Utafiti wa hivi karibuni uliochapishwa katika jarida la Engineering unaleta mfumo mpya unaounganisha kujifunza kwa mashine (ML) na teknolojia ya blockchain (BT) ili kuboresha usalama wa hesabu katika sekta ya uhandisi. Mfumo huo unaitwa Machine Learning on Blockchain (MLOB), na unatazamia kushinda mapungufu ya mbinu za sasa za kuunganishwa kwa ML-BT, ambazo mara nyingi zinatoa kipaumbele kwa usalama wa data huku zikipuuzilia mbali usalama wa hesabu. Kujifunza kwa mashine kunatumika sana katika uhandisi kutatua changamoto ngumu, na kutoa usahihi na ufanisi wa kutosha. Hata hivyo, kuna hatari za kiusalama kama vile uharibifu wa data na ufisadi wa mantiki. Blockchain, kutokana na asili yake isiyo na kati, wazi na isiyobadilika, imefanyiwa utafiti kama njia ya kulinda data za uhandisi. Hata hivyo, michakato ya ML ya kawaida bado inakabiliwa na hatari za nje ya chain, kwani mifano ya ML mara nyingi hutekelezwa nje ya mazingira ya blockchain. Mfumo wa MLOB un positioning data na michakato ya hesabu kwenye blockchain, ukiyatekeleza kama mikataba ya smart ili kulinda rekodi za utekelezaji. Unajumuisha vipengele vikuu vinne: upataji wa ML, ambao unahusisha mafunzo ya mfano wa ML kwa kazi maalum; ubadilishaji wa ML, unaoweza kubadilisha mfano uliofunzwa kwa matumizi ya blockchain; kupakia salama kwa ML, kuhakikisha usalama wa uhamishaji wa data na mfano; na utekelezaji wa mfano wa ML kwa makubaliano, ambao unahakikisha usalama na usahihi wa hesabu. Ili kuonyesha ufanisi wa mfumo wa MLOB, watafiti waliunda mfano wa kujaribu na kuutumia katika kufuatilia maendeleo ya ujenzi wa ndani. Wali comparar mfumo wa MLOB dhidi ya mbinu tatu za msingi na mbinu mbili za hivi karibuni zilizounganisha ML-BT.

Matokeo ya utafiti yalionyesha kwamba mfumo wa MLOB ulipa usalama mkubwa, ukilinda kwa mafanikio dhidi ya hali sita maalum za mashambulizi. Pia ulidumisha kiwango cha juu cha usahihi, ukionyesha tofauti ya 0. 001 katika kipimo cha mean intersection over union (MIoU) ikilinganishwa na mbinu bora ya msingi. Ingawa ulipata kupungua kidogo kwa ufanisi—na kusababisha kuongezeka kwa ucheleweshaji wa sekunde 0. 231 ikilinganishwa na mbinu bora zaidi ya msingi—utendaji wa jumla ulikuwa wa kuridhisha kwa matumizi ya viwanda. Mbali na hilo, mfumo wa MLOB una athari za kisheria. Unahamasisha mashirika kuunda mambo mapya kwa kuunganisha teknolojia za kisasa, ambayo yanaweza kusababisha mbinu za uhandisi zenye ushindani zaidi. Aidha, unasaidia kupunguza hatari zinazohusiana na usalama wa data na mantiki, hivyo kuboresha mgawanyo wa rasilimali na kuimarisha ustahimilivu wa kiuchumi. Hata hivyo, mfumo huu una mapungufu fulani. Unatoa msaada mdogo kwa matumizi nyeti kwa ucheleweshaji na huna kiolesura kirahisi kwa mtumiaji. Utafiti wa baadaye utalenga kuboresha ufanisi wake na kuunda kiolesura cha mtumiaji chenye urahisi ili kuboresha matumizi na kupanua matumizi yake katika hesabu za uhandisi.