نشر دراسة حديثة في مجال الهندسة تقدم إطار عمل مبتكر يدمج التعلم الآلي (ML) وتقنية blockchain (BT) لتحسين الأمان الحاسوبي في التطبيقات الهندسية. يُعرف هذا الإطار باسم التعلم الآلي على البلوكشين (MLOB)، ويسعى لتجاوز أوجه القصور في طرق دمج ML-BT الحالية، التي تركز بشكل رئيسي على أمان البيانات وتتغاضى عن الأمان الحاسوبي. يُستخدم التعلم الآلي بشكل واسع في الهندسة لحل المشكلات المعقدة، حيث يوفر دقة وكفاءة عالية. ومع ذلك، فهو عرضة لتهديدات أمنية مثل التلاعب بالبيانات وتلف المنطق. أما تقنية blockchain، المعروفة بمركزيتها وشفافيتها وعدم قابلية التغيير، فقد تم استكشافها كوسيلة لحماية بيانات الهندسة. وعلى الرغم من ذلك، تظل عمليات ML التقليدية معرضة للثغرات خارج السلسلة، حيث يُنفذ نماذج التعلم الآلي عادة خارج بيئة البلوكشين. يعالج إطار العمل MLOB ذلك من خلال دمج كل من البيانات والحسابات داخل البلوكشين، حيث تُشغل كعقود ذكية وتُؤمن سجلات التنفيذ. يتكون من أربعة مكونات رئيسية: استحواذ ML، حيث يُدرَّب نموذج ML لمهمة معينة؛ تحويل ML، الذي يعدل النموذج المدرب ليتم نشره على البلوكشين؛ تحميل ML الآمن، الذي يضمن أمان انتقال البيانات والنماذج؛ وتنفيذ نموذج ML بناءً على التوافق، لضمان صحة وسلامة العمليات الحسابية. لتوضيح فعالية MLOB، قام الباحثون ببناء نموذج أولي وتطبيقه لمراقبة تقدم أعمال البناء الداخلي. قيَّموا الإطار مقابل ثلاثة طرق أساسية واثنين من الطرق الحديثة المدمجة بين ML وBT.

أظهرت النتائج أن MLOB عزز بشكل كبير من الأمان، حيث استطاع صد ستة سيناريوهات هجوم محددة مسبقًا. حافظ على دقة عالية، مع فرق بسيط قدره 0. 001 في المتوسط فيما يخص التقاطع على الاتحاد (MIoU) مقارنة بأفضل معيار أساسي. وعلى الرغم من أن الكفاءة انخفضت قليلاً، حيث زادت زمن الانتظار بمقدار 0. 231 ثانية مقارنة بأسرع معيار، إلا أن أدائه الكلي ظل متوافقًا مع متطلبات الممارسات الصناعية. بالإضافة إلى ذلك، يحمل إطار العمل MLOB أهمية إدارية. حيث يحفز المؤسسات على الابتكار من خلال تبني أحدث التقنيات، مما يعزز من قدرة عمليات الهندسة على المنافسة. كما يقلل من المخاطر المرتبطة بأمان البيانات والمنطق، مما يساعد في تحسين تخصيص الموارد وتقوية المقاومة الاقتصادية. ومع ذلك، يواجه إطار العمل بعض القيود، من بينها محدودية الدعم للتطبيقات التي تتطلب زمن استجابة سريع، وغياب واجهة سهلة الاستخدام. ستتجه الدراسات المستقبلية نحو تحسين الكفاءة وتطوير واجهات أكثر يسراً لتعزيز قابلية الاستخدام وتوسيع تطبيقات MLOB في الحسابات الهندسية.