Një studim i fundit i publikuar në revistën Engineering prezanton një kornizë inovative që integrojnë mësimin makinerik (ML) dhe teknologjinë e blockchain-it (BT) për të përmirësuar sigurinë kompjuterike në aplikimet në inxhinieri. Kjo kornizë, e quajtur Mësimi Makinerik në Blockchain (MLOB), synon të kapërcejë mangësitë e metodave të tanishme të integrimit ML-BT, të cilat kryesisht përqendrohen në sigurinë e të dhënave duke lënë pas kësaj sigurinë e kompjuterizimit. ML përdoret gjerësisht në inxhinieri për zgjidhjen e problemeve komplekse, duke ofruar saktësi të lartë dhe efikasitet. Megjithatë, ai është i ekspozuar ndaj kërcënimeve të sigurisë si mashtrimi i të dhënave dhe korrupsioni i logjikës. BT, i njohur për decentralizimin, transparencën dhe imutabilitetin e tij, është shqyrtuar si një mjet për të mbrojtur të dhënat inxhinierike. Pavarësisht kësaj, rrjetet tradicionale ML mbeten të ekspozuara ndaj vulnerabiliteteve jashtë zinxhirit, pasi modelet ML kryesisht ekzekutohen jashtë mjedisit të blockchain-it. Korniza MLOB adreson këtë duke ngulitur të dyja të dhënat dhe llogaritjet brenda blockchain-it, duke i drejtuar ato si kontrata inteligjente dhe duke siguruar regjistrimet e ekzekutimit. Ajo përbëhet nga katër komponentë kyç: marrja e ML, ku një model ML trajnohet për një detyrë të caktuar; konvertimi i ML, i cili modifikon modelin e trajnuar për implementim në blockchain; mbështetja e sigurt e ML-së, e cila mbron sigurinë e transferimit të të dhënave dhe modelit; dhe ekzekutimi i modelit ML bazuar në konsensus, duke siguruar saktësinë dhe sigurinë e proceseve kompjuterike. Për të demonstruar efektivitetin e MLOB, kërkuesit ndërtuan një prototip dhe e aplikuan atë për monitorimin e përparimit të ndërtimit të brendshëm. Ata vlerësuan kornizën kundrejt tre metodave fillestare dhe dy qasjeve të fundit të integruara ML-BT.

Gjetjet treguan se MLOB përmirësoi ndjeshëm sigurinë, duke ndalur me sukses gjashtë skenarë sulmesh të paracaktuara. Ai ruajti saktësi të lartë, me një ndryshim minimal prej 0. 001 në mesataren e ndërmjetësimit mbi shumicën e bashkimit (MIoU) në krahasim me metodën më të mirë fillestare. Edhe pse efikasiteti u ul pak, duke ndaj 0. 231 sekonda gjatësi kohore në krahasim me metodën më të shpejtë fillestare, performanca e përgjithshme vazhdoi të jetë në përputhje me kërkesat e industrisë. Për më tepër, korniza MLOB ka rëndësi menaxheriale. Ajo nxit organizatat për të ndjekur inovacionin duke adoptuar teknologji të avancuara, duke ndërtuar procese më konkurruese në inxhinieri. Gjithashtu, ajo ndihmon në uljen e rreziqeve të lidhura me sigurinë e të dhënave dhe logjikës, duke optimizuar alokimin e burimeve dhe duke forcuar rezistencën ekonomike. Megjithatë, korniza ka disa kufizime, duke përfshirë mbështetjen e kufizuar për aplikimet shumë sfiduese për vonesën dhe mungesën e një ndërfaqeje të përdorshme. Punimet e ardhshme do të përqëndrohen në përmirësimin e efikasitetit dhe në zhvillimin e një ndërfaqeje më të aksesueshme për të përmirësuar përdorshmërinë dhe për të zgjeruar përdorimin e MLOB në kalkulimet inxhinierike.