En nylig studie publisert i tidsskriftet Engineering introduserer et innovativt rammeverk som kombinerer maskinlæring (ML) med blokkjedeteknologi (BT) for å forbedre databehandlingssikkerheten innen ingeniørsektoren. Rammeverket, kalt Maskinlæring på Blokkjedene (MLOB), har som mål å overvinne begrensningene ved nåværende metoder for integrasjon av ML og BT, som ofte prioriterer datasikkerhet mens de forsømmer databehandlingssikkerhet. Maskinlæring brukes i stor grad inom ingeniørfag for å takle komplekse utfordringer, og tilbyr betydelig nøyaktighet og effektivitet. Imidlertid er det sårbart for sikkerhetstrusler som datamanipulasjon og logisk korrupsjon. Blokkjedeteknologi, med sin desentraliserte, transparente og uforanderlige natur, har blitt undersøkt som et middel for å beskytte ingeniørdata. Likevel forblir de tradisjonelle ML-prosessene utsatt for risiko utenfor blokkjeden, ettersom ML-modeller ofte kjøres utenfor blokkjedemiljøet. MLOB-rammeverket plasserer både data og databehandlingsprosesser på blokkjeden, og utfører dem som smarte kontrakter for å beskytte utførelsesjournaler. Det består av fire hovedkomponenter: ML-anskaffelse, som involverer trening av en ML-modell for en spesifikk oppgave; ML-konvertering, som tilpasser den trente modellen for blokkjedeimplementering; ML sikker lasting, som sikrer sikkerheten til data- og modelloverføringer; og konsensusbasert ML-modellutførelses, som garanterer sikkerheten og nøyaktigheten av beregningene. For å demonstrere effektiviteten til MLOB-rammeverket laget forskerne en prototype og anvendte den på overvåkning av innendørs byggeprogresjon. De sammenlignet MLOB-rammeverket med tre basislinjemetoder og to nylige tilnærminger til ML-BT-integrering.

Funnene viste at MLOB-rammeverket betydelig styrket sikkerheten, og forsvarte seg vellykket mot seks spesifikke angrepsscenarier. Det opprettholdt også et høyt nøyaktighetsnivå, med bare en forskjell på 0, 001 i gjennomsnittlig intersect over union (MIoU) sammenlignet med den beste basislinjemetoden. Selv om det opplevde en liten nedgang i effektiviteten, som resulterte i en latensøkning på 0, 231 sekunder sammenlignet med den mest effektive basislinjen, var den totale ytelsen tilfredsstillende for industrielle applikasjoner. I tillegg har MLOB-rammeverket ledelsesimplikasjoner. Det oppfordrer organisasjoner til å innovere ved å integrere banebrytende teknologier, noe som kan føre til mer konkurransedyktige ingeniørpraksiser. Videre bidrar det til å redusere risiko relatert til data- og logisk sikkerhet, noe som optimaliserer ressursallokering og forbedrer økonomisk motstand. Likevel har rammeverket noen begrensninger. Det tilbyr begrenset støtte for latensfølsomme applikasjoner og mangler et brukervennlig grensesnitt. Fremtidig forskning vil fokusere på å forbedre effektiviteten og utvikle et mer tilgjengelig grensesnitt for å forbedre brukervennligheten og utvide bruken innen ingeniørdatabehandling.