علوم داده و فناوری blockchain برای یکدیگر ساخته شده اند. اما فقط چند و چه نوع برنامه های دنیای واقعی در آنجا وجود دارد؟

B Lockchain Technology امروزه یک موضوع داغ است ، به خصوص با رونق اخیر در امور مالی غیر متمرکز ، رشد نمایی بیت کوین و سایر ارزهای رمزنگاری شده و شوق NFT. از دیدگاه دانشمند داده ، blockchains همچنین منبع مهیج از داده های با کیفیت بالا است که می تواند برای مقابله با طیف گسترده ای از مشکلات جالب با استفاده از آمار و یادگیری ماشین استفاده شود. اما این مشکلات دقیقاً چیست و آیا تقاضای کافی برای دانشمندان داده در صنعت blockchain برای ایجاد حرفه ای وجود دارد؟این مقاله تلاشی برای پاسخ به این سؤالات با ارائه یک مرور کلی بدون اعتیاد به وضعیت فعلی و روندهای ظهور در تقاطع بین علم داده و فناوری blockchain است.

سلب مسئولیت: من نه به آن وابسته هستم و هیچ یک از شرکتهای ذکر شده در اینجا را تأیید نمی کنم. این شرکت ها و محصولات آنها فقط برای اهداف مصور ذکر شده است.

اولین چیزها - اصطلاحات

هیچ تعریف جهانی پذیرفته شده از اصطلاح "علم داده" وجود ندارد. در اینجا من به تعریف مورد علاقه خود که توسط Cassie Kozyrkov (رئیس اطلاعات تصمیم گیری در Google) تدوین شده است ، می پردازم:

"علم داده ، رشته مفید ساختن داده ها است."

این یک تعریف همه جانبه است ، بنابراین می توان یک تقسیم دقیق تر از روش های علم داده را انجام داد. Kozyrkov (2018) طبقه بندی زیر برنامه های علوم داده را با توجه به تعداد تصمیماتی که آنها انجام می دهند پیشنهاد داد:

داده کاوی / تجزیه و تحلیل توصیفی-تجزیه و تحلیل اکتشافی برای شناسایی الگوهای جالب ، قبلاً ناشناخته در داده ها و تدوین فرضیه هایی در مورد فرآیند اساسی (-E) که باعث ایجاد این الگوهای شده است. در اینجا هنوز تصمیمی اتخاذ نشده است - ما فقط "در جستجوی الهام" در مجموعه داده های موجود هستیم.
استنباط آماری-نتیجه گیری یک یا چند نتیجه گیری در مورد ریسک در مورد جهان که فراتر از مجموعه داده های تحلیل شده تعمیم می یابد.
یادگیری ماشین / هوش مصنوعی-ساختمان "دستور العمل های تصمیم گیری" که می تواند (دوباره) برای تصمیم گیری های بسیاری به روش خودکار استفاده شود.

اگرچه تفاوت بین این نوع پروژه های علوم داده همیشه کاملاً واضح نیست ، اما اجازه دهید این طبقه بندی را به عنوان کافی برای اهداف خود بپذیریم.

"یک blockchain لیست رو به رشد سوابق به نام بلوک است که با استفاده از رمزنگاری در ارتباط هستند."

blockchains به عنوان پایگاه داده های غیرمتمرکز ، توزیع شده و فقط نوشتن که در شبکه های رایانه ای همتا به همتا اجرا می شوند ، پیاده سازی می شوند. به طور سنتی ، از blockchains به عنوان رهبر برای نگه داشتن سوابق معاملات رمزنگاری (به عنوان مثال ، بیت کوین ، اتریوم ، داش و غیره) استفاده شده است. با این حال ، امروزه این فناوری بسیاری از موارد استفاده دیگر را بدست می آورد.

معاملات در blockchain ها بین دو یا چند آدرس انجام می شود - رشته های الفبایی که به عنوان نام مستعار کاربر خدمت می کنند و مشابه آدرس های ایمیل عمل می کنند. یک شخص واقعی ، کاربر blockchain ، می تواند چندین آدرس داشته باشد. علاوه بر این ، برخی از blockchains (به عنوان مثال ، بیت کوین) کاربران خود را ترغیب می کنند تا آدرس های جدیدی را برای معاملات جدید ایجاد کنند تا سطح بالایی از ناشناس بودن را حفظ کنند.

سوابق بومی تولید شده در یک blockchain به داده های زنجیره ای گفته می شود. در طول تجزیه و تحلیل آنها ، چنین سوابق غالباً با داده های خارج از زنجیره ای غنی می شوند که می توانند از هر منبع خارجی سرچشمه بگیرند (به عنوان مثال ، اسامی اشخاصی که دارای آدرس های خاص blockchain هستند ، گاهی اوقات می توانند از انجمن ها و وب سایت های عمومی جمع آوری شوند).

مشابه چن و همکاران.(2020) ، ما برنامه های علوم داده مربوط به blockchain را به دو نوع تقسیم خواهیم کرد-"برای blockchain" و "در blockchain". برنامه های کاربردی از نوع اول با داده های زنجیره ای و احتمالاً خارج از زنجیره کاری مفید هستند ، اما لزوماً در زیرساخت های blockchain مستقر نیستند (به عنوان مثال ، یک داشبورد مبتنی بر داده های زنجیره ای که در زیرساخت های ارائه دهنده ابر مستقر شده است. برنامه های کاربردی از نوع دوم بخشی از خود blockchain است.

برنامه های "در blockchain" می توانند به عنوان قراردادهای هوشمند مستقر شوند. به عبارت ساده ، یک قرارداد هوشمند یک قطعه کد است که در آدرس خود ساکن است و در پاسخ به ماشه (های) خاص قرارداد ، منطق از پیش تعریف شده خاصی را اجرا می کند. قراردادهای هوشمند را می توان به زبان های مختلف برنامه نویسی ، اعم از اهداف عمومی و تخصصی مانند استحکام یا ویپر نوشت.

علوم داده و فناوری blockchain برای یکدیگر ساخته شده اند

برخلاف منابع داده سنتی (به عنوان مثال ، بانکهای اطلاعاتی شرکتهای کنترل شده مرکزی) ، blockchains با طراحی مزایای مختلفی را ارائه می دهد که برای برنامه های علوم داده مهم هستند:

کیفیت داده بالا: تمام رکوردهای جدید از طریق یک فرآیند اعتبار سنجی دقیق و ویژه بلاک چین انجام می شود که توسط یکی از بسیاری از "مکانیسم های اجماع" پشتیبانی می شود. پس از تایید و تایید، این سوابق تغییر ناپذیر می شوند - هیچ کس نمی تواند آنها را برای هیچ هدفی، خوب یا مخرب تغییر دهد. داده های بلاک چین معمولاً ساختار خوبی دارند و طرحواره های آنها به خوبی مستند شده است. این امر زندگی یک دانشمند داده را که با چنین داده هایی کار می کند بسیار آسان تر و قابل پیش بینی تر می کند.
قابلیت ردیابی: سوابق بلاک چین شامل تمام اطلاعات لازم برای ردیابی منشاء و زمینه آنها است، به عنوان مثال آدرسی که تراکنش را آغاز کرده است، زمان وقوع آن، مقدار دارایی منتقل شده و آدرسی که آن دارایی را دریافت کرده است. علاوه بر این، بیشتر بلاک چین‌های عمومی دارای «کاوشگر» هستند - وب‌سایت‌هایی که هر کسی می‌تواند هر رکوردی را که تا به حال در بلاکچین مربوطه ایجاد شده است بررسی کند (برای مثال به کاوشگران بیت‌کوین، اتریوم و ریپل مراجعه کنید).
ناشناس بودن داخلی: بلاک چین ها به کاربران خود نیازی به ارائه هیچ گونه اطلاعات شخصی ندارند، که در دنیایی که حفظ حریم خصوصی افراد به یک مسئله واقعی تبدیل شده است، مهم است. از دیدگاه یک دانشمند داده، این به غلبه بر سردردهای مرتبط با برخی از مقررات (به عنوان مثال، GDPR در اروپا) کمک می کند که قبل از پردازش، داده های شخصی ناشناس شوند.
حجم داده های بزرگ: بسیاری از الگوریتم های یادگیری ماشینی به مقادیر زیادی داده برای آموزش مدل ها نیاز دارند. این مشکل در بلاک چین های بالغ که گیگابایت داده ارائه می کنند نیست.

جمع‌آوری داده‌ها از بلاک چین دشوار است، اما گزینه‌هایی وجود دارد

جمع آوری داده های مرتبط با مشکل مورد نظر اولین مانعی است که دانشمندان داده در پروژه های مرتبط با بلاکچین خود با آن مواجه خواهند شد. بررسی سوابق بلاک چین فردی با استفاده از وب سایت های کاوشگر فوق الذکر آسان است. با این حال، جمع‌آوری مجموعه داده‌های بزرگ‌تر مناسب برای اهداف علم داده می‌تواند یک کار دلهره‌آور باشد که ممکن است به مهارت‌ها، نرم‌افزار و منابع مالی تخصصی نیاز داشته باشد. سه گزینه اصلی وجود دارد که می توان در نظر گرفت.

گزینه 1 - از مجموعه داده هایی که قبلاً توسط شخص دیگری تهیه شده است استفاده کنید

به عنوان بخشی از برنامه داده های عمومی BigQuery ، Google Cloud تاریخچه معاملات کامل را برای بیت کوین ، بیت کوین پول نقد ، داش ، Dogecoin ، Ethereum ، Ethereum Classic ، Litecoin و ZCash فراهم می کند. این مجموعه داده ها را می توان به راحتی با استفاده از SQL پرسید و نتایج را می توان برای تجزیه و تحلیل بیشتر و مدل سازی صادر کرد. به راحتی ، بیشتر این مجموعه داده ها از همان طرح استفاده می کنند و استفاده مجدد از سؤالات SQL را آسان تر می کنند. پست های Evgeny Medvedev را در اینجا برای آموزش مشاهده کنید.

همچنین مجموعه داده های blockchain استاتیک وجود دارد که می توان از آنها برای اهداف تحقیق و توسعه استفاده کرد. در اینجا فقط چند مثال آورده شده است:

مجموعه داده های Medalla در BigQuery توسط شرکت Nansen. ai به عنوان بخشی از Data Data Challenge Medalla در سال 2020 توسط بنیاد Ethereum اجرا شد. این مجموعه داده شامل متغیرهایی است که بلوک ها و اعتبار سنج های بلوک را در زنجیره چراغ اتریوم توصیف می کند.
مجموعه داده Cryptokitties ، که حاوی ویژگی های هزاران "گربه دیجیتال" از بازی معروف مبتنی بر اتریوم است. مورد استفاده رید و هریگان (2012) و FAM و لی (2017a ، 2017b) برای تشخیص معاملات غیر عادی در blockchain بیت کوین.

گزینه 2-از ابزار API یا ETL مخصوص blockchain استفاده کنید

مجموعه داده های عمومی BigQuery پروژه های اصلی blockchain را پوشش می دهد ، اما اگر blockchain مورد علاقه در بین آنها نباشد ، چه می شود؟خبر خوب این است که در اصل همه blockchains یک روش برنامه ای برای تعامل با شبکه های خود از طریق API های مربوطه و/یا WebSocket مربوطه می دهند. به عنوان مثال ، API را برای پرس و جو بیت کوین ، اتریوم ، EOS ، NEM ، NEO ، NXT ، Ripple ، Stellar ، Tezos ، Tron ، Zilliqa مشاهده کنید.

خوشبختانه ، اغلب کتابخانه های مشتری مناسب وجود دارد که پیچیدگی های API های خاص را از بین می برد و به دانشمندان داده اجازه می دهد تا با زبانهای مورد نظر خود کار کنند - پایتون یا R. نمونه هایی از چنین کتابخانه هایی برای پایتون شامل بیت کوین (بیت کوین) ، ترینیتی و Web3. Py (Ethereum) ، blockcypher (بیت کوین ، litecoin ، dogecoin ، dash) ، tronpy (tron) ، litecoin-utils (litecoin) ، و غیره. نمونه هایی از بسته های R کمتر است اما وجود دارد: rbitcoin (بیت کوین) ، اتر (اتریوم) ، Tronr (Tronr (Tronr (Tronr (Tronr). tron).

معرفی tronr، یک بسته R برای کشف بلاک چین TRON

همه چیزهایی که برای پرس و جو از موجودی حساب، تراکنش ها، نقل و انتقالات توکن و موارد دیگر نیاز دارید.

علاوه بر APIها، می‌توان از ابزارهای اختصاصی ETL نیز برای جمع‌آوری داده‌ها از زنجیره‌های بلوکی استفاده کرد. یکی از پروژه های منبع باز برجسته در این فضا "Blockchain ETL" است، مجموعه ای از اسکریپت های پایتون که توسط Nansen. ai توسعه یافته است. در واقع، اینها همان اسکریپت هایی هستند که داده ها را به مجموعه داده های عمومی BigQuery فوق الذکر تغذیه می کنند.

اگرچه APIهای بلاک چین بومی و برنامه‌های ETL منبع باز به دانشمندان داده انعطاف‌پذیری زیادی می‌دهند، استفاده از آنها در عمل ممکن است به تلاش‌های بیشتر و مهارت‌های مهندسی داده نیاز داشته باشد: راه‌اندازی و نگهداری یک گره بلاک چین محلی یا مبتنی بر ابر، یک محیط زمان اجرا برای اجرای اسکریپت‌ها.، یک پایگاه داده برای ذخیره داده های بازیابی شده و غیره. الزامات زیرساختی مرتبط نیز ممکن است هزینه های قابل توجهی را متحمل شوند.

گزینه 3 - از راه حل های تجاری استفاده کنید

برای صرفه‌جویی در زمان، تلاش و هزینه‌های مرتبط با زیرساخت، می‌توان راه‌حل‌های تجاری برای جمع‌آوری داده‌های بلاک چین را نیز انتخاب کرد. چنین ابزارهایی معمولاً داده‌ها را از طریق یک API یا یک رابط دارای SQL با استفاده از طرحی که در چندین بلاک چین یکپارچه است ارائه می‌کنند (برای مثال به Anyblock Analytics، Bitquery، BlockCypher، Coin Metrics، Crypto APIs، Dune Analytics، Flipside Crypto را ببینید). این امر تجزیه و تحلیل‌های مقایسه‌ای مختلف را تسهیل می‌کند و حداقل در تئوری، توسعه برنامه‌های علم داده را امکان‌پذیر می‌سازد که در سراسر زنجیره‌های بلوکی قابل همکاری باشند.

ما در عصر تجزیه و تحلیل بلاک چین توصیفی زندگی می کنیم

بلاک چین هنوز یک فناوری جدید است و، مسلماً، ما تازه شروع به درک ارزش داده های ارائه شده توسط آن می کنیم. در این مرحله اولیه، بسیار مهم است که بتوانیم به طور کارآمد داده ها را جمع آوری، خلاصه و تجسم کنیم، یعنی انجام تجزیه و تحلیل توصیفی. جای تعجب نیست که اکثر موارد استفاده برای تجزیه و تحلیل توصیفی بلاک چین تاکنون حول محور ارزهای دیجیتال و انطباق با مقررات متمرکز شده است. ابزارهای تحقیقاتی متعددی برای کمک به کسب‌وکارهای ارزهای دیجیتال، مؤسسات مالی، تنظیم‌کننده‌ها و بخش‌های اجرای قانون با وظایف مشترک زیر ایجاد شده‌اند:

ردیابی و تجسم جریان‌های وجوه بین آدرس‌ها به‌منظور یافتن وجوه سرقت شده، کشف دستکاری‌های قیمت ارزهای دیجیتال، افشای هویت سارقان و جلوگیری از پولشویی؛
برچسب زدن آدرس های blockchain و پیوند دادن آنها به اشخاص دنیای واقعی (به عنوان مثال ، "بازارهای Darknet" ، "Ransomware" ، "کلاهبرداری" ، "استخرهای معدن" ، "برنامه های قمار" ، "مبادلات رمزنگاری" و غیره) ؛
هشدار در زمان واقعی در مورد وقایع زنجیره ای ، مانند معاملات مشکوک ، نقل و انتقالات بزرگ وجوه ، فعالیت در آدرسهای مجازات.
جستجوی cross-Blockchain با استفاده از یک طرح داده یکپارچه.
محاسبه و تجسم معیارهای زنجیره ای سفارشی.
انجام نمایش داده های داده های سفارشی.

یادگیری ماشین و blockchains: بسیاری از مطالعات دانشگاهی ، نه چندان پیاده سازی در دنیای واقعی

بدنه بزرگی از مطالعات دانشگاهی وجود دارد که از یادگیری ماشین برای مقابله با مشکلات مختلف مربوط به blockchain استفاده می کند. در مقاله جامع خود ، لیو و همکاران.(2021) این مشکلات را در سه موضوع زیر طبقه بندی کنید (همچنین برای بحث مشابه به چن و همکاران 2020 مراجعه کنید).

پیش بینی قیمت cryptocurrency-این موضوع تاکنون محبوب ترین مورد است که با توجه به علاقه روزافزون به ارزهای رمزنگاری شده در بین سرمایه گذاران خرده فروشی و نهادی ، تعجب آور نیست. اکثر مطالعات منتشر شده سعی در پیش بینی قیمت آینده بیت کوین یا اتریوم ، به صورت مطلق و یا به عنوان جهت قیمت (بالا یا پایین) داشتند. این کار با الگوریتم های اعم از رگرسیون لجستیک ساده گرفته تا روشهای XGBoost و مبتنی بر یادگیری عمیق انجام شده است (به عنوان مثال ، Greaves و AU 2015 ؛ Abay et al. 2019 ؛ Barry and Crane 2019 ؛ Chen et al. 2020). ورودی های مدل به طور معمول شامل ترکیبی از زنجیره ای (به عنوان مثال ، تعداد آدرس های فعال ، حجم معامله ، مشکل معدن ، معیارهای نمودار معامله) و متغیرهای خارج از زنجیره (به عنوان مثال ، حجم معاملات در صرافی ها) است. به طور کلی ، شبکه های عصبی (به ویژه ، آنهایی که دارای معماری مبتنی بر LSTM هستند) از الگوریتم های مبتنی بر درخت بهتر عمل می کنند ، اگرچه دقت پیش بینی حتی در مدل های بهترین عملکرد فقط حاشیه ای بالاتر از یک حدس تصادفی بود.
استنتاج هویت آدرس - با طراحی، هویت صاحبان آدرس بلاک چین معمولاً ناشناخته است. با این حال، توانایی دسته‌بندی برخی آدرس‌ها در گروه‌های از پیش تعریف‌شده یا، بهتر از آن، پیوند دادن آنها به موجودیت‌های دنیای واقعی، می‌تواند ارزش زیادی داشته باشد. این امر به ویژه برای آدرس‌هایی که در فعالیت‌های غیرقانونی مانند پولشویی، توزیع مواد مخدر، باج‌افزار، طرح‌های پونزی، قاچاق انسان و حتی تامین مالی تروریسم دخیل هستند، صادق است. مشکل طبقه‌بندی آدرس با یادگیری نظارت شده در چندین مطالعه که یا طبقه‌بندی‌کننده‌های باینری (مانند «غیر قانونی در مقابل قانونی» مانند مقاله فوق‌الذکر توسط وبر و همکاران 2019) یا طبقه‌بندی‌کننده‌های چند کلاسه (مانند «مبادله») را توسعه داده‌اند، با موفقیت حل شده است. آدرس‌های «استخر»، «قمار» و «خدمت» مانند لیانگ و همکاران 2019؛ همچنین نگاه کنید به هارلو و همکاران 2018، یین و همکاران 2019؛ میچالسکی و همکاران 2020). مدل‌های مربوطه با استفاده از داده‌های روی زنجیره و انواع الگوریتم‌های یادگیری ماشین استاندارد توسعه یافته‌اند. جالب توجه است که برخلاف مطالعات پیش‌بینی قیمت ارزهای دیجیتال، روش‌های مبتنی بر درخت (به ویژه جنگل تصادفی) اغلب از الگوریتم‌های مبتنی بر یادگیری عمیق بهتر عمل می‌کنند (لیو و همکاران 2021).
تشخیص ناهنجاری - بلاک‌چین‌ها می‌توانند در معرض انواع مختلفی از حملات مخرب و رفتارهای متقلبانه باشند (مانند Moubarak et al. 2018; Rahouti et al. 2018)، که به طور بالقوه می‌توانند با تجزیه و تحلیل الگوهای تراکنش شناسایی شوند. از آنجایی که تعداد تراکنش‌های غیرعادی به طور طبیعی کم است، این مشکل با قوانین مشتق‌شده تجربی یا روش‌های یادگیری ماشین بدون نظارت، مانند خوشه‌بندی k-means، SVM یک کلاس، برچسب‌گذاری مبتنی بر فاصله Mahalanobis و جنگل جداسازی (به عنوان مثال،Camino و همکاران 2017؛ فام و لی 2017a، 2017b). لیو و همکاران(2021) نتیجه گرفتند که بیشتر این مطالعات از یادآوری کم رنج می بردند، بنابراین نیاز به تحقیقات بیشتر را تضمین می کند. در همان زمان، تان و همکاران.(2019) یک طبقه‌بندی‌کننده باینری مبتنی بر LSTM بسیار دقیق برای شناسایی آسیب‌پذیری‌های کد در قراردادهای هوشمند ساخته‌اند.

علاوه بر موارد استفاده ای که در بالا توضیح داده شد ، بسیاری از محققان سیستم عامل های blockchain با یادگیری ماشین آلات را با هدف بهبود سیستم های مدیریت سلامت الکترونیکی موجود ، ارائه داده اند و امکان ردیابی بهتر در زنجیره های تأمین ، افزایش امنیت در شبکه های اینترنت اشیاء را دارند. و غیره (صلاح و همکاران 2018 ؛ چن و همکاران 2020). چندین مقاله همچنین سیستم عامل ها و پروتکل های مبتنی بر blockchain را برای آموزش جمعی و انتشار مدل های یادگیری ماشین ارائه داده اند (به عنوان مثال ، "Dinemmo" توسط Marathe و همکاران 2018 ، "پروتکل Danku" توسط Kurtumlus و Daniel 2018 ، و "AI غیر متمرکز و همکاریblockchain "توسط هریس و واگنر 2019).

علیرغم نمونه های بیشماری از سیستم های blockchain یادگیری ماشین آزمایشی که در ادبیات دانشگاهی دیده می شود ، اجرای عملی چنین سیستمهایی هنوز نادر است. دلایل زیادی برای این امر وجود دارد ، هم مربوط به داده ها و هم زیرساخت ها (صلاح و همکاران 2018). به عنوان مثال ، نامگذاری آدرس های blockchain با استفاده از یادگیری تحت نظارت نیاز به مجموعه داده های آموزشی به اندازه کافی بزرگ دارد. با این حال ، برچسب های با کیفیت بالا معمولاً فقط برای بخش کوچکی از آدرس ها در دسترس هستند ، که مانع استفاده از یادگیری تحت نظارت می شود (اما برای بحث در مورد راه حل های احتمالی ، Rodriguez 2019 را ببینید).

بسیاری از الگوریتم های یادگیری ماشین به طور بالقوه می توانند به لطف فرمت های متداول متن ساده PMML ، PFA و ONNX ، از طریق قراردادهای هوشمند در blockchains مستقر شوند (Wang 2018). با این حال ، استفاده از برخی از الگوریتم های پیچیده تر ، مانند یک شبکه عصبی عمیق مبتنی بر جریان تانسور که در GPU ها آموزش دیده است ، هنوز یک کار غیر مهم است.

همچنین می تواند استقرار و استفاده از مدل های یادگیری ماشین در blockchain ها به دلیل پهنای باند کم و هزینه بالای معاملات ، عدم استانداردهای فنی و پروتکل های قابلیت همکاری و نیاز به تأمین کنندگان قابل اعتماد داده های خارجی (A. K. A. "Oracles") دشوار باشد. قراردادهای هوشمند با یادگیری ماشین را مفیدتر کنید (صلاح و همکاران 2018).

با این وجود ، تعدادی از شرکت ها ، از جمله الگوریتم ، anchain. ai ، bitfury ، fetch. ai ، ibm ، intotheblock ، singularitynet و دیگران ادعا می کنند که آنها در محصولات blockchain خود از یادگیری ماشین استفاده می کنند. بدون شک ، ما در آینده نزدیک شاهد چنین شرکت ها و محصولات بیشتری خواهیم بود. از جمله تحولات دیگر ، این رشد با روشهای ساده تر برای "باهوش تر" قراردادهای هوشمند با سیگنال های خارج از زنجیره ارائه شده توسط Oracles تسهیل می شود-ChainLink و Prustable در حال حاضر راه حل های مربوطه را ارائه می دهند.

نتیجه گیری: اگر می خواهید یک دانشمند داده blockchain شوید ، اکنون زمان مناسب است

فناوری blockchain پتانسیل تغییر بسیاری از صنایع و فرآیندهای تجاری را دارد. در مقاله اخیر خود ، شورای فناوری Forbes 13 مورد در حال تحول و نوظهور برای استفاده از blockchain ، از جمله مدیریت حقوق برای هنرمندان ، ادغام داده های متقابل صنعت ، امور مالی غیر متمرکز ، مدیریت زنجیره تأمین ، تأیید هویت کاربر و مدیریت رمز عبور ، سوابق بهداشت الکترونیکی و غیره را شناسایی کرده است. همه این تحولات به ارتش متخصصان نیاز دارد که قادر به "مفید کردن داده ها" باشند ، یعنی دانشمندان داده. دامنه مشکلات علوم داده های جالب و حل نشده blockchain بسیار زیاد است. علاوه بر این ، بسیاری از این مشکلات هنوز تدوین نشده اند. بنابراین ، اگر به فکر ورود به دنیای هیجان انگیز blockchain به عنوان یک دانشمند داده هستید ، زمان بندی نمی تواند بهتر باشد. بسیاری از شرکت های ذکر شده در این مقاله در حال حاضر موقعیت های باز برای دانشمندان داده دارند - بخش های "مشاغل" را در وب سایت های خود بررسی کنید!

:: بازدید از این مطلب : 55

امتیاز مطلب : 0

تعداد امتیازدهندگان : 0

مجموع امتیاز : 0