Sebuah studi terbaru yang diterbitkan dalam bidang teknik memperkenalkan kerangka inovatif yang mengintegrasikan pembelajaran mesin (ML) dan teknologi blockchain (BT) untuk meningkatkan keamanan komputasi dalam aplikasi rekayasa. Kerangka ini, yang disebut Machine Learning on Blockchain (MLOB), bertujuan mengatasi kekurangan dari metode integrasi ML-BT saat ini, yang terutama fokus pada keamanan data sambil mengabaikan keamanan komputasi. ML digunakan secara luas dalam bidang rekayasa untuk memecahkan masalah yang kompleks, memberikan tingkat akurasi dan efisiensi yang tinggi. Namun, ML rentan terhadap ancaman keamanan seperti pengubahan data dan kerusakan logika. BT, dikenal karena desentralisasi, transparansi, dan ketidakberubahannya, telah diteliti sebagai cara untuk melindungi data rekayasa. Meski demikian, alur kerja ML tradisional tetap rentan terhadap kerentanan di luar rantai (off-chain), karena model ML umumnya dijalankan di luar lingkungan blockchain. Kerangka MLOB mengatasi hal ini dengan menyematkan data dan komputasi ke dalam blockchain, menjalankannya sebagai kontrak pintar (smart contracts) dan mengamankan log eksekusi. Kerangka ini terdiri dari empat komponen utama: akuisisi ML, yaitu pelatihan model ML untuk tugas tertentu; konversi ML, yang memodifikasi model terlatih agar dapat digunakan di blockchain; pemuatan aman ML, yang melindungi keamanan transfer data dan model; serta eksekusi model ML berbasis konsensus, memastikan keakuratan dan keamanan proses komputasi. Untuk menunjukkan efektivitas MLOB, peneliti membangun sebuah prototipe dan menerapkannya untuk memantau kemajuan konstruksi dalam ruang tertutup. Mereka mengevaluasi kerangka ini terhadap tiga metode dasar dan dua pendekatan terbaru yang mengintegrasikan ML-BT.

Hasilnya menunjukkan bahwa MLOB secara signifikan meningkatkan keamanan, berhasil menahan enam skenario serangan yang telah ditentukan sebelumnya. Kerangka ini mempertahankan tingkat akurasi yang tinggi, dengan perbedaan hanya 0, 001 dalam rata-rata Intersection over Union (MIoU) dibandingkan baseline terbaik. Meskipun efisiensi sedikit menurun, dengan peningkatan latency sebesar 0, 231 detik dibandingkan baseline tercepat, kinerja keseluruhannya tetap sesuai dengan kebutuhan praktik industri. Selain itu, kerangka MLOB memiliki arti penting dari segi manajemen. Kerangka ini mendorong organisasi untuk berinovasi dengan mengadopsi teknologi mutakhir, sehingga dapat memperkuat proses rekayasa yang lebih kompetitif. Kerangka ini juga membantu mengurangi risiko terkait keamanan data dan logika, yang dapat meningkatkan pengelolaan sumber daya dan memperkuat ketahanan ekonomi. Namun, kerangka ini memiliki keterbatasan, termasuk dukungan yang terbatas untuk aplikasi yang sensitif terhadap latency dan ketiadaan antarmuka yang ramah pengguna. Penelitian di masa depan akan berfokus pada peningkatan efisiensi dan pengembangan antarmuka yang lebih mudah digunakan untuk meningkatkan kegunaan serta memperluas penerapan MLOB dalam perhitungan rekayasa.