Un estudi recent publicat a la revista Engineering presenta un marc innovador que fusiona l'aprenentatge automàtic (ML) amb la tecnologia blockchain (BT) per millorar la seguretat computacional dins del sector de l'enginyeria. Anomenat Machine Learning on Blockchain (MLOB), aquest marc busca superar les mancances dels mètodes actuals d'integració de ML-BT, que tendeixen a prioritzar la seguretat de les dades mentre que descuiden la seguretat computacional. L'aprenentatge automàtic s'usa àmpliament en enginyeria per afrontar desafiaments complexos, oferint una notable precisió i eficiència. No obstant això, és vulnerable a amenaces de seguretat com la manipulació de dades i la corrupció lògica. El blockchain, amb la seva naturalesa descentralitzada, transparent i immutable, s'ha investigat com una eina per protegir les dades d'enginyeria. Tanmateix, els processos convencionals de ML continuen sent susceptibles a riscos fora de la cadena, ja que els models de ML es duen a terme sovint fora de l'entorn blockchain. El marc MLOB posiciona tant les dades com els processos computacionals al blockchain, executant-los com a contractes intel·ligents per protegir els registres d'execució. Comprèn quatre components principals: adquisició de ML, que implica entrenar un model de ML per a una tasca específica; conversió de ML, que adapta el model entrenat per a la implantació al blockchain; càrrega segura de ML, que assegura la seguretat de les transferències de dades i models; i execució de models de ML basada en consens, que garanteix la seguretat i precisió de les computacions. Per demostrar l'eficàcia del marc MLOB, els investigadors van crear un prototip i el van aplicar al seguiment del progrés de la construcció interior. Van comparar el marc MLOB amb tres mètodes de referència i dues aproximacions recents integrades de ML-BT.

Els resultats van revelar que el marc MLOB va reforçar significativament la seguretat, defensant-se amb èxit contra sis escenaris d'atac específics. També va mantenir un alt nivell de precisió, mostrant només una diferència de 0. 001 en la mètrica de mitjana d'intersecció sobre unió (MIoU) en comparació amb el millor mètode de referència. Si bé va experimentar una lleugera disminució en l'eficiència—resultant en un augment de latència de 0. 231 segons en comparació amb el mètode de referència més eficient—el rendiment general va ser satisfactori per a aplicacions industrials. A més, el marc MLOB comporta implicacions de gestió. Anima les organitzacions a innovar mitjançant la integració de tecnologies d'avantguarda, cosa que podria conduir a pràctiques d'enginyeria més competitives. A més, ajuda a mitigar els riscos relacionats amb la seguretat de les dades i la lògica, optimitzant així l'assignació de recursos i millorant la resiliència econòmica. No obstant això, el marc té algunes limitacions. Ofereix un suport limitat per a aplicacions sensibles a la latència i manca d'una interfície d'usuari amigable. La recerca futura buscarà millorar la seva eficiència i desenvolupar una interfície d'usuari més accessible per millorar la usabilitat i ampliar la seva aplicació en la computació en enginyeria.