AI-скоринг токенів у мобільному додатку

Додавання в мобільний додаток аналізу криптовалютних проєктів — задача, яку ми вирішуємо за допомогою AI скорринг токенів. Система об'єктивно оцінює токени та допомагає користувачам уникати скамів. Щотижня запускаються десятки нових токенів: за даними CoinMarketCap, лише за останній рік їх кількість зросла на 30%. Більшість — сміття, частина — скам, одиниці — реальні проєкти. Наша система відфільтровує свідомо погані проєкти та пріоритезує аналіз перспективних. За 5 років ми виконали 30+ проєктів у сфері DeFi та блокчейну, накопичили базу патернів скаму. Скорингова модель використовує rule-based правила та ML для виявлення аномалій. Результат — score від 0 до 100 з детальним розбором та попередженнями. Ми розробили data pipeline на Python, який агрегує дані за розкладом та оновлює score. Для on-chain даних використовуємо Moralis API, для GitHub — REST API. Щоранку модель перераховує оцінку для 1000+ токенів за 5 хвилин. В одному з проєктів впровадження системи дозволило користувачам на 40% швидше виявляти скам-токени та скоротити збитки від шахрайства на 60%, заощадивши понад $50,000 на ручному моніторингу. Фінансова економія від автоматизації аналізу склала до 70% витрат. Вартість впровадження базової версії — від $5,000. Система AI-скорингу в 3 рази швидше аналізує токени порівняно з ручним аналізом, а точність детекції сягає 95%.

А чи варто використовувати ML для детекції rug pull?

ML-модель дозволяє виявити приховані патерни, які rule-based правила пропускають. Наприклад, аномальну послідовність транзакцій або приховані функції контракту. Це підвищує точність і знижує кількість хибних спрацювань.

Архітектура та джерела даних

Джерела даних

class TokenDataAggregator:
    def get_github_metrics(self, repo_url: str) -> dict:
        # GitHub API v3
        import requests
        owner, repo = self._parse_repo_url(repo_url)
        headers = {"Authorization": f"token {GITHUB_TOKEN}"}
        commits_30d = requests.get(
            f"https://api.github.com/repos/{owner}/{repo}/commits",
            params={"since": (datetime.now() - timedelta(days=30)).isoformat()},
            headers=headers
        ).json()
        contributors = requests.get(
            f"https://api.github.com/repos/{owner}/{repo}/contributors",
            headers=headers
        ).json()
        return {
            "commits_30d": len(commits_30d) if isinstance(commits_30d, list) else 0,
            "contributors_count": len(contributors) if isinstance(contributors, list) else 0,
            "stars": self._get_repo_stars(owner, repo, headers)
        }

    def get_onchain_metrics(self, contract_address: str, chain: str) -> dict:
        # Moralis API — підтримує ETH, BSC, Polygon та інші
        response = requests.get(
            f"https://deep-index.moralis.io/api/v2.2/erc20/{contract_address}/owners",
            params={"chain": chain, "limit": 10},
            headers={"X-API-Key": MORALIS_API_KEY}
        )
        holders = response.json()
        top10_concentration = sum(h["percentage_relative_to_total_supply"] for h in holders.get("result", [])[:10])
        return {"top10_holder_concentration": top10_concentration}

Moralis API агрегує on-chain дані по багатьох EVM-сумісних мережах. Covalent API — альтернатива з історичними даними. Для Solana — Helius або Solana RPC безпосередньо.

AI-скоринг токенів: rule-based та ML движок

Rule-based scoring engine починаємо з набору правил з вагами. Це прозоро та зрозуміло — важливо для користувачів, які хочуть розуміти оцінку:

class TokenScorer:
    WEIGHTS = {
        "github_activity": 0.15,
        "team_transparency": 0.20,
        "tokenomics_health": 0.25,
        "liquidity_score": 0.20,
        "community_quality": 0.10,
        "audit_status": 0.10,
    }

    def score_github(self, metrics: dict) -> float:
        score = 0.0
        if metrics["commits_30d"] > 50:
            score += 0.4
        elif metrics["commits_30d"] > 10:
            score += 0.2
        if metrics["contributors_count"] > 5:
            score += 0.3
        elif metrics["contributors_count"] > 2:
            score += 0.15
        return min(score, 1.0)

    def score_tokenomics(self, data: dict) -> float:
        score = 1.0
        # Штраф за високу концентрацію у команди
        if data["team_allocation_pct"] > 30:
            score -= 0.3
        # Штраф за відсутність вестингу
        if not data["has_vesting"]:
            score -= 0.25
        # Штраф за низький circulating ratio (багато токенів ще буде випущено)
        if data["circulating_ratio"] < 0.2:
            score -= 0.2
        return max(score, 0.0)

ML-детекція rug pull виявляє патерни, характерні для скаму. Навчаємо на історичних даних: токени, які зробили rug pull, та легітимні проєкти. Rule-based підхід у 2 рази швидше в реалізації, але ML дає на 30% менше false positives. Модель навчена на датасеті з 2000+ підтверджених скам-токенів з DeFiLlama Hacks dashboard та Token Sniffer.

Ознаки rug pull у даних:

• Творець контракту видалив liquidity pool протягом 30 днів
• Honeypot: не можна продати токен (функція sell заблокована в контракті)
• Proxy контракт з можливістю змінити логіку без timelock
• 90%+ supply у одного адреса

from sklearn.ensemble import GradientBoostingClassifier

# Rug pull detector
features = [
    "top1_holder_pct",
    "lp_lock_days",
    "is_proxy_contract",
    "sell_function_exists",
    "owner_renounced",
    "audit_score",
    "github_commits_30d",
    "holder_count"
]

model = GradientBoostingClassifier(n_estimators=100, max_depth=4)
model.fit(X_train, y_train)  # y: 1 = rug pull, 0 = legitimate

Honeypot перевірка

Окрема критична перевірка — чи можна продати токен. Симуляція транзакції продажу до взаємодії з контрактом:

from web3 import Web3

def check_honeypot(contract_address: str, router_address: str) -> bool:
    w3 = Web3(Web3.HTTPProvider(RPC_URL))
    # Симулюємо продаж мінімальної кількості токена
    try:
        router = w3.eth.contract(address=router_address, abi=ROUTER_ABI)
        router.functions.swapExactTokensForETHSupportingFeeOnTransferTokens(
            1, # 1 wei еквівалент токена
            0,
            [contract_address, WETH_ADDRESS],
            ZERO_ADDRESS,
            int(time.time()) + 60
        ).call({"from": TEST_WALLET})
        return False # продажа пройшла = не honeypot
    except Exception:
        return True # revert = honeypot

Це call, не send — газ не витрачається, транзакція не пишеться в блокчейн.

Мобільний UI для AI-скорингу токенів

Фінальний score — число від 0 до 100 з кольоровою індикацією (червоний < 40, жовтий 40–70, зелений > 70). Але score без пояснення — чорний ящик. Поряд зі score — breakdown за категоріями: що знизило оцінку.

struct TokenScore: Codable {
    let overallScore: Double // 0-100
    let riskLevel: RiskLevel // .low, .medium, .high, .critical
    let breakdown: ScoreBreakdown
    let warnings: [String] // ["Honeypot detected", "No audit report"]
    let lastUpdated: Date
}

struct ScoreBreakdown: Codable {
    let technology: Double
    let team: Double
    let tokenomics: Double
    let liquidity: Double
    let community: Double
}

Попередження пріоритезуємо: honeypot — червоний банер одразу, низька ліквідність — жовтий warning внизу.

Впровадження AI-скорингу токенів під ключ

Процес та комплект поставки

1. Визначення параметрів скорингу спільно з клієнтом.
2. Розробка data pipeline: GitHub API, on-chain дані, соціальні метрики.
3. Розробка rule-based scoring engine.
4. Навчання ML-моделі детекції rug pull та honeypot.
5. REST API з кешуванням (дані по токену — раз на годину).
6. Мобільний UI: картка токена з score та breakdown.

Що входить у роботу

• Вихідний код (backend + mobile) з ліцензією MIT.
• Документація API (Swagger).
• Адміністративна панель для оновлення ваг скорингу.
• Навчання команди клієнта роботі з системою.
• Підтримка протягом 30 днів після релізу.

Терміни та гарантії

Ми маємо 5+ років досвіду в мобільній розробці, виконали 30+ проєктів у сфері DeFi та блокчейну. Даємо гарантію на відсутність багів протягом місяця після здачі. Передаємо повну документацію та оновлюємо систему при зміні API джерел.

Пишіть нам для отримання консультації — наші інженери допоможуть визначити оптимальну архітектуру скорингу для вашого проєкту. Зв'яжіться з нами, щоб обговорити деталі та терміни впровадження. Замовте оцінку свого проєкту прямо зараз.