Хей, это Goodman!

Результаты двух интервью не оправдали ожиданий.

В первом случае я немного прогадал с клиентом, которая когда-то работала моделью и не захотела делиться рабочими моментами. Но тем не менее, захотела сделать warm intro парочке агенций, которые работают в этой нише. Пока жду обратню связь.

Во втором случае кол отменили. Ребята захотели готовый MVP и на даном этапе не готовы разговарить со мной. Хотя также попросили обратиться к ним, когда уже будет продукт, который они смогут показать партнерам.

О чём это говорит?
Только о том, что люди не захотели тратить время на обсуждение идей и рассказывать о своих проблемах ноунеймам) Пока я так и не поговорил о проблемах сферы, а значит нужно более качественно отобрать кандидатов для интервью. Возможно 10 интервью за следующую неделю это очень оптимистичная цель, но будем пробовать)

До скорого!

@whoisgoodman

Хей, это Goodman!

Вот и конец первой фазы. Итогами я доволен, на такой результат и рассчитывал.

Отбрило до 15% по тир2 и до 5% по мейнам. Старые мейны все живы здоровы. В общем выжили в диапазоне 85-90% аков.

Дальше снова ждать и молиться на чекер. Итоговую проходку в 70% буду считать хорошим результатом.

https://github.com/zaivanza/layerzero-drop-checker

До скорого!

@whoisgoodman, CHAT

Хей, это Goodman!

(1\2)
Браян по истинне крутой СЕО, я не припоминаю ни одного другого СЕО, который бы так работал с комьюнити как он.

В очередной раз он заставляет весь твитер и тг гудеть об L0 и возбуждает психику каждого дропхантера. Все боятся бритвы, и он играет на том, что 90% людей не понимают как же она работает.

И так, как же работает бритва?

Я не буду углубляться в детали и математику а постараюсь коротко и понятно рассказать основные принципы. В этом процессе ключевую роль занимает Data Science и Machine Learning.

Что такое Machine Learning?
Назовем это процессом, когда дата аналитики тренируют модели, похожие на искуственный интелект для решения поставленых задач. Представьте себе скрипт\приложение\черную коробку(Black Box), внутри которой много разной математики, формул и сложной логики. Задача аналитика - дать какие-то данные Х на вход в эту черную коробку и на выходе получить ожидаемый результат Y.
Х при этом, может состоять из десятков или сотен столбиков разных данных по типу времени транзакции, даты создания кошелька, сети первых пополнений, методов пополнений, валют, контрактов взаимодействия и любых ончейн характеристик, которые вы можете придумать.

Например, дать список из 100 кошельков сибилов с описанием их активностей, научить Black Box понимать, что это сибилы, и среди 1000 кошельков находить эти 100 с наименьшими потерями в точности определения. Чем выше точность модели - тем лучше поработал аналитик и тем больше сибилов сбрили. Black Box в процессе обучения будет сам подставлять важность для каждого такого столбика и после кучи математики выдаст вероятный результат.

Как тренируют Black Box?
Для этого берут данные и разделяют их на части. 80% (Train) на то, чтобы научить модель и 20%(Test) на то, чтобы наученная модель нашла Y, зная только Х. Модель учат с помощью разных математических функций, подставляя их таким образом, чтобы полученый результат Y был как можно ближе к значениям в таблице.

Но не спешите писать все пропало
Ведь для того, чтобы хорошо научить такой Black Box, вам необходимо:

1) Очень много строк данных
2) Данные должны быть полными и однозначными
3) Данные должны быть качественными и релевантными

И даже при всем этом, модель никогда не выдаст вам 100%й результат, а даст только приближенный к искомому, выдавая процент потери.
И вот в этом заключается вся сложность такого процесса в войне с сибилами, ведь получить эти данные очень непросто, так как у вас должно быть очень весомое доказательство того, что неизвестный адрес действительно является сибилом.

Последние исследования Matter Labs и исследования на которые они ссылаются, все в один голос говорят о том, что индустрия не имеет достаточных данных для того, чтобы эффективно тренировать Black Box. Все по кругу используют данные из предыдущих раздач других проектов, Arbitrum, Hop, Optimism, Dydx, Uniswap и других. Проблема таких данных заключается в том, что они устаревшие и не берут во внимание новые методы, которые используют сибилы, а соответственно модели, которые тренируются на таких данных отстают от актуальных ситуаций на рынке. К примеру модель, тренированная на даных Uniswap или 1inch, будет понимать, что вы сибил только в случае, если вы связывали все ваши аки пополнением с нескольких кошельков, и не заметит вас, если вы пополняли все с биржевых кошельков.

Как получить такие данные?
1) Пост-фактум проанализировать сколько кошельков заклеймили ваш дроп, сопоставить сколько из них связали кошельки и найти схожесь. (Проекту это не поможет, но поможет другим проектам, которые будут работать с этими данными)
2) Попытаться найти кошельки, с очень высоким процентом совпадения активностей по итогу снепшота. (Это даст низкий или средний процент точности, ведь прямого подтверждения того, что адрес является сибилом нет)
3) Заставить людей самим принести свои данные и создать базу сибилов.

Сидит ебло с 2 и 7 разномастными, покерист хуев

http://sybil.layerzero.network

Лучшее описание мувов Браяна.

Я что думаю, они сейчас таким образом собирают данные для того, чтоб натренировать свою нейронку для будущей бритвы.

Чем больше людей сольет свои данные, тем хуже для всех.

Я начал писать как раз короткую статью о том как работает бритва при помощи машинного обучения и почему данные это так важно. А тут ещё и такой повод. Постараюсь поскорее дропнуть.