O aprendizado de máquina é uma ferramenta útil para a análise da blockchain, se for usado de forma responsável. As ferramentas automatizadas podem examinar rapidamente enormes volumes de dados diretamente da blockchain e encontrar padrões que um analista poderia não notar, se é que conseguiria examinar manualmente semelhante volume de informações. Aplicado com bom senso, o aprendizado de máquina desempenha um papel auxiliar importante no trabalho com dados da blockchain.
No entanto, diante de cada fornecedor desse tipo de solução analítica se coloca uma questão de princípio: onde está o limite do uso admissível do aprendizado de máquina? Se os resultados do ML forem aceitos automaticamente como uma verdade estabelecida, isso pode reduzir o valor de toda a análise de blockchain. Por exemplo, um modelo preditivo pode supor erroneamente que vários endereços de criptomoedas pertencem a uma mesma organização e, assim, introduzir dados errôneos no sistema.
Ainda assim, o aprendizado de máquina tem um grande potencial para ajudar na coleta e na análise de informações. Se os resultados obtidos com o ML forem claramente marcados como estimativas probabilísticas que exigem verificação adicional, eles podem ser usados para orientar a análise sem distorcer os seus resultados.
Onde o aprendizado de máquina é aplicado no trabalho analítico
O aprendizado de máquina não é usado para determinar os segmentos de carteiras de criptomoedas. No entanto, pode ser aplicado de forma seletiva em outras direções importantes e significativas do trabalho analítico.
Como se explica em um estudo dedicado à ontologia da análise de blockchain, o conceito que costuma ser chamado de «cluster» inclui, na verdade, três afirmações analíticas distintas. A primeira é estrutural: quais endereços são controlados por uma mesma chave. A segunda é atributiva: a qual organização ou pessoa concreta pertence um determinado endereço. A terceira é operacional: quais relações existem entre essa organização ou pessoa e um endereço concreto.
Os segmentos de carteiras pertencem à categoria estrutural. São afirmações analíticas de primeiro nível que devem ser determinísticas, reproduzíveis e verificáveis, e ter também um modelo de possíveis erros compreensível de antemão. É o que se pode chamar de padrão de confiabilidade estrutural.
Os modelos preditivos não devem ser usados para determinar os segmentos de carteiras, porque o aprendizado de máquina não é capaz de cumprir esse padrão de confiabilidade estrutural. E a questão aqui não é a precisão desses modelos. Mesmo um modelo preditivo perfeitamente preciso ainda assim não cumpriria esse padrão. A sua lógica de tomada de decisões forma-se a partir dos dados, não é derivada de regras concretas que possam ser verificadas e reproduzidas. Se os dados de treinamento mudam, também podem mudar as regras pelas quais o modelo funciona, o que significa que também podem mudar as suas conclusões.
Em vez disso, o aprendizado de máquina pode ser usado como uma das muitas ferramentas para formar conclusões analíticas de segundo nível. Entre elas estão a busca de objetos potencialmente significativos para uma investigação posterior, a classificação de categorias baseada em provas, a detecção de anomalias e o reconhecimento de padrões. Esses sinais podem ser úteis para orientar uma investigação e determinar quais dados exigem verificação adicional.
A inteligência artificial e o aprendizado de máquina também podem ser usados para reforçar as ferramentas de detecção e repressão de esquemas fraudulentos. Esses sistemas são capazes de aprender continuamente a partir de dados da internet, conversas em chats e atividade na blockchain para identificar esquemas de fraude novos e em evolução.
Por que isso importa em um tribunal: o padrão Daubert
Em um caso penal estadunidense, a defesa contestou uma metodologia de análise de blockchain, alegando que era insuficiente e continha falhas substanciais. O tribunal, no entanto, concluiu que a abordagem usada para formar grupos de endereços vinculados era bem fundamentada. Um papel importante nessa conclusão foi desempenhado pela possibilidade de o tribunal examinar a metodologia de construção desses grupos e verificar que a lógica da análise era suficientemente transparente para uma verificação independente.
Assim, a decisão judicial confirmou uma metodologia concreta, baseada em regras determinísticas e reproduzíveis com mecanismos documentados de proteção contra erros. Não significou que a análise de blockchain, como categoria inteira de métodos, seja automaticamente considerada confiável.
Uma abordagem baseada em grande medida no aprendizado de máquina pode enfrentar sérias dificuldades ao ser submetida à verificação segundo o padrão Daubert. Se o fornecedor de um sistema analítico não for capaz de explicar como um grupo de endereços foi formado, quais provas sustentam o rótulo que lhe foi atribuído ou por que o modelo chegou a uma conclusão concreta, essa metodologia pode não resistir à verificação em uma audiência conforme a Regra 702 das Regras Federais de Evidência dos EUA. As consequências disso podem ser graves para as investigações, os processos penais e os programas corporativos de compliance.
Consequências práticas
Os segmentos de carteiras formados de maneira errônea podem influenciar decisões das quais dependem pessoas reais e investigações reais.
Para as autoridades policiais, um segmento errôneo pode desviar uma investigação por uma pista falsa. Por exemplo, os investigadores podem passar meses ocupando-se de um suspeito com base em um vínculo entre carteiras que na realidade não existe, ou encaminhar requerimentos judiciais às exchanges de criptomoedas erradas. Em alguns casos, podem até ser realizadas buscas errôneas com base em provas insuficientes. Em investigações complexas que abrangem várias jurisdições, um único sinal inicial errôneo pode bastar para frear seriamente uma investigação ou levá-la a um beco sem saída.
Para os especialistas em compliance, as consequências podem ser não menos graves. Uma coincidência falsa que vincule a carteira de um cliente a uma organização ou pessoa sujeita a sanções pode levar ao encerramento da conta, ao congelamento de fundos e ao envio aos reguladores de um relatório de atividade suspeita. Como resultado, um cliente pode perder o acesso aos serviços financeiros por causa de um vínculo que na realidade nunca existiu.
Para os promotores, um segmento de carteiras que não resiste a um exame minucioso pode destruir todo o caso. Os advogados de defesa examinarão a metodologia com base na qual foi estabelecido cada vínculo alegado entre endereços de criptomoedas.
Os casos construídos sobre resultados inexplicáveis do aprendizado de máquina podem ser arquivados ou criar um precedente judicial que depois lance dúvidas sobre outros casos penais baseados em provas de blockchain.
