Nýleg rannsókn sem birtist í Engineering kynnir nýstárlega ramma sem samþættir vélrænt nám (ML) og blokkarkeðju tækni (BT) til að bæta reikniöryggi í verkfræðilegs forritum. Þessi rammi, kallaður Machine Learning on Blockchain (MLOB), leitast við að yfirstíga götin í núverandi aðferðum við samþættingu ML og BT, sem að mestu beinast að gagnaeöryggi á kostnað reikniöryggis. ML er mikið notað í verkfræði til að leysa flókin vandamál, og veitir hágæða nákvæmni og skilvirkni. Þó er það viðkvæmt fyrir öryggisáhættu eins og svik og rugl í ákvörðunarreglum. BT, sem er þekkt fyrir dreifilega starfsemi, gagnsæi og órof, hefur verið rannsökuð sem leið til að vernda verkfræðigögn. Þrátt fyrir þetta eru hefðbundin ML ferli samt sem áður opin fyrir veikleika utan skriðdreps, þar sem ML líkön eru almennt keyrð utan blokkarkeðjunnar. MLOB ramminn leysir þetta með því að innleiða gögn og útreikninga inn í blokkarkeðjuna, þar sem þau eru keyrð sem snjall samningur og öryggisskrár um framkvæmd. Hann samanstendur af fjórum meginþáttum: ML verkefni, þar sem ML líkön eru þjálfuð fyrir tiltekið verkefni; ML umbreytingu, sem breytir þjálfuðu líkoni fyrir notkun á blokkarkeðjunni; ML öryggisálagningu, sem tryggir öryggi gagna og líkana við flutning; og samningsbundinni útfærslu ML líkans, sem tryggir réttmæti og örugga útfærslu reiknivinnu. Til að sýna virkni MLOB, byggðu rannsakendur tilraunaverkfæri og notuðu það til að fylgjast með framvindu innanhúsbygginga. Þeir prófuðu ramann gegn þremur viðmiðunaraðferðum og tveimur nýlegum samþættingaraðferðum ML og BT.

Niðurstöðurnar sýndu að MLOB bættist verulega við öryggi, með því að koma í veg fyrir sex fyrirfram skilgreindar árásarspurningar. Hann var einnig með háa nákvæmni, aðeins 0. 001 munur í meðalsamskeyti (MIoU) miðað við besta viðmiðunaraðferð. Þó að skilvirkni lækkaði aðeins, með 0. 231 sekúndu aukningu í seinkun miðað við hraðasta viðmiðun, einkenndi heildarafköst hans samt sem áður við kröfur iðnaðarins. Auk þess hefur MLOB raminn stjórnunarlega þýðingu. Hann hvetur fyrirtæki til að taka opnari tækni í nýsköpun, sem stuðlar að samkeppnishæfari ferlum í verkfræði. Hann dregur einnig úr áhættu tengdri öruggi gagna og rökfræði, sem hjálpar til við að hámarka nýtingu gæðaauðlinda og efla efnahagslega viðnám. Hins vegar hefur ramminn takmarkanir, þar á meðal takmarkaðan stuðning við seinkunin viðkvæmar forrit og skort á notendavænni viðmóti. Á næstu stigum verður lögð áhersla á að auka skilvirkni og þróa aðgengilegra viðmót til að bæta notendavænleika og auka notkunarmöguleika MLOB í reikniverkfræði.