Neseniai žurnale „Engineering“ paskelbtas tyrimas pristato novatorišką sistemą, kuri sujungia mašininį mokymąsi (MM) su blokų grandinės technologija (BG) siekiant padidinti skaičiavimo saugumą inžinerijos sektoriuje. Pavadinta Mašininis Mokymasis Blokų Grandinėje (MMBG), ši sistema siekia įveikti dabartinių MM-BG integracijos metodų trūkumus, kurie dažnai teikia pirmenybę duomenų saugumui, tačiau niekina skaičiavimo saugumą. Mašininis mokymasis plačiai taikomas inžinerijoje sprendžiant sudėtingas problemas, pasižymintis reikšmingu tikslumu ir efektyvumu. Tačiau jis yra pažeidžiamas saugumo grėsmių, tokių kaip duomenų klastojimas ir logikos sugadinimas. Blokų grandinė, turinti decentralizuotą, skaidrią ir nepakitusią prigimtį, buvo tiriama kaip priemonė inžinerijos duomenų apsaugai. Tačiau tradiciniai MM procesai vis dar yra pažeidžiami išorinių rizikų, kadangi MM modeliai dažnai vykdomi už blokų grandinės aplinkos. MMBG sistema pozicionuoja tiek duomenis, tiek skaičiavimo procesus blokų grandinėje, vykdydama juos kaip protingus kontraktus, kad apsaugotų vykdymo įrašus. Ji susideda iš keturių pagrindinių komponentų: MM gavimas, kuris apima MM modelio mokymą konkrečiai užduočiai; MM konvertavimas, kuris pritaiko išmokytą modelį blokų grandinės diegimui; MM saugus krovimas, užtikrinantis duomenų ir modelių perdavimo saugumą; ir konsensuso pagrindu vykdomas MM modelio vykdymas, kuris užtikrina skaičiavimų saugumą ir tikslumą. Norėdami pademonstruoti MMBG sistemos efektyvumą, tyrėjai sukūrė prototipą ir pritaikė jį stebint vidaus statybų eigą. Jie palygino MMBG sistemą su trimis baziniais metodais ir dviem naujausiais MM-BG integruotais požiūriais.

Išvados parodė, kad MMBG sistema žymiai sustiprino saugumą, sėkmingai apsigindama prieš šešis konkretūs išpuolių scenarijus. Taip pat buvo išlaikytas aukštas tikslumo lygis, rodantis tik 0, 001 skirtumą vidutinio sankirtos (MIoU) metrikos atžvilgiu, palyginti su geriausiu baziniu metodu. Nors efektyvumas šiek tiek sumažėjo – vėlavimo laikui padidėjus 0, 231 sekundės lyginant su efektyviausiu baziniu metodu – bendra našumo situacija buvo patenkinama pramoninėms aplikacijoms. Be to, MMBG sistema turi vadybinių pasekmių. Ji skatina organizacijas inovuoti integruojant pažangiausias technologijas, potencialiai leisti konkuruoti inžinerijos praktikoje. Be to, ji padeda mažinti su duomenų ir logikos saugumu susijusias rizikas, taip optimizuojant išteklių paskirstymą ir didinant ekonominį atsparumą. Nepaisant to, sistema turi kai kurių apribojimų. Ji teikia ribotą paramą vėlavimą jautrioms programoms ir neturi vartotojui patogios sąsajos. Ateities tyrimai sieks pagerinti jos efektyvumą ir sukurti aksesibilų vartotojo sąsają, kad būtų pagerinta naudojimo patirtis ir išplėstas jos taikymas inžinerijos kompiuterijoje.