O studiu recent publicat în Engineering introduce un cadru inovator care integrează învățarea automată (ML) și tehnologia blockchain (BT) pentru a îmbunătăți securitatea computațională în aplicațiile de inginerie. Acest cadru, numit Machine Learning on Blockchain (MLOB), urmărește să depășească deficiențele metodelor actuale de integrare ML-BT, care se concentrează în principal pe securitatea datelor, neglijând securitatea computedului. ML este utilizat pe scară largă în inginerie pentru rezolvarea unor probleme complexe, oferind un nivel înalt de acuratețe și eficiență. Cu toate acestea, este vulnerabil la amenințări de securitate precum falsificarea datelor și corupția logicii. BT, recunoscută pentru caracteristicile sale de descentralizare, transparență și imuabilitate, a fost investigată ca o metodă de protejare a datelor de inginerie. În ciuda acestui fapt, fluxurile de lucru tradiționale ML rămân expuse vulnerabilităților off-chain, deoarece modelele ML sunt, în general, executate în afara mediului blockchain. Cadrul MLOB abordează această problemă prin incorporarea atât a datelor, cât și a computationului în blockchain, rulându-le ca smart contracts și securizând jurnalele de execuție. Acesta cuprinde patru componente esențiale: achiziția ML, unde un model ML este antrenat pentru o sarcină specifică; conversia ML, care modifică modelul antrenat pentru a fi deployat pe blockchain; încărcarea sigură ML, care protejează securitatea transferului de date și model; și executarea modelului ML bazată pe consens, garantând corectitudinea și siguranța proceselor computaționale. Pentru a demonstra eficacitatea MLOB, cercetătorii au construit un prototip și l-au aplicat pentru monitorizarea progresului construcției în interior. Ei au evaluat cadrul comparativ cu trei metode de referință și două abordări recente de integrare ML-BT.

Descoperirile au arătat că MLOB a îmbunătățit considerabil securitatea, reușind să contracareze cu succes șase scenarii de atac predefinite. A păstrat o acuratețe ridicată, cu o diferență minimă de 0, 001 în media intersectiei pe unire (MIoU) față de cel mai performant baseline. Deși eficiența a fost ușor redusă, înregistrând o creștere de 0, 231 secunde în latență comparativ cu cel mai rapid baseline, performanța sa generală este încă în linie cu cerințele practice industriale. În plus, cadrul MLOB are și semnificație managerială. Acesta motivează organizațiile să urmărească inovația adoptând tehnologii de vârf, promovând procese de inginerie mai competitive. De asemenea, contribuie la reducerea riscurilor legate de securitatea datelor și a logicii, ceea ce ajută la optimizarea alocării resurselor și la consolidarea rezilienței economice. Totuși, cadrul are anumite limite, printre care suportul restrâns pentru aplicațiile sensibile la latență și lipsa unei interfețe prietenoase pentru utilizatori. Cercetările viitoare vor avea ca scop îmbunătățirea eficienței și dezvoltarea unui interfețe mai accesibile pentru a spori utilizabilitatea și pentru a extinde aplicațiile MLOB în calculele de inginerie.