Makine öğrenmesi, sorumlu biçimde kullanılırsa blok zinciri analizi için yararlı bir araçtır. Otomatikleştirilmiş araçlar, doğrudan blok zincirinden gelen devasa veri yığınlarını hızla tarayabilir ve bir analistin - böyle bir hacimdeki bilgiyi elle incelemeye vakti olsa bile - gözden kaçırabileceği örüntüleri bulabilir. Makul biçimde uygulandığında makine öğrenmesi, blok zinciri verileriyle çalışmada önemli bir yardımcı rol oynar.
Ancak bu tür analitik çözümlerin her sağlayıcısının önünde ilkesel bir soru durur: makine öğrenmesinin kabul edilebilir kullanımının sınırı nerede? ML sonuçları otomatik olarak tespit edilmiş bir gerçek kabul edilirse, bu tüm blok zinciri analizinin değerini düşürebilir. Örneğin, bir öngörü modeli birkaç kripto para adresinin aynı kuruluşa ait olduğunu hatalı biçimde varsayabilir ve böylece sisteme hatalı veriler aktarabilir.
Yine de makine öğrenmesi, bilgilerin toplanması ve analizine yardımcı olma konusunda ciddi bir potansiyele sahiptir. ML ile elde edilen sonuçlar, ek doğrulama gerektiren olasılıksal tahminler olarak açıkça işaretlenirse, analizin sonuçlarını çarpıtmadan onu yönlendirmek için kullanılabilir.
Makine öğrenmesi analitik çalışmada nerede uygulanır
Makine öğrenmesi, kripto para cüzdan segmentlerini belirlemek için kullanılmaz. Ancak analitik çalışmanın diğer önemli ve anlamlı yönlerinde seçici olarak uygulanabilir.
Blok zinciri analizinin ontolojisine ayrılmış bir çalışmada açıklandığı gibi, genellikle «küme» olarak adlandırılan kavram aslında üç farklı analitik ifadeyi içerir. Birincisi yapısaldır: hangi adreslerin aynı anahtar tarafından kontrol edildiği. İkincisi atıfsaldır: belirli bir adresin hangi somut kuruluşa veya kişiye ait olduğu. Üçüncüsü operatörseldir: bu kuruluş veya kişi ile somut bir adres arasında hangi ilişkilerin bulunduğu.
Cüzdan segmentleri yapısal kategoriye girer. Bunlar, deterministik, yeniden üretilebilir ve doğrulanabilir olması ve ayrıca önceden anlaşılır bir olası hata modeline sahip olması gereken birinci düzey analitik ifadelerdir. İşte buna yapısal güvenilirlik standardı denebilir.
Öngörü modelleri cüzdan segmentlerini belirlemek için kullanılmamalıdır, çünkü makine öğrenmesi bu yapısal güvenilirlik standardını karşılayamaz. Ve buradaki mesele bu modellerin doğruluğu değildir. Kusursuz derecede doğru bir öngörü modeli bile yine de bu standardı karşılamaz. Karar verme mantığı, doğrulanabilecek ve yeniden üretilebilecek somut kurallardan türetilmez, verilere dayanarak oluşur. Eğitim verileri değişirse, modelin işlediği kurallar da değişebilir, bu da sonuçlarının değişebileceği anlamına gelir.
Bunun yerine makine öğrenmesi, ikinci düzey analitik sonuçlar oluşturmak için birçok araçtan biri olarak kullanılabilir. Bunlara, daha ileri soruşturma için potansiyel olarak önemli nesnelerin aranması, kanıta dayalı kategori sınıflandırması, anomali tespiti ve örüntü tanıma dâhildir. Bu tür sinyaller, bir soruşturmayı yönlendirmek ve hangi verilerin ek doğrulama gerektirdiğini belirlemek için yararlı olabilir.
Yapay zekâ ve makine öğrenmesi, dolandırıcılık şemalarını tespit ve engelleme araçlarını güçlendirmek için de kullanılabilir. Bu tür sistemler, yeni ve gelişmekte olan dolandırıcılık şemalarını tespit etmek için internetten gelen verilerden, sohbet yazışmalarından ve blok zinciri etkinliğinden sürekli öğrenebilir.
Bunun bir mahkemede neden önemli olduğu: Daubert standardı
Bir ABD ceza davasında savunma, bir blok zinciri analiz metodolojisine, yetersiz olduğunu ve önemli kusurlar içerdiğini ileri sürerek itiraz etti. Ancak mahkeme, birbirine bağlı adres grupları oluşturmak için kullanılan yaklaşımın sağlam temellere dayandığı sonucuna vardı. Bu sonuçta, mahkemenin bu tür grupların oluşturulma metodolojisini inceleyebilmesi ve analiz mantığının bağımsız bir doğrulama için yeterince şeffaf olduğuna kanaat getirebilmesi önemli bir rol oynadı.
Böylece mahkeme kararı, belgelenmiş hata koruma mekanizmalarına sahip, deterministik ve yeniden üretilebilir kurallara dayanan somut bir metodolojiyi onayladı. Bu, blok zinciri analizinin bütün bir yöntem kategorisi olarak otomatik biçimde güvenilir sayıldığı anlamına gelmedi.
Büyük ölçüde makine öğrenmesine dayanan bir yaklaşım, Daubert standardına göre test edilirken ciddi zorluklarla karşılaşabilir. Bir analitik sistemin sağlayıcısı, bir adres grubunun nasıl oluşturulduğunu, ona atanan etiketi hangi kanıtların desteklediğini veya modelin neden somut bir sonuca ulaştığını açıklayamıyorsa, böyle bir metodoloji ABD Federal Delil Kuralları'nın 702. Kuralı uyarınca yapılan bir duruşmada denetimi geçemeyebilir. Bunun sonuçları soruşturmalar, ceza kovuşturmaları ve kurumsal uyum programları için ciddi olabilir.
Pratik sonuçlar
Hatalı oluşturulmuş cüzdan segmentleri, gerçek insanların ve gerçek soruşturmaların bağlı olduğu kararları etkileyebilir.
Kolluk kuvvetleri için hatalı bir segment, bir soruşturmayı yanlış bir ize sürükleyebilir. Örneğin, soruşturmacılar gerçekte var olmayan bir cüzdanlar arası bağlantıya dayanarak aylarca bir şüpheliyle uğraşabilir veya adli talepleri yanlış kripto para borsalarına gönderebilir. Bazı durumlarda, yetersiz kanıta dayanarak hatalı aramalar bile yapılabilir. Birden fazla yargı bölgesini kapsayan karmaşık soruşturmalarda, tek bir yanlış başlangıç sinyali bir soruşturmayı ciddi biçimde yavaşlatmaya veya çıkmaza sokmaya yetebilir.
Uyum uzmanları için sonuçlar daha az ciddi olmayabilir. Bir müşterinin cüzdanını yaptırım altındaki bir kuruluş veya kişiyle ilişkilendiren yanlış bir eşleşme, hesabın kapatılmasına, fonların dondurulmasına ve düzenleyicilere şüpheli işlem bildirimi gönderilmesine yol açabilir. Sonuç olarak bir müşteri, gerçekte hiç var olmamış bir bağlantı yüzünden finansal hizmetlere erişimini kaybedebilir.
Savcılar için, titiz bir incelemeye dayanamayan bir cüzdan segmenti tüm davayı çökertebilir. Savunma avukatları, kripto para adresleri arasında ileri sürülen her bağlantının hangi metodolojiye dayanarak kurulduğunu inceleyecektir.
Açıklanamayan makine öğrenmesi sonuçları üzerine kurulan davalar düşebilir ya da daha sonra blok zinciri kanıtlarına dayanan başka ceza davalarını da şüpheye düşürecek bir emsal oluşturabilir.
