실시간으로 모니터링할 수 있으며, 이를 통해 담보물, 대출 파라미터 및 기타 핵심 파라미터를 동적으로 조정할 수 있다.
비슷하게 거래소는 변동성 또는 영구 손실에 기반한 동적 수수료 구조를 도입할 수 있다. Uniswap v3 위의 많은 유동성 풀은 LP에게 동적으로 수수료를 부과할 수 없기 때문에 지속 가능한 운영이 어렵다. Uniswap v4의 Hook 혹은 Valantis의 모듈을 통해 동적 수수료 부과가 가능해진다.
또한, 수익성과 리스크가 변화하는 기반 프로토콜에 맞춰 수동 개입이나 고정 수수료 없이 수익성 풀(aggregator)이 적응할 수 있다. Spool과 Solity의 협업은 이 방향으로 나아가는 한 걸음이며, Solity는 빅데이터 기법을 사용하여 풀의 리스크-리턴을 분석한다.
3. 프로토콜 경제
데이터 기반 접근은 DeFi 내 프로토콜 경제 및 토큰 경제 모델을 강화할 수 있으며, 조건을 충족한 사용자와 인센티브를 공유할 수 있다.
예를 들어 사용자 충성도를 높이려는 DEX 수익성 풀은 미끄러짐 수익(slippage收益)을 특정 조건을 충족한 사용자에게 배분할 수 있다. 예를 들어 지정된 수의 거래를 실행하고 최소 거래량에 도달하는 사용자에게 배분하는 방식이다.
이러한 인센티브는 초기 사용자를 대거 유치하고 사용자층 내에서 충성도를 형성하며, 기존 사용자에게 직접 인센티브를 제공함으로써 프로토콜이 그들 자신의 커뮤니티 내에서 사용되도록 촉진한다.
4. 자격 기반 접근
블록체인은 허가 없이 참여할 수 있는 특성을 가지지만, 동시에 자유로운 선택도 허용한다. 여러 사례에서 애플리케이션 레이어의 허가 기반 접근은 프로토콜이 악용되지 않도록 하거나 목표 사용자 그룹과 효과적으로 상호작용할 수 있도록 보장할 수 있다.
예를 들어 Tornado Cash와 같은 프라이버시 프로토콜은 자금 세탁 또는 기타 불법 행위에 사용될 수 있다는 이유로 규제 당국의 감사를 받고 있다. 자금 세탁을 방지하기 위해 프로토콜 개발자는 악의적 행위자들이 플랫폼과 상호작용하지 못하도록 조치를 취할 수 있다.
또한 마켓 메이커 입장에서는 거래 상대방을 아는 것이 매우 중요하지만, DEX는 일반적으로 그러한 정보를 확보할 수 없다. 만약 데이터를 활용하여 '실 사람 증명(proof of real person)'을 구축할 수 있다면, DEX는 봇 주소가 아닌 주소만 상호작용하도록 허용할 수 있어 이러한 문제를 해결할 수 있다.
검증 가능한 컴퓨팅의 필요성
트러스트리스 데이터 프리미티브와의 통합을 통해 위에서 논의된 일부 내용은 완전히 실현될 수 있다. 그러나 다른 부분은 통계 계산 또는 머신러닝을 수행하기 위해 추가적인 자원이 필요하다. 예를 들어 신용 점수 프로젝트는 내결함성 데이터를 활용할 수 있지만, 여전히 머신러닝 알고리즘을 필요로 해 신용 점수를 생성해야 한다.
또는 Risk Oracle의 전제 하에, 특정 토큰의 유통 공급량, 수량, 거래 횟수, 보유자 수, TGE 이후 경과 시간 등의 데이터는 적절한 담보 및 대출 요인을 결정하는 데 매우 중요하다. 그러나 이러한 데이터 기반으로 정확한 계산을 수행하려면 머신러닝 기술이 필요하다.
출처: https://chainml.substack.com/p/web3-needs-ai-to-realize-its-potential
DeFi에서 더 복잡한 계산이 필요한 다른 분야에는 다음이 포함된다:
● 수익성 풀: 기반 프로토콜의 수익과 리스크를 추정하고 최적의 자산 배분을 찾는다.
● 포트폴리오 최적화: 사전에 정의된 기준에 따라 목표 포트폴리오의 할당을 계산하고, 기술적 지표에 따라 방향성 노출을 변경한다.
● 파생상품 탈중앙화 거래소: 체계적인 리스크 관리, 자금 조정비, 파생상품 가격 책정 등.
● 고급 거래 실행 알고리즘
● 유동성 금고 마켓 메이킹 로직
● 정산 금고
ChainML과 같은 프로젝트는 전용으로 구축된 합의 메커니즘을 기반으로 검증 가능한 오프체인 컴퓨팅 계층을 제공함으로써 이러한 요구를 충족시킨다. 분산 머신러닝 컴퓨팅 계층을 구축하는 다른 프로젝트로는 GenSyn, Together.xyz, Akash 등이 있다.
비슷하게 ZKML은 ZK 증명이 계산을 체인상에서 검증 가능한 간결한 증명으로 압축하거나, 특정 모델의 사용을 속성 공개 없이 입증할 수 있는 흥미로운 기회를 제공한다. Modulus Labs, Giza 등의 ZK 프로젝트가 여기에 해당한다.
그러나 현재 ZK에서 머신러닝을 구현하는 것은 매우 비싸며, 실제 적용의 어려움을 증가시킨다. 하드웨어 가속과 회로 최적화가 미래에 성능을 향상시킬 수는 있지만, AI의 계산 요구는 더 빠르게 증가할 것으로 예상되어 ZKML은 틈새 계산 방법에 국한되고 최첨단 AI 모델에 적응하기 어렵다. 따라서 ChainML과 같은 프로젝트가 제공하는 합의 기반의 비관적 접근(pessimistic approach)이나 사기 증명 기반의 낙관적 접근(optimistic approach) 등이 최신 AI 알고리즘을 Web 3.0에 통합하는 최선의 기회가 될 수 있다.
결론
내결함성 데이터, 고급 컴퓨팅 능력, 데이터 기반 의사결정의 융합은 DeFi 생태계에서 새로운 혁신, 효율성 향상 및 사용자 만족도 증가를 가능하게 할 수 있다. 본문은 체인상 데이터 프리미티브 기반 최적화에 초점을 맞췄지만, zk 증명을 통해 다양한 오프체인 데이터를 통합하는 기회 역시 매우 긍정적으로 평가한다. 우리는 데이터가 체인상과 체인하의 상호 운용성을 강화하고, 탈중앙화 금융과 전통 금융 시스템 간 융합을 촉진할 것이라 믿는다.
산업이 계속 발전함에 따라 프로토콜은 신기술을 수용하고 선도적 프로젝트와 협력하며, 투명성과 트러스트리스화를 우선시해야 한다. 이는 DeFi에 강력하고 지속 가능한 미래를 건설할 뿐 아니라, DeFi가 글로벌 금융 지형에 깊은 영향을 미친다는 비전을 실현할 가능성을 제공한다.
선언: Space and Time, ChainML, Nil Foundation, Solity는 IOSG의 포트폴리오입니다.
TechFlow 공식 커뮤니티에 오신 것을 환영합니다
Telegram 구독 그룹:https://t.me/TechFlowDaily
트위터 공식 계정:https://x.com/TechFlowPost
트위터 영어 계정:https://x.com/BlockFlow_News
IOSG Ventures
