AI/Analytics
Nota: Este documento es una traducción automática del original en inglés.
AI/Analytics
AI/Analytics agrupa proyectos que usan IA y aprendizaje automático para analizar, puntuar, clasificar o proporcionar insights — normalmente sobre mercados cripto, actividad on-chain o calidad de proyectos. Son los proyectos de la "capa de inteligencia" que convierten los datos brutos de blockchain y de mercado en comprensión accionable.
En el registro de DecAIHub, AI/Analytics es una categoría más pequeña pero distintiva. La distinción central es que un modelo — no un analista humano ni un simple script de agregación — realiza el análisis. Producir gráficos o paneles no es IA; la inteligencia debe provenir de un modelo entrenado que detecta patrones, genera puntuaciones o hace predicciones.
Las salidas de esta categoría a menudo son probabilísticas: las puntuaciones y señales deben leerse prestando atención a la metodología, la cadencia de actualización y las limitaciones documentadas. La etiqueta AI/Analytics se aplica cuando la narrativa y los artefactos apuntan a una analítica impulsada por modelos, no a informes estáticos.
En resumen: AI/Analytics cubre proyectos donde los modelos de IA analizan datos y producen insights, puntuaciones o clasificaciones.
Qué significa
La analítica en el contexto de la IA significa aplicar técnicas de aprendizaje automático — clasificación, regresión, detección de anomalías, procesamiento de lenguaje natural — a conjuntos de datos para extraer patrones, generar puntuaciones o producir predicciones. En el cripto IA, esto típicamente incluye análisis de sentimiento de redes sociales y noticias, reconocimiento de patrones de transacciones on-chain, puntuación de calidad de proyectos, generación de señales de trading y análisis forense de NFT.
La frontera entre la analítica y la simple visualización de datos es importante. Un panel que grafica el historial de precios de un token no es AI/Analytics. Un sistema que introduce datos de precio, volumen y redes sociales en un modelo entrenado y produce una puntuación de riesgo sí lo es.
Los AI components típicos que se encuentran en los proyectos AI/Analytics incluyen motores de analítica y ranking, clasificadores de sentimiento, modelos de detección de anomalías, algoritmos de puntuación y pipelines de predicción. Algunos proyectos ejecutan modelos propietarios; otros agregan salidas de varios modelos o de API públicas.
Lo que separa la analítica de IA genuina de un rebautizado es la evidencia: métricas de precisión publicadas, arquitectura de modelo documentada, predicciones con backtest o metodología de puntuación reproducible. Un proyecto que solo muestra números finales sin explicar cómo se produjeron no cumple el estándar de verificabilidad.
Subcombinaciones comunes
DecAIHub usa categorías compuestas. A continuación se muestran las combinaciones más frecuentes dentro de AI/Analytics. Los emparejamientos con DeFi e Infra son comunes; Consumer cubre herramientas orientadas al usuario.
| Subcombinación | Qué significa |
|---|---|
| AI/Analytics | DeFi | Analítica impulsada por IA para protocolos de DeFi y trading — puntuación de riesgo, predicción de rendimiento, evaluación de estrategias. |
| AI/Analytics | Infra | Infraestructura de analítica y motores de puntuación — plataformas que proporcionan analítica como servicio a otros proyectos. |
| AI/Analytics | Consumer | Herramientas de analítica orientadas al usuario — paneles, alertas y feeds de insights impulsados por modelos de IA para usuarios finales. |
Un único proyecto puede llevar varias etiquetas de dominio (p. ej., AI/Analytics | DeFi | Infra).
Qué buscar en la ficha de un proyecto
Al leer una ficha AI/Analytics en DecAIHub, presta atención a:
- AI component — ¿la ficha enumera un AI component concreto (análisis de sentimiento, motor de puntuación, detección de anomalías, analítica y ranking), o solo afirmaciones de marketing sobre "insights impulsados por IA"?
- Transparencia del modelo — ¿describe el proyecto qué modelo o método produce la analítica? ¿Hay métricas de precisión publicadas o benchmarks?
- Verificabilidad — ¿pueden compararse las salidas de la analítica con la realidad on-chain o con resultados históricos? ¿Se rastrean y puntúan las predicciones a lo largo del tiempo?
- Nivel de evidencia — ¿hay artefactos Tier-1 como documentación del modelo, informes de precisión o endpoints de API públicos con salidas verificables?
- Puntuación de AI reality (
ai_score) — agregar datos disponibles públicamente no es IA. ¿Demuestra el proyecto que un modelo entrenado produce la analítica? Consulta AI reality.
Qué no demuestra esta categoría por sí sola
Un proyecto etiquetado como AI/Analytics ha sido clasificado como centrado en analítica con base en su posicionamiento y artefactos disponibles. La etiqueta por sí sola no confirma que:
- la analítica la produzca un modelo de IA entrenado en lugar de reglas simples o investigación manual;
- las predicciones o puntuaciones del modelo sean precisas, tengan backtest o estén validadas de forma independiente;
- la analítica sea propietaria en lugar de un reempaquetado de feeds de datos públicos;
- la integración on-chain sea significativa más allá de la emisión del token;
- el token sea necesario para que el servicio de analítica funcione.
Comprueba siempre la puntuación completa de DecAI Fit y el bloque de evidencia en la ficha del proyecto.
No confundir con
- Paneles simples — mostrar gráficos, tablas o datos agregados sin un modelo entrenado detrás del análisis es visualización de datos, no AI/Analytics.
- Investigación manual — los informes curados por humanos o las valoraciones puntuadas manualmente son valiosos pero no califican como analítica impulsada por IA.
- AI/Data — se centra en recopilar y proporcionar datos para sistemas de IA; la analítica consume datos y produce insights. Consulta AI/Data.
- AI/Agents — software autónomo que decide y actúa; un agente puede usar analítica internamente, pero la categoría de agentes trata del comportamiento, no del análisis. Consulta AI/Agents.
- Automatización — alertas basadas en reglas o señales de trading basadas en umbrales sin un modelo de aprendizaje. Consulta Automatización vs IA real.
Preguntas frecuentes
Si un panel dice "IA", ¿por qué podría no ser AI/Analytics?
La categoría requiere un modelo entrenado que produzca el insight — no solo gráficos o filtros. Consulta Automatización vs IA real y el campo AI component de la ficha.
¿Los bots de sentimiento y los rastreadores sociales son siempre AI/Analytics?
Solo cuando la documentación muestra modelos de ML o NLP (o equivalentes) detrás de las puntuaciones. Los recuentos de palabras clave y la curación manual no son lo mismo que la analítica basada en modelos.
¿Cómo se relaciona AI/Analytics con AI/Data?
AI/Data suministra y prepara conjuntos de datos; AI/Analytics consume datos para producir puntuaciones, etiquetas o pronósticos. Un producto puede tocar ambos; las etiquetas compuestas y la lista de componentes muestran qué lado domina.
Referencias externas
- Machine learning — una visión general amplia y ampliamente usada de cómo los modelos aprendidos producen predicciones y patrones a partir de datos.
- NIST Artificial Intelligence Risk Management Framework (AI RMF 1.0) — orientación sobre la medición, la documentación y la supervisión de los sistemas de IA usados en roles de apoyo a la decisión.
No comments to display
No comments to display