Um estudo recente publicado na engenharia apresenta uma estrutura inovadora que integra aprendizado de máquina (ML) e tecnologia blockchain (BT) para melhorar a segurança computacional em aplicações de engenharia. Essa estrutura, chamada Machine Learning on Blockchain (MLOB), busca superar as limitações dos métodos atuais de integração ML-BT, que se concentram principalmente na segurança dos dados, enquanto negligenciam a segurança computacional. O ML é amplamente utilizado na engenharia para resolver problemas complexos, oferecendo alta precisão e eficiência. No entanto, é vulnerável a ameaças de segurança, como adulteração de dados e corrupção de lógica. A BT, conhecida por sua descentralização, transparência e imutabilidade, tem sido investigada como uma maneira de proteger os dados de engenharia. Apesar disso, os fluxos de trabalho tradicionais de ML permanecem expostos a vulnerabilidades fora da cadeia, uma vez que os modelos de ML normalmente são executados fora do ambiente blockchain. A estrutura MLOB aborda essa questão ao incorporar tanto os dados quanto a computação dentro do blockchain, executando-os como contratos inteligentes e garantindo registros das execuções. Ela é composta por quatro componentes principais: aquisição de ML, na qual um modelo de ML é treinado para uma tarefa específica; conversão de ML, que modifica o modelo treinado para implantação no blockchain; carregamento seguro de ML, que protege a segurança da transferência de dados e do modelo; e execução do modelo de ML baseada em consenso, garantindo a correção e segurança dos processos computacionais. Para demonstrar a eficácia do MLOB, os pesquisadores construíram um protótipo e o aplicaram para monitorar o progresso da construção de interiores. Avaliaram a estrutura contra três métodos de referência e duas abordagens recentes de integração ML-BT.

Os resultados revelaram que o MLOB aumentou significativamente a segurança, bloqueando com sucesso seis cenários de ataque predefinidos. Mantendo alta precisão, apresentou uma diferença mínima de 0, 001 na média da interseção sobre união (MIoU) em relação ao melhor método de referência. Embora a eficiência tenha sido ligeiramente reduzida, com um aumento de 0, 231 segundos na latência em relação ao método mais rápido, seu desempenho geral permaneceu compatível com as demandas da prática industrial. Além disso, a estrutura MLOB possui relevância gerencial. Ela incentiva as organizações a buscarem inovação por meio da adoção de tecnologias de ponta, fomentando processos de engenharia mais competitivos. Também ajuda a reduzir riscos associados à segurança de dados e lógica, auxiliando na otimização da alocação de recursos e fortalecendo a resiliência econômica. Por outro lado, a estrutura apresenta limitações, como suporte restrito para aplicações sensíveis à latência e a ausência de uma interface amigável ao usuário. Trabalhos futuros visam aprimorar a eficiência e desenvolver uma interface mais acessível, visando melhorar a usabilidade e expandir a aplicação do MLOB em cálculos de engenharia.