Un estudio reciente publicado en Engineering presenta un marco innovador que integra el aprendizaje automático (ML) y la tecnología blockchain (TB) para mejorar la seguridad computacional en aplicaciones de ingeniería. Este marco, llamado Aprendizaje Automático en Blockchain (MLOB), busca superar las deficiencias de los métodos actuales de integración ML-TB, que se concentran principalmente en la seguridad de los datos y descuidan la seguridad computacional. El ML se utiliza ampliamente en ingeniería para resolver problemas complejos, proporcionando alta precisión y eficiencia. Sin embargo, es susceptible a amenazas de seguridad como manipulación de datos y corrupción lógica. La TB, conocida por su descentralización, transparencia e inmutabilidad, ha sido investigada como medio para proteger los datos de ingeniería. A pesar de ello, los flujos de trabajo tradicionales de ML permanecen expuestos a vulnerabilidades fuera de la cadena, ya que los modelos de ML generalmente se ejecutan fuera del entorno blockchain. El marco MLOB aborda esto al incorporar tanto los datos como la computación dentro de la blockchain, ejecutándolos como contratos inteligentes y asegurando los registros de ejecución. Consta de cuatro componentes clave: adquisición de ML, donde se entrena un modelo de ML para una tarea específica; conversión de ML, que modifica el modelo entrenado para su despliegue en la blockchain; carga segura de ML, que protege la seguridad de la transferencia de datos y modelos; y ejecución del modelo de ML basada en consenso, que garantiza la corrección y seguridad de los procesos computacionales. Para demostrar la eficacia de MLOB, los investigadores construyeron un prototipo y lo aplicaron para monitorear el progreso de la construcción en interiores. Evaluaron el marco frente a tres métodos de referencia y dos enfoques recientes de integración ML-TB.

Los resultados revelaron que MLOB mejoró considerablemente la seguridad, logrando frenar con éxito seis escenarios de ataque predefinidos. Mantuvo una alta precisión, con solo una diferencia mínima de 0. 001 en la intersección sobre unión media (MIoU) en comparación con la referencia mejor valorada. Aunque la eficiencia se redujo ligeramente, con un aumento de 0. 231 segundos en la latencia respecto a la referencia más rápida, su rendimiento general aún cumple con las demandas de la práctica industrial. Además, el marco MLOB tiene un significado directivo. Motiva a las organizaciones a innovar adoptando tecnologías de vanguardia, fomentando procesos de ingeniería más competitivos. También mitiga los riesgos asociados a la seguridad de datos y lógica, ayudando a optimizar la asignación de recursos y fortalecer la resiliencia económica. No obstante, el marco presenta limitaciones, como el soporte restringido para aplicaciones sensibles a la latencia y la ausencia de una interfaz fácil de usar. El trabajo futuro se centrará en mejorar la eficiencia y en desarrollar una interfaz más accesible para mejorar la usabilidad y ampliar la aplicación de MLOB en los cálculos de ingeniería.