Un estudi recent publicat a Engineering introdueix un marc innovador que integra l'aprenentatge automàtic (ML) i la tecnologia blockchain (BT) per millorar la seguretat computationals en aplicacions de l'enginyeria. Aquest marc, anomenat Machine Learning on Blockchain (MLOB), busca superar les deficiències dels mètodes actuals d'integració ML-BT, que se centren principalment en la seguretat de les dades, mentre que desconeixen la seguretat computacional. L'aprenentatge automàtic s’utilitza àmpliament en enginyeria per resoldre problemes complexos, oferint alta precisió i eficàcia. No obstant això, és vulnerable a amenaces de seguretat com manipulacions de dades i corrupció lògica. La BT, coneguda per la seva descentralització, transparència i immutable, s’ha investigat com a mitjà per protegir les dades d'enginyeria. Tot i això, els fluxos de treball tradicionals d’ML continuen exposats a vulnerabilitats fora de la cadena, ja que els models de ML solen executar-se fora de l’entorn de la blockchain. El marc MLOB aborda aquesta qüestió incorporant tant dades com computació dins de la blockchain, executant-les com a contractes intel·ligents i assegurant els logs d'execució. Consta de quatre components clau: adquisició d’ML, on s’entrena un model de ML per a una tasca específica; conversió d’ML, que modifica el model entrenat per a desplegar-lo a la blockchain; càrrega segura d’ML, que protegeix la seguretat de la transferència de dades i models; i l’execució d’un model de ML basada en consens, assegurant la correcció i seguretat dels processos computacionals. Per demostrar l’eficàcia del MLOB, els investigadors van construir un prototip i el van aplicar per monitoritzar el progrés de la construcció interior. Van avaluar el marc davant de tres mètodes de referència i dues aproximacions recents d’integració ML-BT.

Els resultats van revelar que el MLOB va millorar significativament la seguretat, així com va frenar amb èxit sis escenaris d’atac predefinits. També va mantenir una alta precisió, amb només una diferència mínima de 0, 001 en la mitjana d’intersecció sobre la unió (MIoU) en comparació amb el millor referent. Tot i que l’eficiència es va veure lleugerament reduïda, amb un augment de 0, 231 segons en la latència respecte al referent més ràpid, el seu rendiment global seguia alineat amb les demandes de la pràctica industrial. A més, el marc MLOB té una significació gerencial. Motiva les organitzacions a innovar adoptant tecnologies d’avantguarda, fomentant processos d’enginyeria més competitius. També ajuda a mitigar els riscos relacionats amb la seguretat de les dades i la lògica, optimitzant la assignació de recursos i reforçant la resiliència econòmica. No obstant això, el marc té limitacions, com la suport limitat a aplicacions sensibles a la latència i l’absència d’una interfície accessible per a l’usuari. El futur abordarà la millora de l’eficiència i el desenvolupament d’una interfície més accessible per augmentar la usabilitat i ampliar l’aplicació del MLOB en els càlculs d’enginyeria.