🤖 AI

Agentic, Context-Aware Risk Intelligence in the Internet of Value

Dit artikel stelt een risicointelligentie-architectuur met vijf motoren voor voor het heterogene Internet van Waarde die voorspelling, gedecentraliseerde verificatie, sentimentfusie, agentische beperkingen en scenario-planning integreert, en valideert de inzetbaarheid ervan door middel van empirische stress-respons experimenten en geformaliseerde, falsifieerbare verliesdecompositie.

Oorspronkelijke auteurs: Basel Magableh, OmniRisk Research

Gepubliceerd 2026-05-08

📖 5 min leestijd🧠 Diepgaand

CC BY 4.0

Oorspronkelijke auteurs: Basel Magableh, OmniRisk Research

Oorspronkelijk artikel gelicentieerd onder CC BY 4.0 (http://creativecommons.org/licenses/by/4.0/). ✨ Dit is een AI-gegenereerde uitleg van het onderstaande artikel. Het is niet geschreven of goedgekeurd door de auteurs. Raadpleeg het oorspronkelijke artikel voor technische nauwkeurigheid. Lees de volledige disclaimer

Stel je de wereld van digitaal geld (het "Internet van Waarde") niet voor als één enkele bank, maar als een enorme, chaotische markt waar geld stroomt tussen duizenden verschillende eilanden (blockchains). Het probleem is dat het weer op één eiland direct kan veranderen door een gerucht op een ander eiland, en de oude tools die we gebruiken om op gevaar te controleren, slechts één eiland tegelijk bekijken. Ze missen het grote plaatje.

Dit artikel stelt een nieuw "Risico-intelligentiesysteem" voor dat is ontworpen om deze chaotische markt te navigeren. Denk hierbij aan een super-slim, voorzichtig en zelfcontrolerend navigatieteam voor een schip dat vaart door stormachtige digitale zeeën.

Zo werkt dit team, opgesplitst in vijf eenvoudige onderdelen:

1. Het Vijf-koppige Navigatieteam

In plaats dat één persoon het weer voorspelt, gebruikt het systeem vijf gespecialiseerde "motoren" (tools) die samenwerken:

De Weerberichtgever (Predictie-engine): Deze motor kijkt naar prijsgrafieken, hoeveel geld er beschikbaar is om te verhandelen (liquiditeit), en hoe onstabiel het pad is. Het probeert te raden wat er als volgende gaat gebeuren. Cruciaal: het artikel geeft toe dat deze voorspeller nog niet perfect is; op grote schaal is hij slechts iets beter dan het gooien van een munt.
De Waarheidscontroleurs (Bittensor Verificatie Subnet): Omdat de Voorspeller misschien onjuist of bevooroordeeld is, concurreren een groep onafhankelijke "Waarheidscontroleurs" (miners) om te zien wie het beste voorspelt. Ze worden betaald op basis van hun nauwkeurigheid. Als ze liegen of slecht raden, verliezen ze geld. Dit creëert een gedecentraliseerde manier om ervoor te zorgen dat de voorspellingen eerlijk zijn.
De Roddelmonitor (Sentiment-fusie-engine): Deze tool leest alles: nieuwsartikelen, social media-gepraat en zelfs "grijze literatuur" (onofficiële marktrapporten). Het combineert dit met on-chain data om de sfeer van de markt te begrijpen. Als iedereen in het nieuws in paniek is, weet deze motor dat hij voorzichtig moet zijn, zelfs als de grafieken er goed uitzien.
De Voorzichtige Kapitein (Agentic Engine): Dit is de besluitvormer. Het neemt het weerbericht, de scores van de waarheidscontroleurs en de roddels, en beslist wat er moet gebeuren. Maar hier zit de vangst: Het heeft een strikt reglement (een "Constitutie"). Het kan niet zomaar doen wat het wil. Het is geprogrammeerd met harde limieten, zoals "Nooit verkopen", "Nooit de portemonnee van de baas gebruiken" en "Onmiddellijk stoppen als dingen te snel dalen". Het handelt als een robot die wettelijk verplicht is een specifieke functiebeschrijving te volgen.
De Noodplanner (API-Risico & Scenario-engine): Deze tool raadt niet alleen; het schrijft "Als-Dan"-plannen. Bijvoorbeeld: "ALS de prijs binnen 10 minuten met 30% daalt, DAN pauzeer automatisch alle aankopen." Het laadt deze veiligheidsplannen vooraf in zodat het systeem direct reageert zonder dat er een mens om gevraagd hoeft te worden.

2. De "Constitutie"-Analogie

Het artikel benadrukt dat de AI-agent (de Kapitein) geen vrijzinnige robot is. Het is als een aangeworven chauffeur met een strikt contract.

Het contract zegt: "Je mag alleen op deze specifieke weg rijden."
"Je moet stoppen als de snelheidsmeter 100 haalt."
"Je mag niet rijden 's nachts tenzij de eigenaar een papier tekent."
Dit zorgt ervoor dat de AI niet op hol slaat of wilde, gevaarlijke weddenschappen sluit.

3. De Realiteitstest (De Stormoefening)

Om te bewijzen dat dit systeem werkt, voerden de auteurs een 27 uur durend experiment uit op een klein digitaal actief (een "micro-cap" token) op het Solana-netwerk.

Het Scenario: De prijs van het token crashte hard (daalde bijna 60% in één dag) en het geld dat beschikbaar was om het te verhandelen, droogde op.
De Reactie: De "Voorzichtige Kapitein" van het systeem volgde zijn reglement. Het begon kleine hoeveelheden van het token te kopen in tiny stukjes (om te voorkomen dat de prijs zou oplopen) om het te stabiliseren.
Het Veiligheidsnet: Toen de prijs te snel daalde (nog eens 46% in minuten), kwam de "Noodplanner" van het systeem in actie. Het drukte op de "Stop-Loss"-knop en bevrieste direct alle activiteit, precies zoals geprogrammeerd.
De Menselijke Check: Elke keer dat het systeem een regel moest breken (zoals meer kopen dan het dagelijkse limiet), pauzeerde het en vroeg het toestemming aan een mens. De mensen zeiden "ja", en het systeem logde het verzoek.
Het Resultaat: Het systeem overleefde twee grote crashes en drie menselijke ingrepen zonder zijn regels te breken of de controle te verliezen.

4. De "Koptekst" versus de Realiteit

Het artikel is zeer eerlijk over zijn resultaten.

De Koptekst: In een specifieke test van de 1.000 populairste munten zag de voorspellende nauwkeurigheid van het systeem er geweldig uit (99%).
De Realiteitscheck: De auteurs leggen uit dat dit misleidend is. Omdat crashes zeldzaam zijn (zoals het winnen van de loterij), ziet een systeem dat 99% van de tijd zegt "Er gebeurt niets slechts" er slim uit.
De Echte Score: Wanneer getest tegen een bredere, willekeuriger groep munten, was het systeem slechts ongeveer 53% accuraat (nauwelijks beter dan een muntworp).
Het Punt: Het artikel stelt dat de waarde niet ligt in de perfecte voorspelling op dit moment, maar in de architectuur (het vijfmotorige team en de veiligheidsregels) die het mogelijk maakt om het systeem later te verifiëren en te verbeteren.

Samenvatting

Dit artikel presenteert een blauwdruk voor een veilige, zelfcontrolerende AI-navigator voor de complexe wereld van digitaal geld. Het combineert voorspelling, waarheidscontrole, sfeerwaarneming, strikt reglementvolgen en noodplanning.

Hoewel het "brein" (het voorspellende deel) nog aan het leren is en nog niet perfect is, is het "lichaam" (de veiligheidsregels en de teamstructuur) getest in een echte storm en heeft het bewezen dat het orders kan volgen, stoppen als dingen gevaarlijk worden, en mensen de overhand kan laten nemen wanneer dat nodig is. Het doel is niet om vandaag een perfecte kristallen bol te hebben, maar om een systeem te bouwen dat eerlijk, verifieerbaar en veilig genoeg is om in de toekomst te gebruiken.

Technische Samenvatting: Agent-gebaseerde, Contextbewuste Risicointelligentie in het Internet van Waarde

1. Probleemstelling

Het Internet van Waarde (IoV) wordt gekenmerkt als een heterogeen, deels vertrouwd netwerk waarbij het dominante marginale risico niet langer geïsoleerd is tot één enkele blockchain, maar composiet is. Dit risico bestaat uit vier onderling afhankelijke vectoren: routegezondheid, marktsentiment, liquiditeitsfragmentatie en de beleidsbeperkingen van het uitvoerende systeem.

Huidige risicobeoordelingsinstrumenten opereren volgens een "single-chain"-paradigma en slagen er niet in vier kritieke faalmodi te vangen die de afgelopen jaren consequenties hebben gehad:

Bridge-fragmentatie: Cross-chain bridges fungeren zowel als primaire kapitaalroute als als dominant exploitatieoppervlak.
Liquiditeitsfragmentatie: Logische activa handelen tegen uiteenlopende prijzen over verschillende chains; een route kan in het totaal liquid lijken, maar illiquide zijn op het specifieke uitvoeringsmoment.
Narratieve besmetting: Sentimentschokken verspreiden zich sneller dan on-chain statuswijzigingen, waardoor risicomotoren blind zijn voor gebeurtenissen die worden gedreven door off-chain tekstdrift.
Agent-uitvoeringsrisico: Grootte Taalmodel (LLM)-bemiddelde agenten introduceren nieuwe aanvalsoppervlakken die door puur on-chain mitigaties niet kunnen worden aangepakt.

Het artikel betoogt dat de bestaande literatuur over bridge-beveiliging de fundamentele vraag niet adresseert: Wat moet een contextbewust risicoprimitief eigenlijk doen, en hoe wordt het eerlijk gehouden?

2. Methodologie: De Vijf-Motor Architectuur

De voorgestelde oplossing is een composiet architectuur van vijf motoren die opereren over een gedeelde intelligentiestructuur. Het ontwerp benadrukt gedecentraliseerde verificatie en constitutionele beperkingen op agentacties.

A. De Vijf Motoren

Voorspellingsmotor: Geeft punt- en distributieprognoses voor prijs, liquiditeitsdiepte, volatiliteit, volumeverdeling en routegezondheid. Het dient als invoer voor alle andere motoren.
Bittensor Verificatie Subnet: Decentraliseert de voorspellingslaag. Een heterogene populatie van miners genereert voorspellingen, terwijl validators deze scoren tegen gerealiseerde uitkomsten met behulp van een beloningsallocatieregel (Yuma Consensus). Dit creëert een economisch gestimuleerd, verifieerbaar onderzoeksoppervlak.
Sentiment-Fusiemotor: Combineert off-chain tekststromen (nieuws, sociale media, grijze literatuur) met on-chain flowsignalen. Het systeem maakt gebruik van een late-fusion met stacking-strategie, gevalideerd tegen een multimodaal kenmerkenset inclusief 12 nieuwsadapters en 3 sociale-stroomadapters.
Agentmotor: Een LLM-bemiddelde beslissingslaag die acties selecteert uit een beperkt menu. Cruciaal is dat deze werkt onder een Constitutionele AI-kader (volgens de specificatie van Anthropic), waarbij acties worden gecontroleerd tegen een geschreven lijst van principes (bijv. "alleen kopen", "nooit de deployer-wallet gebruiken") in plaats van vrije doelen. De motor is "standaard gepauzeerd" en vereist expliciete goedkeuring van het bestuur voor live schakelingen.
API-Risico en Scenario-motor: Zet voorspellingdistributies om in vooraf vastgelegde actieprogramma's. Deze programma's volgen een "stopregel"-logica: Als scenario $\Sigma$ wordt gerealiseerd met een waarschijnlijkheid $>p$ , voer programma $P$ uit binnen de resourcegrens $B$ .

B. Formele Verificatiemechanisme

Het artikel definieert een Validator-Verlies Decompositie voor het scoren van miners. Het verlies $L_i$ voor een miner $i$ is een convexe combinatie van drie componenten:
$L_i = \alpha \cdot \text{Brier}(p_i, y) + \beta \cdot \text{Inconsistentie}(m_i) + \gamma \cdot \text{Calibratie}(c_i)$

Brier-component: Straft verkeerde voorspellingen en oververtrouwen af.
Inconsistentie-component: Straft drift in voorspellingen af voor queries die dezelfde chain-statuscontext delen.
Calibratie-component: Meet de kloof tussen gestelde vertrouwen en gerealiseerde nauwkeurigheid over een rollend venster.

C. Orchestratie

Het systeem scheidt Agent-Taakbeheer (afbakening van rollen, machtigingen en audittrails) van Runtime-Orchestratie (toestandsmachine-uitvoering). De runtime maakt gebruik van LangGraph en handhaaft een harde regel: het kan de beleidsgrens niet omzeilen. Alle modeloproepen worden omgeleid via een AiRouter in het proces om auditbaarheid te waarborgen en directe LLM-HTTP-paden te voorkomen.

3. Empirische Artefacten en Resultaten

De architectuur wordt verankerd door twee specifieke empirische evaluaties, waarbij het artikel expliciet onderscheid maakt tussen gemeten resultaten en architecturale voorstellen.

Artefact 1: Beleidsbeperkte Liquiditeits-Stressrespons (Sectie 5)

Opzet: Een 27-uurs experiment op een Solana micro-cap pool (RYA-token) met gebruik van een "Trader-role"-constitutie.
Uitvoering: Het systeem voerde 52 tijd-gewogen gesliceerde aankopen uit, in totaal 5,2 SOL over twee stressgebeurtenissen en één stop-loss gebeurtenis.
Belangrijkste Observaties:
- De veiligheidscircuit (stop-loss) werd automatisch geactiveerd bij een prijsdaling van 46%, waardoor de motor zoals ontworpen werd gepauzeerd.
- Mens-in-de-lus escalaties werden op dezelfde audittrail geregistreerd als de initiële autorisatie, waardoor volledige reconstructie van de besluitvormingsketen mogelijk was.
- Het rolcontract hield stand tijdens alle gebeurtenissen zonder harde regels te schenden (bijv. geen verkooporders, geen gebruik van deployer-wallet).
Resultaat: Demonstreerde de inzetbaarheid van een beleidsbeperkt scenario-motor, hoewel de agent een deterministisch beleid was, nog niet de volledige LLM-bemiddelde motor.

Artefact 2: Productie Calibratieboog (Sectie 6)

Opzet: Een 168-uurs evaluatie van de voorspellingsmotor op de Blue us-east-1 implementatie.
Resultaten:
- Hoofdnauwkeurigheid: 99,34% op een specifieke 168-uurs cohort beperkt tot de top 1.000 activa per marktkapitalisatie.
- Basisnauwkeurigheid: ~53% op het bredere productie-cohort (beschreven als "nauwelijks boven het toevalsniveau").
- Calibratie: De Brier-score was 0,1335.
Voorbehoud: Het artikel stelt expliciet dat het cijfer van 99% misleidend is zonder context. Dit wordt gedreven door klassenonevenwichtigheid (lage basisrate van crashes in top-cap activa) en cohortbeperking. De architecturale bijdrage is niet de 99% nauwkeurigheid, maar het bestaan van een productietelemetrie-oppervlak waartegen een verificatiesubnet miners kan scoren.

4. Belangrijkste Bijdragen

Vijf-Motor Architectuur: Een coherent dataflow voor agent-gebaseerde, contextbewuste risicovoorspelling, die voorspelling, gedecentraliseerde verificatie, sentimentfusie, constitutionele agentactie en scenario-gebaseerde uitvoering integreert.
Falsifieerbare Validator-Verlies Specificatie: Een formele definitie van het scoremechanisme (Brier + Inconsistentie + Calibratie) die economische verificatie van voorspellingsuitkomsten mogelijk maakt.
Empirische Validatie van Beperkingen: Een 27-uurs stress-test die aantoont dat een constitutionele agent kan opereren onder liquiditeitsstress, stop-loss triggers en governance-escalaties zonder zijn beleidsgrenzen te schenden.
Eerlijke Rapportage van Calibratie: Een productie calibratieboog die een hoge hoofdnauwkeurigheid (99%) koppelt aan de noodzakelijke voorbehouden (53% basis, klassenonevenwichtigheid), waarbij het verificatieprimitief wordt gepresenteerd als de primaire waardepropositie in plaats van pure voorspellingsprestatie.

5. Betekenis en Claims

Het artikel bescheiden claimt een falsifieerbare architectuur te bieden voor het IoV in plaats van een volledig opgelost, schaal-geverifieerd systeem.

Inzetbaarheid: Het systeem wordt getoond als inzetbaar en capable om real-world liquiditeitsstress en governance-escalaties te hanteren.
Falsifieerbaarheid: De auteurs definiëren specifieke voorwaarden waaronder hun claims zouden falen (bijv. als een tweede pool niet opnieuw convergeert onder hetzelfde beleid, of als de broad-cohort Brier-fout 0,20 overschrijdt).
Verificatieprimitief: De kernbijdrage is het mechanisme voor het verifiëren van risicovoorspellingen (het Bittensor subnet en de verliesfunctie), niet de huidige voorspellingsprestatie van de modellen.
Beperkingen: Het artikel erkent dat de validator-verliescomponenten nog niet op schaal zijn gemeten tegen een live multi-miner metagraaf (er bestaat alleen een testnet shadow run). Bovendien gebruikte de casestudy een deterministisch beleid, niet de volledige LLM-bemiddelde agentmotor, wat een vervolgproject blijft.

Kortom, het artikel stelt een verschuiving voor van single-chain risicobeoordeling naar een composiet, contextbewust kader waarin risico wordt beheerd via een combinatie van gedecentraliseerde verificatie, off-chain sentimentfusie en constitutioneel beperkte agentuitvoering.