Звіт про панораму Web3-AI: технічна логіка, сценарні застосування та глибокий аналіз провідних проектів
З ростом інтересу до AI-оповідей все більше уваги зосереджується на цьому напрямку. Проведено глибокий аналіз технологічної логіки, застосункових сценаріїв та представницьких проєктів у сегменті Web3-AI, щоб повноцінно представити панораму та тенденції розвитку цієї області.
Один, Web3-AI: аналіз технічної логіки та нових ринкових можливостей
1.1 Логіка інтеграції Web3 та ШІ: як визначити сектор Web-AI
Протягом минулого року AI наратив у Web3 індустрії був надзвичайно популярним, проекти з AI з'являлися як гриби після дощу. Хоча багато проектів пов'язані з технологією AI, деякі проекти використовують AI лише в окремих частинах своїх продуктів, а базова токеноміка не має суттєвого зв'язку з продуктами AI, тому такі проекти не входять до обговорення Web3-AI проектів у цій статті.
Основна увага статті зосереджена на використанні блокчейну для вирішення проблем виробничих відносин, а штучного інтелекту для вирішення проблем продуктивності. Ці проекти самі по собі пропонують продукти на базі AI, одночасно спираючись на економічну модель Web3 як інструмент виробничих відносин, що взаємодоповнюють одне одного. Ми відносимо такі проекти до сегменту Web3-AI. Щоб читачі краще зрозуміли сегмент Web3-AI, буде детально представлено процес розробки AI та виклики, а також як поєднання Web3 та AI ідеально вирішує проблеми та створює нові сценарії застосування.
1.2 Розробка та виклики AI: від збору даних до моделювання висновків
Технологія штучного інтелекту є технологією, яка дозволяє комп'ютерам імітувати, розширювати та посилювати людський інтелект. Вона дозволяє комп'ютерам виконувати різноманітні складні завдання, від перекладу мов, класифікації зображень до розпізнавання облич, автономного водіння та інших застосувань, штучний інтелект змінює спосіб, яким ми живемо та працюємо.
Розробка моделей штучного інтелекту зазвичай включає в себе кілька ключових етапів: збір даних та попередня обробка даних, вибір моделі та її налаштування, навчання моделі та інференція. Наведемо простий приклад, розробка моделі для класифікації зображень котів і собак вимагатиме від вас:
Збір даних та попередня обробка даних: зібрати набір зображень, що містять котів і собак, можна використовувати відкриті набори даних або самостійно збирати реальні дані. Потім для кожного зображення позначити категорію (кіт або собака), забезпечивши точність міток. Перетворити зображення в формат, який може розпізнати модель, розділити набір даних на навчальний, валідаційний та тестовий набори.
Вибір і налаштування моделі: вибір відповідної моделі, наприклад, згорткової нейронної мережі (CNN), яка найбільше підходить для завдань класифікації зображень. Налаштування параметрів або архітектури моделі відповідно до різних вимог, зазвичай, рівні мережі моделі можна налаштувати відповідно до складності AI завдання. У цьому простому прикладі класифікації більш поверхневі рівні мережі можуть бути достатніми.
Навчання моделі: можна використовувати GPU, TPU або високопродуктивні обчислювальні кластери для навчання моделі, час навчання залежить від складності моделі та обчислювальної потужності.
Модельне висновування: файл, який містить навчену модель, зазвичай називається вагами моделі, а процес висновування - це використання вже навченого моделі для прогнозування або класифікації нових даних. У цьому процесі можна використовувати тестовий набір або нові дані для перевірки ефективності класифікації моделі, зазвичай оцінюючи її ефективність за такими показниками, як точність, повнота, F1-score тощо.
Як показано на малюнку, після збору даних та попередньої обробки даних, вибору та налаштування моделі, а також навчання, модель, що пройшла навчання, буде використовуватися для проведення інференції на тестовому наборі, що дасть прогнози для котів та собак P (імовірність), тобто ймовірність того, що модель вважає об'єкт котом або собакою.
Навчена AI модель може бути інтегрована в різні програми для виконання різних завдань. У цьому прикладі AI модель для класифікації котів і собак може бути інтегрована в мобільний додаток, де користувачі завантажують зображення кота або собаки і отримують результати класифікації.
Однак, централізований процес розробки ШІ має деякі проблеми в наступних сценаріях:
Приватність користувачів: у централізованих сценаріях процес розробки ШІ зазвичай є непрозорим. Дані користувачів можуть бути викрадені без їх відома та використані для навчання ШІ.
Отримання джерела даних: невеликі команди або особи, які отримують дані в певній області (наприклад, медичні дані), можуть стикатися з обмеженнями на відкритість даних.
Вибір та налаштування моделей: для невеликих команд важко отримати ресурси моделей у конкретних галузях або витратити великі кошти на налаштування моделей.
Отримання обчислювальної потужності: для індивідуальних розробників та малих команд висока вартість покупки GPU та витрати на оренду хмарної обчислювальної потужності можуть становити значний економічний тягар.
AI активи доходу: працівники з розмітки даних часто не можуть отримати доходи, які відповідають їхнім витратам, а результати досліджень розробників AI також важко співвіднести з покупцями, які мають попит.
Виклики, що існують в централізованих AI-сценаріях, можуть бути подолані шляхом поєднання з Web3, який, будучи новою формою виробничих відносин, природно адаптується до AI, що представляє нові виробничі сили, тим самим сприяючи одночасному прогресу технологій та виробничих можливостей.
1.3 Співпраця Web3 та AI: зміна ролей і інноваційні застосування
Поєднання Web3 та ШІ може підсилити суверенітет користувачів, надаючи їм відкриту платформу для співпраці з ШІ, що дозволяє користувачам перейти від використання ШІ в епоху Web2 до участі у його створенні, створюючи ШІ, яким можуть володіти всі. Водночас інтеграція світу Web3 та технологій ШІ також може призвести до появи більшої кількості інноваційних застосунків та ігор.
На основі технології Web3 розробка та застосування ШІ вступлять у нову еру співпраці в економічній системі. Приватність даних людей буде захищена, модель краудсорсингу даних сприятиме розвитку моделей ШІ, безліч відкритих ресурсів ШІ буде доступна для користувачів, а спільна обчислювальна потужність може бути отримана за нижчою ціною. Завдяки децентралізованій механіці краудсорсингу та відкритому ринку ШІ можливо реалізувати справедливу систему розподілу доходів, що стимулюватиме більше людей до розвитку технологій ШІ.
У сцені Web3 штучний інтелект може мати позитивний вплив у кількох сферах. Наприклад, моделі ШІ можуть бути інтегровані у смарт-контракти для підвищення ефективності роботи в різних застосунках, таких як ринковий аналіз, безпекова перевірка, соціальна класифікація та багато інших функцій. Генеративний ШІ не лише дозволяє користувачам відчути себе "художниками", наприклад, створюючи свої власні NFT за допомогою технологій ШІ, але й може створювати різноманітні ігрові сцени та цікаві інтерактивні досвіди в GameFi. Різноманітна інфраструктура забезпечує безперебійну розробку, не залежно від того, чи є ви експертом у ШІ, чи новачком, який хоче увійти в цю область, у цьому світі кожен може знайти відповідний вхід.
Два, аналіз екосистеми Web3-AI та архітектури проекту
Ми в основному досліджували 41 проект в сфері Web3-AI та розділили ці проекти на різні рівні. Логіка розподілу кожного рівня показана на наступному малюнку і включає рівень інфраструктури, середній рівень та рівень застосувань, кожен з яких поділяється на різні сегменти. У наступному розділі ми проведемо глибокий аналіз деяких представницьких проектів.
Інфраструктурний рівень охоплює обчислювальні ресурси та технологічну архітектуру, які підтримують весь життєвий цикл AI, тоді як середній рівень включає управління даними, розробку моделей та послуги верифікації та висновків, які з'єднують інфраструктуру з додатками. Застосунковий рівень зосереджується на різних додатках та рішеннях, які безпосередньо орієнтовані на користувача.
Інфраструктурний рівень:
Інфраструктурний рівень є основою життєвого циклу ШІ, у цій статті обчислювальну потужність, AI Chain та розробницьку платформу класифікують як інфраструктурний рівень. Саме завдяки підтримці цих інфраструктур можливе навчання та інференція моделей ШІ, а також надання потужних і практичних застосунків ШІ користувачам.
Децентралізована обчислювальна мережа: може забезпечити розподілену обчислювальну потужність для тренування AI моделей, забезпечуючи ефективне та економічне використання обчислювальних ресурсів. Деякі проекти пропонують децентралізований ринок обчислювальної потужності, де користувачі можуть орендувати потужність за низькою ціною або ділитися потужністю для отримання прибутку, прикладом таких проектів є IO.NET та Hyperbolic. Крім того, деякі проекти отримали нові способи використання, такі як Compute Labs, які запропонували токенізований протокол, де користувачі, купуючи NFT, що представляють фізичні GPU, можуть брати участь в оренді потужності різними способами для отримання прибутку.
AI Chain: Використовуючи блокчейн як основу для життєвого циклу AI, реалізуючи безшовну взаємодію AI ресурсів на ланцюгу та поза ним, сприяючи розвитку екосистеми галузі. Децентралізований ринок AI на ланцюгу може торгувати AI активами, такими як дані, моделі, агенти тощо, та надавати рамки для розробки AI та супутні інструменти розробки, представлений проектом Sahara AI. AI Chain також може сприяти прогресу AI технологій у різних сферах, таких як Bittensor, що сприяє конкуренції підмереж різних типів AI через інноваційний механізм стимулювання підмереж.
Платформа для розробки: деякі проекти пропонують платформу для розробки AI-агентів, також можуть здійснювати торгівлю AI-агентами, такі як Fetch.ai та ChainML. Універсальні інструменти допомагають розробникам зручніше створювати, навчати та впроваджувати AI-моделі, представлений проект, такий як Nimble. Ця інфраструктура сприяє широкому використанню технології AI в екосистемі Web3.
Проміжний рівень:
Цей рівень стосується даних AI, моделей, а також інференції та валідації, використання технології Web3 може забезпечити вищу ефективність роботи.
Дані: Якість та кількість даних є ключовими факторами, які впливають на ефективність навчання моделей. У світі Web3, за допомогою краудсорсингових даних та співпраці в обробці даних, можна оптимізувати використання ресурсів та знизити витрати на дані. Користувачі можуть мати право власності на дані, продаючи свої дані за умовами захисту приватності, щоб уникнути крадіжки даних недобросовісними компаніями та отримання високого прибутку. Для замовників даних ці платформи пропонують широкий вибір та дуже низькі витрати. Представлені проекти, такі як Grass, використовують ширину каналу користувачів для збору веб-даних, xData збирає медіаінформацію через зручні плагіни для користувачів та підтримує можливість завантаження інформації про твіти.
Крім того, деякі платформи дозволяють експертам у галузі або звичайним користувачам виконувати завдання попередньої обробки даних, такі як позначення зображень, класифікація даних; ці завдання можуть вимагати професійних знань для обробки фінансових та юридичних даних. Користувачі можуть токенізувати свої навички, реалізуючи колабораційний краудсорсинг для попередньої обробки даних. Представник, як-от ринок AI Sahara AI, має різноманітні завдання з даними в різних сферах, що може охоплювати багато галузей даних; тоді як AIT Protocolt здійснює позначення даних за допомогою співпраці людини та машини.
Модель: У процесі розробки ШІ, про який згадувалося раніше, різні типи вимог потребують підбору відповідної моделі. Для завдань з обробки зображень часто використовують моделі, такі як CNN, GAN; для завдань з детекції об'єктів можна обрати серію Yolo; для текстових завдань поширеними є моделі RNN, Transformer та інші, звичайно, є також деякі специфічні або універсальні великі моделі. Моделі глибини, необхідні для завдань різної складності, також різні, іноді потрібно налаштувати модель.
Деякі проекти підтримують користувачів, які надають різні типи моделей або співпрацюють у навчанні моделей через краудсорсинг, наприклад, Sentient завдяки модульному дизайну дозволяє користувачам розміщувати надійні дані моделей на рівні зберігання, рівні розподілу для оптимізації моделей, інструменти розробки, запропоновані Sahara AI, вбудовані з передовими алгоритмами ШІ та обчислювальними фреймворками і мають можливість спільного навчання.
Висновок та верифікація: Модель після навчання генерує файли ваг моделі, які можна використовувати для прямої класифікації, прогнозування чи інших специфічних завдань, цей процес називається висновком. Процес висновку зазвичай супроводжується механізмом верифікації, щоб перевірити, чи правильно походить модель висновку, чи є шкідливі дії тощо. Висновок Web3 зазвичай може бути інтегровано в смарт-контракти, через виклик моделі для висновку, поширеними способами верифікації є технології ZKML, OPML та TEE. Представники проекту, такі як AI оракул на ланцюгу ORA (OAO), ввели OPML як верифікований шар для AI оракулів, на офіційному сайті ORA також згадується їхнє дослідження щодо ZKML та opp/ai (ZKML у поєднанні з OPML).
Рівень застосунків:
Цей рівень головним чином є програмами, які безпосередньо націлені на користувачів, поєднуючи ШІ з Web3, створюючи більше цікавих та інноваційних ігор. У цій статті основна увага приділяється проектам у кількох секторах: AIGC (контент, згенерований ШІ), AI-агенти та аналіз даних.
Ця сторінка може містити контент третіх осіб, який надається виключно в інформаційних цілях (не в якості запевнень/гарантій) і не повинен розглядатися як схвалення його поглядів компанією Gate, а також як фінансова або професійна консультація. Див. Застереження для отримання детальної інформації.
Панорама Web3-AI: глибокий аналіз злиття технологій, застосункових сценаріїв та представницьких проектів
Звіт про панораму Web3-AI: технічна логіка, сценарні застосування та глибокий аналіз провідних проектів
З ростом інтересу до AI-оповідей все більше уваги зосереджується на цьому напрямку. Проведено глибокий аналіз технологічної логіки, застосункових сценаріїв та представницьких проєктів у сегменті Web3-AI, щоб повноцінно представити панораму та тенденції розвитку цієї області.
Один, Web3-AI: аналіз технічної логіки та нових ринкових можливостей
1.1 Логіка інтеграції Web3 та ШІ: як визначити сектор Web-AI
Протягом минулого року AI наратив у Web3 індустрії був надзвичайно популярним, проекти з AI з'являлися як гриби після дощу. Хоча багато проектів пов'язані з технологією AI, деякі проекти використовують AI лише в окремих частинах своїх продуктів, а базова токеноміка не має суттєвого зв'язку з продуктами AI, тому такі проекти не входять до обговорення Web3-AI проектів у цій статті.
Основна увага статті зосереджена на використанні блокчейну для вирішення проблем виробничих відносин, а штучного інтелекту для вирішення проблем продуктивності. Ці проекти самі по собі пропонують продукти на базі AI, одночасно спираючись на економічну модель Web3 як інструмент виробничих відносин, що взаємодоповнюють одне одного. Ми відносимо такі проекти до сегменту Web3-AI. Щоб читачі краще зрозуміли сегмент Web3-AI, буде детально представлено процес розробки AI та виклики, а також як поєднання Web3 та AI ідеально вирішує проблеми та створює нові сценарії застосування.
1.2 Розробка та виклики AI: від збору даних до моделювання висновків
Технологія штучного інтелекту є технологією, яка дозволяє комп'ютерам імітувати, розширювати та посилювати людський інтелект. Вона дозволяє комп'ютерам виконувати різноманітні складні завдання, від перекладу мов, класифікації зображень до розпізнавання облич, автономного водіння та інших застосувань, штучний інтелект змінює спосіб, яким ми живемо та працюємо.
Розробка моделей штучного інтелекту зазвичай включає в себе кілька ключових етапів: збір даних та попередня обробка даних, вибір моделі та її налаштування, навчання моделі та інференція. Наведемо простий приклад, розробка моделі для класифікації зображень котів і собак вимагатиме від вас:
Збір даних та попередня обробка даних: зібрати набір зображень, що містять котів і собак, можна використовувати відкриті набори даних або самостійно збирати реальні дані. Потім для кожного зображення позначити категорію (кіт або собака), забезпечивши точність міток. Перетворити зображення в формат, який може розпізнати модель, розділити набір даних на навчальний, валідаційний та тестовий набори.
Вибір і налаштування моделі: вибір відповідної моделі, наприклад, згорткової нейронної мережі (CNN), яка найбільше підходить для завдань класифікації зображень. Налаштування параметрів або архітектури моделі відповідно до різних вимог, зазвичай, рівні мережі моделі можна налаштувати відповідно до складності AI завдання. У цьому простому прикладі класифікації більш поверхневі рівні мережі можуть бути достатніми.
Навчання моделі: можна використовувати GPU, TPU або високопродуктивні обчислювальні кластери для навчання моделі, час навчання залежить від складності моделі та обчислювальної потужності.
Модельне висновування: файл, який містить навчену модель, зазвичай називається вагами моделі, а процес висновування - це використання вже навченого моделі для прогнозування або класифікації нових даних. У цьому процесі можна використовувати тестовий набір або нові дані для перевірки ефективності класифікації моделі, зазвичай оцінюючи її ефективність за такими показниками, як точність, повнота, F1-score тощо.
Як показано на малюнку, після збору даних та попередньої обробки даних, вибору та налаштування моделі, а також навчання, модель, що пройшла навчання, буде використовуватися для проведення інференції на тестовому наборі, що дасть прогнози для котів та собак P (імовірність), тобто ймовірність того, що модель вважає об'єкт котом або собакою.
Навчена AI модель може бути інтегрована в різні програми для виконання різних завдань. У цьому прикладі AI модель для класифікації котів і собак може бути інтегрована в мобільний додаток, де користувачі завантажують зображення кота або собаки і отримують результати класифікації.
Однак, централізований процес розробки ШІ має деякі проблеми в наступних сценаріях:
Приватність користувачів: у централізованих сценаріях процес розробки ШІ зазвичай є непрозорим. Дані користувачів можуть бути викрадені без їх відома та використані для навчання ШІ.
Отримання джерела даних: невеликі команди або особи, які отримують дані в певній області (наприклад, медичні дані), можуть стикатися з обмеженнями на відкритість даних.
Вибір та налаштування моделей: для невеликих команд важко отримати ресурси моделей у конкретних галузях або витратити великі кошти на налаштування моделей.
Отримання обчислювальної потужності: для індивідуальних розробників та малих команд висока вартість покупки GPU та витрати на оренду хмарної обчислювальної потужності можуть становити значний економічний тягар.
AI активи доходу: працівники з розмітки даних часто не можуть отримати доходи, які відповідають їхнім витратам, а результати досліджень розробників AI також важко співвіднести з покупцями, які мають попит.
Виклики, що існують в централізованих AI-сценаріях, можуть бути подолані шляхом поєднання з Web3, який, будучи новою формою виробничих відносин, природно адаптується до AI, що представляє нові виробничі сили, тим самим сприяючи одночасному прогресу технологій та виробничих можливостей.
1.3 Співпраця Web3 та AI: зміна ролей і інноваційні застосування
Поєднання Web3 та ШІ може підсилити суверенітет користувачів, надаючи їм відкриту платформу для співпраці з ШІ, що дозволяє користувачам перейти від використання ШІ в епоху Web2 до участі у його створенні, створюючи ШІ, яким можуть володіти всі. Водночас інтеграція світу Web3 та технологій ШІ також може призвести до появи більшої кількості інноваційних застосунків та ігор.
На основі технології Web3 розробка та застосування ШІ вступлять у нову еру співпраці в економічній системі. Приватність даних людей буде захищена, модель краудсорсингу даних сприятиме розвитку моделей ШІ, безліч відкритих ресурсів ШІ буде доступна для користувачів, а спільна обчислювальна потужність може бути отримана за нижчою ціною. Завдяки децентралізованій механіці краудсорсингу та відкритому ринку ШІ можливо реалізувати справедливу систему розподілу доходів, що стимулюватиме більше людей до розвитку технологій ШІ.
У сцені Web3 штучний інтелект може мати позитивний вплив у кількох сферах. Наприклад, моделі ШІ можуть бути інтегровані у смарт-контракти для підвищення ефективності роботи в різних застосунках, таких як ринковий аналіз, безпекова перевірка, соціальна класифікація та багато інших функцій. Генеративний ШІ не лише дозволяє користувачам відчути себе "художниками", наприклад, створюючи свої власні NFT за допомогою технологій ШІ, але й може створювати різноманітні ігрові сцени та цікаві інтерактивні досвіди в GameFi. Різноманітна інфраструктура забезпечує безперебійну розробку, не залежно від того, чи є ви експертом у ШІ, чи новачком, який хоче увійти в цю область, у цьому світі кожен може знайти відповідний вхід.
Два, аналіз екосистеми Web3-AI та архітектури проекту
Ми в основному досліджували 41 проект в сфері Web3-AI та розділили ці проекти на різні рівні. Логіка розподілу кожного рівня показана на наступному малюнку і включає рівень інфраструктури, середній рівень та рівень застосувань, кожен з яких поділяється на різні сегменти. У наступному розділі ми проведемо глибокий аналіз деяких представницьких проектів.
Інфраструктурний рівень охоплює обчислювальні ресурси та технологічну архітектуру, які підтримують весь життєвий цикл AI, тоді як середній рівень включає управління даними, розробку моделей та послуги верифікації та висновків, які з'єднують інфраструктуру з додатками. Застосунковий рівень зосереджується на різних додатках та рішеннях, які безпосередньо орієнтовані на користувача.
Інфраструктурний рівень:
Інфраструктурний рівень є основою життєвого циклу ШІ, у цій статті обчислювальну потужність, AI Chain та розробницьку платформу класифікують як інфраструктурний рівень. Саме завдяки підтримці цих інфраструктур можливе навчання та інференція моделей ШІ, а також надання потужних і практичних застосунків ШІ користувачам.
Децентралізована обчислювальна мережа: може забезпечити розподілену обчислювальну потужність для тренування AI моделей, забезпечуючи ефективне та економічне використання обчислювальних ресурсів. Деякі проекти пропонують децентралізований ринок обчислювальної потужності, де користувачі можуть орендувати потужність за низькою ціною або ділитися потужністю для отримання прибутку, прикладом таких проектів є IO.NET та Hyperbolic. Крім того, деякі проекти отримали нові способи використання, такі як Compute Labs, які запропонували токенізований протокол, де користувачі, купуючи NFT, що представляють фізичні GPU, можуть брати участь в оренді потужності різними способами для отримання прибутку.
AI Chain: Використовуючи блокчейн як основу для життєвого циклу AI, реалізуючи безшовну взаємодію AI ресурсів на ланцюгу та поза ним, сприяючи розвитку екосистеми галузі. Децентралізований ринок AI на ланцюгу може торгувати AI активами, такими як дані, моделі, агенти тощо, та надавати рамки для розробки AI та супутні інструменти розробки, представлений проектом Sahara AI. AI Chain також може сприяти прогресу AI технологій у різних сферах, таких як Bittensor, що сприяє конкуренції підмереж різних типів AI через інноваційний механізм стимулювання підмереж.
Платформа для розробки: деякі проекти пропонують платформу для розробки AI-агентів, також можуть здійснювати торгівлю AI-агентами, такі як Fetch.ai та ChainML. Універсальні інструменти допомагають розробникам зручніше створювати, навчати та впроваджувати AI-моделі, представлений проект, такий як Nimble. Ця інфраструктура сприяє широкому використанню технології AI в екосистемі Web3.
Проміжний рівень:
Цей рівень стосується даних AI, моделей, а також інференції та валідації, використання технології Web3 може забезпечити вищу ефективність роботи.
Крім того, деякі платформи дозволяють експертам у галузі або звичайним користувачам виконувати завдання попередньої обробки даних, такі як позначення зображень, класифікація даних; ці завдання можуть вимагати професійних знань для обробки фінансових та юридичних даних. Користувачі можуть токенізувати свої навички, реалізуючи колабораційний краудсорсинг для попередньої обробки даних. Представник, як-от ринок AI Sahara AI, має різноманітні завдання з даними в різних сферах, що може охоплювати багато галузей даних; тоді як AIT Protocolt здійснює позначення даних за допомогою співпраці людини та машини.
Деякі проекти підтримують користувачів, які надають різні типи моделей або співпрацюють у навчанні моделей через краудсорсинг, наприклад, Sentient завдяки модульному дизайну дозволяє користувачам розміщувати надійні дані моделей на рівні зберігання, рівні розподілу для оптимізації моделей, інструменти розробки, запропоновані Sahara AI, вбудовані з передовими алгоритмами ШІ та обчислювальними фреймворками і мають можливість спільного навчання.
Рівень застосунків:
Цей рівень головним чином є програмами, які безпосередньо націлені на користувачів, поєднуючи ШІ з Web3, створюючи більше цікавих та інноваційних ігор. У цій статті основна увага приділяється проектам у кількох секторах: AIGC (контент, згенерований ШІ), AI-агенти та аналіз даних.