Une étude récente publiée dans Engineering présente un cadre innovant qui intègre l'apprentissage automatique (ML) et la technologie blockchain (BT) pour améliorer la sécurité computationnelle dans les applications d'ingénierie. Ce cadre, nommé Machine Learning on Blockchain (MLOB), vise à surmonter les limitations des méthodes actuelles d'intégration ML-BT, qui se concentrent principalement sur la sécurité des données tout en négligeant la sécurité computationnelle. Le ML est largement utilisé en ingénierie pour résoudre des problèmes complexes, offrant une grande précision et efficacité. Cependant, il demeure vulnérable aux menaces de sécurité telles que la manipulation de données et la corruption de la logique. La BT, reconnue pour sa décentralisation, sa transparence et son immuabilité, a été étudiée comme moyen de protéger les données d'ingénierie. Malgré cela, les workflows traditionnels de ML restent exposés aux vulnérabilités hors chaîne, car les modèles ML sont généralement exécutés en dehors de l’environnement blockchain. Le cadre MLOB addressent cette problématique en intégrant à la fois les données et le calcul dans la blockchain, en les exécutant sous forme de contrats intelligents et en sécurisant les journaux d'exécution. Il comprend quatre composants clés : l'acquisition ML, où un modèle ML est entraîné pour une tâche spécifique ; la conversion ML, qui modifie le modèle entraîné pour son déploiement sur la blockchain ; le chargement sécurisé ML, qui protège la sécurité du transfert des données et du modèle ; et l'exécution du modèle ML basée sur un consensus, garantissant la correction et la sécurité des processus computationnels. Pour démontrer l'efficacité de MLOB, les chercheurs ont construit un prototype et l'ont appliqué pour surveiller l'avancement de la construction en intérieur. Ils ont évalué le cadre face à trois méthodes de référence et deux approches récentes intégrant ML et BT.

Les résultats ont montré que MLOB améliorait considérablement la sécurité, en empêchant avec succès six scénarios d’attaque prédéfinis. Il maintenait une haute précision, avec une différence minimale de 0, 001 en moyen d’intersection sur l’union (MIoU) par rapport à la meilleure méthode de référence. Bien que l'efficacité ait été légèrement réduite, avec une augmentation de 0, 231 seconde de latence par rapport à la méthode la plus rapide, ses performances globales restaient conformes aux exigences des pratiques industrielles. De plus, le cadre MLOB revêt une importance managériale. Il encourage les organisations à innover en adoptant des technologies de pointe, favorisant des processus d'ingénierie plus compétitifs. Il contribue également à réduire les risques liés à la sécurité des données et de la logique, ce qui permet une optimisation de l’allocation des ressources et renforce la résilience économique. Néanmoins, le cadre présente des limites, notamment un support limité pour les applications sensibles à la latence et l'absence d'une interface conviviale. Les travaux futurs viseront à améliorer l'efficacité et à développer une interface plus accessible afin d’améliorer la convivialité et d’étendre l’application de MLOB dans les calculs d’ingénierie.