Dans le monde de la cryptomonnaie, perdre de l'argent n'est pas la chose la plus douloureuse, la véritable souffrance réside dans le fait de mourir dans l'ombre. Vous êtes-vous déjà demandé que votre liquidation pourrait simplement être due à un retard de 3 secondes dans les données de prix ? Les équipements SSR que vous ne pouvez jamais obtenir, ne seraient peut-être qu'une question de génération de nombres aléatoires "manipulée" ?

En fin de compte, le problème vient d'ici : nous faisons confiance à la blockchain, mais elle fonctionne grâce à une série de sources de données "mensongères".

Le projet APRO dont nous allons parler aujourd'hui est, dans une certaine mesure, une bande de geeks technologiques tourmentés par des données sales, qui ont passé plusieurs années à explorer pour devenir les « nettoyeurs de données » du monde de la cryptographie.

**L'histoire commence par le problème le plus simple**

Plusieurs co-fondateurs viennent de l'IA, de l'ingénierie des données et du secteur DeFi early stage, et lors du développement du projet, ils ont souvent été piégés par des données de mauvaise qualité : retards dans la diffusion des prix, sources de données qui plantent fréquemment, nombres aléatoires qui semblent prévisibles… Ils ont progressivement compris que, même si votre contrat intelligent est parfaitement conçu, si les données d'entrée sont défectueuses, le résultat final ne sera que du garbage. Plutôt que d'imaginer de grands scénarios, il vaut mieux se concentrer honnêtement sur le premier problème : comment fournir à la blockchain des données « propres, instantanées et fiables » ?

Au début, le projet manquait de ressources et n'avait pas encore de notoriété. L'équipe a donc décidé de se concentrer entièrement sur le perfectionnement technique.

**Une conception pragmatique de l'architecture**

Tout mettre sur la chaîne ? Trop coûteux et trop lent, ce n'est pas réaliste. Tout hors chaîne ? En quoi cela diffère-t-il d'une base de données centralisée ? La philosophie d'APRO est très pragmatique — faire en sorte que l'IA hors chaîne joue le rôle de « sentinelle », utilisant des algorithmes pour scanner efficacement et rapidement d'énormes volumes de données, détecter les fluctuations anormales ; puis, un mécanisme de validation sur la chaîne agit comme un « juge », pour confirmer la validité des données. Cette approche hybride trouve un équilibre entre coût et vitesse.