Utafiti wa hivi karibuni uliochapishwa katika sayansi ya uhandisi unaleta muundo mpya unaounganisha ujifunzaji wa mashine (ML) na teknolojia ya blockchain (BT) ili kuboresha usalama wa kihesabu katika maombi ya uhandisi. Muundo huu unaoitwa Ujifunzaji wa Mashine kwenye Blockchain (MLOB), unalenga kushinda changamoto zinazokumba njia za sasa za kuunganisha ML na BT, ambazo zinazingatia zaidi usalama wa data na kujali usalama wa kihesabu. ML inatumiwa sana katika uhandisi kwa kutatua matatizo yaliyokuwa magumu, ikitoa usahihi wa hali ya juu na ufanisi. Hata hivyo, inakumbwa na tishio la usalama kama vile uharibifu wa data na uharibifu wa mantiki. BT, inayojulikana kwa umbo lake la kwao, uwazi, na urithi wa mabadiliko (immutability), imechunguzwa kama njia ya kulinda data za uhandisi. Licha ya hayo, mchakato wa jadi wa ML bado uko wazi kwa udhaifu wa nje ya mnyororo wa data, kwani modeli za ML kwa kawaida hufanyiwa kazi nje ya mazingira ya blockchain. Muundo wa MLOB unashughulikia hili kwa kuingiza data na uhesabu ndani ya blockchain, ukiwa ni kama mikataba mahiri (smart contracts) na kuzihifadhi katika kumbukumbu za utekelezaji. Unajumuisha sehemu nne kuu: upatikanaji wa ML, ambapo modeli ya ML inafundwa kwa kazi maalum; uhamishaji wa ML, ambao hu Badilisha modeli iliyofundwa kwa ajili ya kuitekeleza kwenye blockchain; usalama wa kupakia modeli na data, kuhakikisha usalama wa uhamisho wa data na modeli; na utekelezaji wa modeli wa ML kwa msingi wa makubaliano, ili kuhakikisha usahihi na usalama wa michakato ya kihesabu. Ili kuonyesha ufanisi wa MLOB, watafiti walijenga mfano wa kuonyesha na kuutumia kufuatilia maendeleo ya ujenzi wa ndani. Waliutathmini muundo huu dhidi ya njia tatu za msingi na mbinu mbili za hivi karibuni za kuunganisha ML na BT.

Matokeo yalionyesha kuwa MLOB iliboresha sana usalama, ikizuia kwa mafanikio zaidi ya matukio matano ya shambulio yaliyowekwa awali. Ilihifadhi usahihi wa juu, kwa tofauti ndogo tu ya 0. 001 katika kiwango cha wastani cha mshikamano wa sehemu (MIoU) ikilinganishwa na njia bora zaidi ya msingi. Ingawa ufanisi umepunguzwa kidogo, ukiongeza muda wa kuchelewa kwa sekunde 0. 231 ikilinganishwa na njia bora zaidi, utendaji wake wa jumla bado unakidhi mahitaji ya mazoezi ya viwandani. Zaidi ya hayo, muundo wa MLOB una umuhimu wa kiutawala. Unahamasisha mashirika kuendeleza ubunifu kwa kuanzisha teknolojia za kisasa, na hivyo kuimarisha michakato ya uhandisi iliyoboreshwa kwa ushindani zaidi. Pia, unapunguza hatari zinazohusiana na usalama wa data na mantiki, ambayo husaidia kuboresha usambazaji wa rasilimali na kuimarisha uimara wa kiuchumi. Hata hivyo, muundo huu una mipaka, ikiwa ni pamoja na msaada mdogo kwa maombi yanayohitaji muda wa kuchelewa mfupi na ukosefu wa kiolesura rahisi kutumia. Matokeo ya baadaye yanakusudiwa kuboresha ufanisi na kuendeleza kiolesura rahisi ili kuboresha urahisi wa matumizi na kupanua matumizi ya MLOB katika kihesabu cha uhandisi.