El aprendizaje automático es una herramienta útil para el análisis de la blockchain, si se utiliza de forma responsable. Las herramientas automatizadas pueden revisar rápidamente enormes volúmenes de datos directamente de la blockchain y encontrar patrones que un analista podría pasar por alto, si es que llegara a examinar manualmente semejante volumen de información. Aplicado con sensatez, el aprendizaje automático desempeña un papel auxiliar importante en el trabajo con datos de la blockchain.
Sin embargo, ante cada proveedor de este tipo de soluciones analíticas se plantea una cuestión de principio: ¿dónde está el límite del uso admisible del aprendizaje automático? Si los resultados del ML se aceptan automáticamente como una verdad establecida, esto puede reducir el valor de toda la analítica de blockchain. Por ejemplo, un modelo predictivo puede suponer erróneamente que varias direcciones de criptomonedas pertenecen a una misma organización y, de ese modo, introducir datos erróneos en el sistema.
No obstante, el aprendizaje automático tiene un gran potencial para ayudar en la recopilación y el análisis de información. Si los resultados obtenidos con el ML se marcan claramente como estimaciones probabilísticas que requieren verificación adicional, pueden utilizarse para orientar el análisis sin distorsionar sus resultados.
Dónde se aplica el aprendizaje automático en el trabajo analítico
El aprendizaje automático no se utiliza para determinar los segmentos de carteras de criptomonedas. Sin embargo, puede aplicarse de forma selectiva en otras direcciones importantes y significativas del trabajo analítico.
Como se explica en un estudio dedicado a la ontología de la analítica de blockchain, el concepto que suele denominarse «clúster» incluye en realidad tres afirmaciones analíticas distintas. La primera es estructural: qué direcciones están controladas por una misma clave. La segunda es atributiva: a qué organización o persona concreta pertenece una determinada dirección. La tercera es operativa: qué relaciones existen entre esa organización o persona y una dirección concreta.
Los segmentos de carteras pertenecen a la categoría estructural. Son afirmaciones analíticas de primer nivel que deben ser deterministas, reproducibles y verificables, y tener además un modelo de posibles errores comprensible de antemano. Es lo que puede llamarse el estándar de fiabilidad estructural.
Los modelos predictivos no deben utilizarse para determinar los segmentos de carteras, porque el aprendizaje automático no es capaz de cumplir ese estándar de fiabilidad estructural. Y la cuestión aquí no es la precisión de esos modelos. Incluso un modelo predictivo perfectamente preciso seguiría sin cumplir ese estándar. Su lógica de toma de decisiones se forma a partir de los datos, no se deriva de reglas concretas que puedan verificarse y reproducirse. Si cambian los datos de entrenamiento, también pueden cambiar las reglas por las que funciona el modelo, lo que significa que también pueden cambiar sus conclusiones.
En su lugar, el aprendizaje automático puede utilizarse como una de las muchas herramientas para formar conclusiones analíticas de segundo nivel. Entre ellas se encuentran la búsqueda de objetos potencialmente significativos para una investigación posterior, la clasificación de categorías basada en pruebas, la detección de anomalías y el reconocimiento de patrones. Tales señales pueden ser útiles para orientar una investigación y determinar qué datos requieren verificación adicional.
La inteligencia artificial y el aprendizaje automático también pueden utilizarse para reforzar las herramientas de detección y represión de esquemas fraudulentos. Esos sistemas son capaces de aprender continuamente de datos de internet, conversaciones en chats y actividad en la blockchain para detectar esquemas de fraude nuevos y en evolución.
Por qué esto importa en un tribunal: el estándar Daubert
En un caso penal estadounidense, la defensa impugnó una metodología de analítica de blockchain, alegando que era insuficiente y contenía deficiencias sustanciales. Sin embargo, el tribunal concluyó que el enfoque utilizado para formar grupos de direcciones vinculadas estaba bien fundamentado. Un papel importante en esa conclusión lo desempeñó la posibilidad del tribunal de examinar la metodología de construcción de esos grupos y comprobar que la lógica del análisis era lo bastante transparente para una verificación independiente.
Así, la decisión judicial confirmó una metodología concreta, basada en reglas deterministas y reproducibles con mecanismos documentados de protección frente a errores. No significó que la analítica de blockchain, como categoría entera de métodos, se considere automáticamente fiable.
Un enfoque basado en gran medida en el aprendizaje automático puede enfrentarse a serias dificultades al someterse a la comprobación según el estándar Daubert. Si el proveedor de un sistema analítico no es capaz de explicar cómo se formó un grupo de direcciones, qué pruebas respaldan la etiqueta que se le asignó o por qué el modelo llegó a una conclusión concreta, esa metodología puede no superar la comprobación en una audiencia conforme a la Regla 702 de las Reglas Federales de Evidencia de EE. UU. Las consecuencias de ello pueden ser graves para las investigaciones, los procesos penales y los programas corporativos de cumplimiento.
Consecuencias prácticas
Los segmentos de carteras formados de forma errónea pueden influir en decisiones de las que dependen personas reales e investigaciones reales.
Para las fuerzas del orden, un segmento erróneo puede desviar una investigación por una pista falsa. Por ejemplo, los investigadores pueden pasar meses ocupándose de un sospechoso basándose en un vínculo entre carteras que en realidad no existe, o dirigir requerimientos judiciales a los exchanges de criptomonedas equivocados. En algunos casos, incluso pueden realizarse registros erróneos sobre la base de pruebas insuficientes. En investigaciones complejas que abarcan varias jurisdicciones, una sola señal inicial errónea puede bastar para frenar seriamente una investigación o llevarla a un callejón sin salida.
Para los especialistas en cumplimiento, las consecuencias pueden ser no menos graves. Una coincidencia falsa que vincule la cartera de un cliente con una organización o una persona sujeta a sanciones puede dar lugar al cierre de la cuenta, la congelación de fondos y el envío a los reguladores de un informe de actividad sospechosa. Como resultado, un cliente puede perder el acceso a los servicios financieros por un vínculo que en realidad nunca existió.
Para los fiscales, un segmento de carteras que no resiste un examen minucioso puede destruir todo el caso. Los abogados defensores examinarán la metodología sobre cuya base se estableció cada vínculo alegado entre direcciones de criptomonedas.
Los casos construidos sobre resultados inexplicables del aprendizaje automático pueden ser sobreseídos o crear un precedente judicial que después ponga en duda otros casos penales basados en pruebas de blockchain.
