Dijital Varlıklar
Yapay Zekâ Kripto Projelerinin Teknik Dokümanlarını Değerlendirebilir mi? Bir Araştırma Bunu Sınadı
Securities.io sitesini Google'daki tercih ettiğiniz kaynaklara ekleyin
Orijinal Bitcoin’in (BTC ) 2008’de yayımlanan teknik dokümanından bu yana çok sayıda yeni kripto para ortaya çıktı; bunlardan Ethereum gibi bazıları (ETH ) orijinale ciddi bir rakip olacak kadar popülerleşti. Ancak bu durum, kripto yatırımcılarının gerekli incelemeleri yapmasını da giderek daha karmaşık hâle getirdi.
Elbette bu sorun yalnızca kripto yatırımlarına özgü değil; ancak kripto paraların niteliği, çoğu yatırımcı için işi daha da zorlaştırıyor. Özellikle kriptoyla ilgilenen bireysel yatırımcıların yanı sıra birçok kurumsal yatırımcı da çoğu kripto projesinin temelindeki kriptografi bilimini ve algoritmaları tam olarak anlayacak matematiksel ve teknik bilgiye sahip değil.
Ayrıca dijital varlıklar, geleneksel menkul kıymetlerdeki standartlaştırılmış bildirimlerle (ör. izahnameler, 10-K raporları) karşılaştırıldığında ortak bir raporlama biçiminden yoksun.
Bu nedenle aynı anda tehlikeli bir bileşimle karşı karşıyalar: aşırı bilgi yükü, yapılandırılmamış açıklamalar ve sınırlı düzenleyici güvenceler.
“İlk Coin Arzı (ICO) dalgasındaki çok sayıdaki çöküş ve teknik dokümanlara dayanarak yatırımların uygulanabilirliğini değerlendiremeyen yatırımcıların uğradığı kayıplar, yenilikçi finansta gerekli inceleme ve yatırımcı koruma araçlarının güçlendirilmesi gerektiğini gösteriyor.”
Aşırı bilgi yükü ve riskleri nesnel biçimde analiz etme ihtiyacı, yapay zekâ için biçilmiş kaftan gibi görünüyor; yeni yapay zekâ sistemleri de özellikle bu tür karmaşık görevlerin üstesinden gelmek üzere tasarlanıyor.
Swiss Financial Market Supervisory Authority FINMA ve University of Liechtenstein’dan bir araştırmacı grubu, LLM’lerin yeni kripto projelerini, özellikle de bu projelerin teknik dokümanlarını nasıl değerlendirebileceğini inceleyen yeni bir araştırma yayımladı.
Bulgularını Knowledge and Information Systems1 dergisinde, “Dijital varlık değerlendirmelerinde LLM uygulaması: karma yöntemli araştırma” başlığıyla yayımladılar.
Kripto Teknik Dokümanlarında LLM Kullanımı
Özünde “kripto paralar” yalnızca spekülatif yatırım fırsatları değil, aynı zamanda “bilginin merkeziyetsiz depolanmasına, dağıtık mutabakat mekanizmalarına ve akıllı sözleşmelere dayanan protokoller üzerine kurulu dijital varlıklardır”.
Yeni kripto paraların gerçek riskleri ve potansiyel kullanım alanları, bu teknik özelliklere bağlıdır. Bu nedenle LLM’ler (Büyük Dil Modelleri) gibi modern yapay zekâ sistemleri; metin analizinin otomatikleştirilmesine, bilgi çıkarımına ve projelerin karşılaştırmalı değerlendirmesine yardımcı olabilir.
Ancak LLM’lerin güvenilirliği bir sorun teşkil ediyor. Bu araçların yararlılığı; sınırlı bağlam pencereleri, büyük belge derlemelerini işleme güçlükleri ve halüsinasyon riski nedeniyle kısıtlanıyor.
Bu nedenle yatırımcıların, kripto projelerini değerlendirme bağlamında bu tür araçların gerçekte ne kadar güvenilir olduğunu doğru biçimde ölçmesi gerekiyor.
LLM’lerin bu görevdeki yeteneklerini ölçmek için araştırmacılar bir çerçeve oluşturdu. Bu çerçevede önce veriler ön işleme tabi tutuluyor, teknik dokümanlar analiz için yapılandırılıp özetleniyor ve özel yapay zekâ istemleri tasarlanıyor; ardından sonuçlar insan değerlendirmeleriyle karşılaştırılıyor ve son olarak LLM’leri kripto projelerinin potansiyelini değerlendirmede kullanmaya yönelik bir protokol geliştiriliyor.
Kaynak: Bilgi ve Bilgi Sistemleri
Doğru Araçları Geliştirmek
Doğru Verileri Toplamak
Araştırmacılar, temel veri kaynağı olarak Token Offerings Research Database (TORD) veritabanını kullandı. Bu veritabanı, İlk Coin Arzları (ICO’lar), Menkul Kıymet Token Arzları (STO’lar) ve İlk Borsa Arzları (IEO’lar) hakkında elle derlenmiş bilgiler sunuyor.
Bu bilgiler arasında resmî proje web siteleri, teknik dokümanlar, arşivlenmiş web kaynakları, ikincil veritabanları, borsa açıklamaları ve düzenleyici kurumlara yapılan bildirimler yer alıyor.
Bu veriler, teknik dokümanlarına hâlâ erişilebilen 29 farklı token projesini kapsayan bir örneklem oluşturmak için kullanıldı. Bunların 27’si TORD’da toplu uzman değerlendirmesine sahip.
Ana model olarak OpenAI GPT−3.5-turbo yapılandırması seçildi; ayrıca iki küçük, açık kaynaklı model olan Qwen2.5-0.5B ve Qwen2.5-1.5B kullanıldı. Toplamda uzmanlar ve LLM’ler tarafından 1.008 eksiksiz değerlendirme üretildi.
Farklı Yaklaşımları Sınamak
Araştırmacılar, LLM’lerin kripto projelerini incelemek için en verimli biçimde nasıl kullanılabileceğini görmek amacıyla farklı yöntemlerden yararlandı.
- Yaklaşım 1: Kısmi belge değerlendirmesi, model sınırlamalarına uyum sağlamak için teknik dokümanın mümkün olduğunca büyük bölümünün LLM’ye aktarılmasını ve içeriğin 4000 tokenla (yaklaşık 3000 sözcükle) sınırlandırılmasını içeriyordu.
- Yaklaşım 2: Özete dayalı değerlendirme, iki aşamalı bir süreç benimseyerek token sınırlamalarını ele alıyordu: Teknik doküman önce özetleniyor, ardından değerlendiriliyordu.
- Yaklaşım 3: boyut odaklı özet puanlaması; yatırım kararları açısından önemli bilgileri, özellikle yönetimin kişiliği ve deneyimi, ürün özellikleri ve piyasa koşullarıyla ilgili olanları hedefli biçimde çıkararak özetleme sürecini daha da geliştirdi.
- Yetersiz deneyim, finansal katılım eksikliği veya iyi düşünülmemiş proje yapıları gibi olası uyarı işaretlerini de tespit etti.
Kullanıcıların kolayca anlayabileceği bir sonuç sunmak ve hataları önlemek amacıyla, LLM’lerin oluşturduğu nihai değerlendirme sonucunun 120 kelimeyle sınırlandırılmasının en uygun seçenek olduğu belirlendi.
LLM’nin akıl yürütmesini mümkün olan en iyi sonuçları verecek şekilde yönlendirmek için dört farklı istem stratejisi kullanıldı:
- Sıfır Örnekli (ZS): projeye özgü örnekler sunmadan yapılandırılmış talimatlar verme
- Az Örnekli (FS): ZS’yi açık değerlendirme boyutları ve belirli değerlendirme ölçütleriyle geliştirme.
- Düşünce Zinciri (CoT): adım adım, faktör düzeyinde gerekçelendirme kullanma.
- Bağlam ve Değerlendirme Ölçütleriyle Düşünce Zinciri (CoT-CR): token kilitleme mekanizmaları ve projenin özgünlüğü gibi alana özgü unsurları hesaba katma.
LLM sonuçları
Boyut odaklı özet puanlaması dışında, yapay zekâ modelleri kripto projesine genellikle insanların verdiğinden daha yüksek puan verdi.
“1. ve 2. yaklaşımlar, anlatı biçimindeki içeriği çoğu zaman özetliyor; ancak uyarı işaretlerini veya yönetişim göstergelerini güvenilir biçimde ortaya çıkaramıyor. Bu da iyimserlik yanlılığına ve insan puanlarına kıyasla sistematik biçimde yüksek tahminlerde bulunulmasına yol açıyor.”
CoT istemleri genel olarak en düşük puanları üretti. Özellikle CoT ile boyut odaklı özet puanlamasının birlikte kullanıldığı yöntem, insan değerlendirmelerinden daha düşük sonuç veren tek yaklaşımdı.
Bu yüksek puan verme eğiliminin yanı sıra, en güçlü projeleri olduğundan düşük değerlendirmeye yönelik hafif bir eğilim de gözlemlendi.
Qwen2.5-0.5B ve Qwen2.5-1.5B yapay zekâ modelleri kullanıldığında da GPT−3.5-turbo ile elde edilenlere benzer sonuçlar alındığını belirtmek gerekir.
LLM’lerdeki yanlılığın açıklaması
LLM’lerin çoğu istem stratejisinde kripto projelerine daha yüksek puan verme eğiliminin nedeni, genel ve az yapılandırılmış özetlerin tanıtım amaçlı teknik dokümanların üslubunu koruma eğiliminde olmasıdır.
Buna karşılık, boyut odaklı bilgi çıkarımı bu sorunu büyük ölçüde önler; ancak başka sınırlamaları vardır. Yönetişim, yönetim veya token tasarımındaki zayıflıkları ortaya çıkardığında puanları insanların temkinli değerlendirmelerine yaklaştırabilir. Ancak kanıtlar eksik olduğunda ya da tek tük olumsuz işaretler puanlama gerekçesine aşırı ağırlık verdiğinde projelere gereğinden fazla düşük puan da verebilir.
Bu bulgular, araştırmacıların LLM’lerin insan araştırmalarını destekleyebileceği, ancak onların yerini tamamen alamayacağı sonucuna varmasına yol açtı.
“Bu mekanizmalar, temel tasarım sorununun yalnızca istem seçimi olmadığını; puanlama öncesinde güvenilir ara kanıtların oluşturulmasının da önemli olduğunu gösteriyor. Bu nedenle araç, nihai yatırım puanları üretmek yerine uzman incelemesi gerektiren durumları işaretlemek için kullanılmalıdır.”
Bu çalışmaya göre en azından, benimsenebilecek tek bir “en iyi yaklaşım” yok.
Mevcut tasarım matrisinde en düşük hata, Yapılandırılmış Özet ile Düşünce Zinciri isteminin birlikte kullanılmasıyla elde ediliyor (Yaklaşım 2 + CoT).
Ancak boyut odaklı yaklaşım olası uyarı işaretlerini ortaya çıkarıyor ve ortalama puan düzeyi insan değerlendirmelerinin ortalamasına daha yakın.
Yapay zekâ destekli bir kripto analiz aracı geliştirmek
Bu bulgular, araştırmacının kripto projelerini analiz ederken yapay zekâyı en iyi şekilde kullanmaya yönelik önerilerini sunmasına yol açtı:
- Hataları mümkün olduğunca azaltmak için modelin gerekçelendirme üretmesinden önce kanıtlar yapılandırılmalıdır.
- Kalibrasyon ve çıktıların incelenebilirliği ayrı ayrı tasarlanmalı ve değerlendirilmelidir. Yapısal denetlenebilirliği ve uyarı işaretlerinin görünürlüğünü artırmak için boyut odaklı bilgi çıkarımı kullanılmalıdır.
- Model karşılaştırması: Gözlemlenen hata örüntüleri, karşılaştırmalı testler yapılmadan tek bir model ailesine bağlanmamalıdır; bu örüntüler, genel olarak LLM’lerin temel çalışma biçiminden kaynaklanıyor olabilir.
“Bu ilkeler bir araya geldiğinde, çalışmanın katkısını LLM uygulamasının ötesine taşıyarak finansal açıklamaların standartlaşma düzeyinin düşük olduğu ortamlarda denetlenebilir karar destek araçlarının yapılandırılmasına yönelik bir dizi tasarım önerisine dönüştürüyor.”
Yatırımcılar için çıkarımlar
Bu çalışma, hem yapay zekâ hem de kripto alanındaki yatırımcılar için ilgi çekici bilgiler sunuyor.
Kripto tarafında, LLM’lerin insan eliyle yürütülen durum tespitinin yerini alacak bir çözüm olmadığı (henüz?) açık. Örneğin yapay zekâ modelleri, kripto ak varlık belgelerindeki aşırı coşkuya veya tanıtım diline kanarak bu projelerin potansiyelini olduğundan fazla değerlendirme riskini ciddi ölçüde artırabilir.
Ancak doğru istem metodolojisi kullanıldığında, yapay zekâyı uyarı işaretlerini tespit etmek için kullanmak çok yararlı olabilir.
Yapay zekâ yatırımcıları açısından bu çalışma, LLM’lerin şu anda insan emeğinin yerini henüz bütünüyle alamadığını gösteriyor. Bununla birlikte, özellikle büyük hacimli teknik verileri ayıklama konusunda değerli bir araçlar.
Çalışma ayrıca, yapay zekâyı en verimli şekilde kullanmak için doğru istem yöntemini öğrenmenin yanı sıra uygun analiz metodolojisini tasarlamanın da kritik olduğunu gösteriyor. Yapay zekâ teknolojisine yatırım açısından bakıldığında bu, verimlilik artışlarının çoğunun yalnızca modellerin gelişmesinden değil, zaman içinde kademeli olarak gerçekleşeceğine işaret ediyor olabilir. Bunun yerine, kullanıcıların yapay zekâ araçlarına daha fazla aşina olması ve daha iyi analiz tasarımı ile istemler aracılığıyla sonuçların kalitesini artırmayı öğrenmesi gerekecek.
Kripto Piyasalarına Yatırım
Coinbase
COIN Fiyat Grafiği
Kripto paralar daha yaygın hâle geldikçe daha fazla yatırımcı bu varlıklara erişim sağlıyor veya kripto para piyasalarındaki varlığını artırıyor. Kripto projelerinin çoğalmasıyla da aynı durum yaşanıyor.
Bu durum, kripto para alım satımı, varlık fiyatları, saklama hizmetleri ve kurumsal katılımla yakından bağlantılı Coinbase gibi şirketler için avantaj sağlıyor.
Bu nedenle Coinbase gibi kripto para borsalarına ve teknoloji platformlarına yatırım yapmak, yatırımcıların belirli tokenları keyfî biçimde seçmesine gerek kalmadan kripto piyasasının genel seyrine erişmesini sağlayabilir.
Ancak bu, Coinbase’in halka açık hisselerine yatırım yapanlara doğrudan kripto yatırımlarının sağlayabileceği türden potansiyel getirileri (ve riskleri) sunacağı anlamına gelmiyor. Aksine bu, kripto piyasası altyapısına yapılan bir yatırım; Coinbase, 30 Haziran 2026 itibarıyla platformunda 246 milyar dolarlık varlık bulunduğunu bildiriyor.
Şirketin ana uygulaması ve kripto para borsasının yanı sıra bugün sunduğu tamamlayıcı hizmetler de var:
- Coinbase One, işlem ücreti alınmaması, artırılmış staking ödülleri ve kripto vergi hesaplayıcısı ile kripto araştırması gibi iş ortağı fırsatları sunan premium bir üyelik hizmetidir.
- Coinbase Advanced, profesyonel kripto para yatırımcılarına yöneliktir.
- Coinbase Wallet, kripto paraları borsalar dışında ve NFT’leri kişinin kendi kontrolünde saklamaya yarar.
- Coinbase Earn, kripto para sahiplerinin ağdan faiz geliri elde etmek için kripto varlıklarını kilitleyebildiği bir staking hizmetidir. Coinbase müşterileri 2023’te 230 milyon dolar kazandı.
- Coinbase Card, kripto para kullanarak alışveriş yapmaya yarayan bir Visa banka kartıdır. USD ile ödeme yapıldığında Bitcoin olarak %1, ETH ile ödeme yapıldığında ise USDC olarak %1,5 iade sunar. Kart, Visa banka kartlarının kabul edildiği her yerde geçerlidir.
- USD Coin (USDC), değeri ABD dolarına eşit olan dijital bir stablecoin’dir ve bir “dijital dolar” oluşturmayı amaçlamaktadır.
Yapay zekâ da dâhil olmak üzere daha gelişmiş araçlar geliştirildikçe mevcut kripto altyapısını tamamlayacaklar. Artık daha olgun ve baskın bir platform olan Coinbase; Bitcoin ETF’leri, stablecoin’ler ve hisse senetlerinin tokenlaştırılması gibi eğilimler sayesinde kriptonun giderek yaygınlaşmasından yararlanmak için güçlü bir konumda.
(Coinbase’in geçmişi, sunduğu hizmetler ve yatırım potansiyeli hakkında daha fazla bilgiyi şirkete ilişkin özel raporumuzda bulabilirsiniz.)
Coinbase (COIN) Hisselerine İlişkin Son Haberler ve Gelişmeler
Atıfta Bulunulan Çalışma
1. Yann Thorens ve diğerleri. Dijital varlık değerlendirmelerinde LLM uygulaması: karma yöntemli araştırma. Knowledge and Information Systems. 17 Ekim 2026. https://doi.org/10.1007/s10115-026-02910-2
