Sebuah studi terbaru yang dipublikasikan dalam jurnal Engineering memperkenalkan kerangka inovatif yang menggabungkan pembelajaran mesin (ML) dengan teknologi blockchain (BT) untuk meningkatkan keamanan komputasi di sektor rekayasa. Dinamakan Machine Learning on Blockchain (MLOB), kerangka ini bertujuan untuk mengatasi kekurangan dari metode integrasi ML-BT saat ini, yang cenderung memprioritaskan keamanan data sambil mengabaikan keamanan komputasi. Pembelajaran mesin banyak digunakan dalam rekayasa untuk menangani tantangan kompleks, menawarkan akurasi dan efisiensi yang signifikan. Namun, ia rentan terhadap ancaman keamanan seperti manipulasi data dan kerusakan logika. Blockchain, dengan sifatnya yang terdesentralisasi, transparan, dan tidak dapat diubah, telah diteliti sebagai cara untuk melindungi data rekayasa. Namun, proses ML konvensional tetap rentan terhadap risiko off-chain, karena model ML sering dijalankan di luar lingkungan blockchain. Kerangka MLOB menempatkan data dan proses komputasi di blockchain, menjalankannya sebagai kontrak cerdas untuk melindungi catatan eksekusi. Ini terdiri dari empat komponen utama: akuisisi ML, yang melibatkan pelatihan model ML untuk tugas tertentu; konversi ML, yang mengadaptasi model yang telah dilatih untuk penerapan di blockchain; pemuatan aman ML, yang memastikan keamanan transfer data dan model; serta eksekusi model ML berbasis konsensus, yang menjamin keselamatan dan akurasi perhitungan. Untuk menunjukkan efektivitas kerangka MLOB, para peneliti membuat prototipe dan menerapkannya untuk memantau kemajuan konstruksi dalam ruangan. Mereka membandingkan kerangka MLOB dengan tiga metode dasar dan dua pendekatan terkini yang terintegrasi ML-BT.

Temuan menunjukkan bahwa kerangka MLOB secara signifikan meningkatkan keamanan, berhasil mempertahankan enam skenario serangan tertentu. Itu juga mempertahankan tingkat akurasi yang tinggi, menunjukkan hanya perbedaan 0, 001 dalam metrik mean intersection over union (MIoU) dibandingkan dengan metode dasar teratas. Meskipun mengalami sedikit penurunan efisiensi—mengakibatkan peningkatan latensi sebesar 0, 231 detik dibandingkan dengan dasar yang paling efisien—kinerja keseluruhan memuaskan untuk aplikasi industri. Selain itu, kerangka MLOB membawa implikasi manajerial. Ini mendorong organisasi untuk berinovasi dengan mengintegrasikan teknologi mutakhir, yang berpotensi menghasilkan praktik rekayasa yang lebih kompetitif. Selanjutnya, ini membantu dalam mengurangi risiko terkait keamanan data dan logika, sehingga mengoptimalkan alokasi sumber daya dan meningkatkan ketahanan ekonomi. Namun, kerangka ini memiliki beberapa keterbatasan. Ini menawarkan dukungan terbatas untuk aplikasi yang peka terhadap latensi dan tidak memiliki antarmuka yang ramah pengguna. Penelitian di masa depan akan bertujuan untuk meningkatkan efisiensinya dan mengembangkan antarmuka pengguna yang lebih aksesibel untuk memperbaiki kegunaan dan memperluas aplikasinya dalam komputasi rekayasa.