Co potrafi AI lepiej?
Jednym z zadań, w przypadku którego narzędzia sztucznej inteligencji okazały się szczególnie nadludzkie, jest analizowanie ogromnych zbiorów danych w celu znalezienia wzorców, których ludzie nie są w stanie dostrzec, lub automatyzacja i przyspieszanie odkrywania tych, które możemy.
To sprawia, że blockchain Bitcoina, publiczny rejestr prawie miliarda transakcji między adresami pseudoanimowymi, jest idealną zagadką do rozwiązania przez sztuczną inteligencję. Teraz nowe badanie – wraz z ogromną, nowo opublikowaną kolekcją danych szkoleniowych dotyczących przestępczości kryptograficznej – może wkrótce spowodować skok naprzód w zakresie zdolności zautomatyzowanych narzędzi do wykrywania nielegalnych przepływów pieniędzy w gospodarce Bitcoin.
Badacze z firmy Elliptic, MIT i IBM zajmującej się śledzeniem kryptowalut opublikowali artykuł przedstawiający nowe podejście do wykrywania prania pieniędzy w łańcuchu bloków Bitcoin. Zamiast próbować identyfikować portfele kryptowalut lub grupy adresów powiązane z podmiotami przestępczymi, takimi jak czarne rynki w ciemnej sieci, złodzieje lub oszuści, badacze zebrali wzorce transakcji bitcoinami, które doprowadziły od jednego ze znanych złych aktorów do giełdy kryptowalut, gdzie kryptowaluta może zostać wypłacona.
Następnie wykorzystali te przykładowe wzorce do wyszkolenia modelu sztucznej inteligencji zdolnego do wykrywania podobnych przepływów pieniędzy – co opisują jako rodzaj detektora zdolnego do wykrycia „kształtu” podejrzeń prania pieniędzy w łańcuchu bloków.
Teraz nie tylko publikują eksperymentalną wersję tego modelu sztucznej inteligencji do wykrywania prania pieniędzy w bitcoinach, ale także publikują zestaw danych szkoleniowych, które za nim stoją: zbiór 200 milionów transakcji oznaczonych i sklasyfikowanych danych blockchain firmy Elliptic, które naukowcy opisują jako największy tego typu film, jaki kiedykolwiek został upubliczniony tysiąckrotnie.
- Udostępniamy około tysiąc razy więcej danych i zamiast oznaczać nielegalne portfele, oznaczamy przykłady prania pieniędzy, które mogą obejmować łańcuchy transakcji — powiedział Tom Robinson, główny naukowiec i współzałożyciel firmy Elliptic. — To zmiana paradygmatu w sposobie wykorzystania analityki blockchain – dodał.
Współpraca od 2019 roku
Analitycy Blockchain od lat korzystają z narzędzi uczenia maszynowego, aby zautomatyzować i udoskonalić swoje narzędzia do śledzenia funduszy kryptograficznych i identyfikowania przestępców. Tak naprawdę w 2019 r. firma Elliptic nawiązała już współpracę z MIT i IBM w celu stworzenia modelu sztucznej inteligencji do wykrywania podejrzanych przepływów pieniężnych i udostępniła znacznie mniejszy zestaw danych obejmujący około 200 000 transakcji, których użył do jego wyszkolenia.
Z kolei w przypadku nowych badań ten sam zespół badaczy przyjął znacznie bardziej ambitne podejście. Zamiast próbować klasyfikować pojedyncze transakcje jako uzasadnione lub nielegalne, Elliptic przeanalizował zbiory maksymalnie sześciu transakcji między klastrami adresów Bitcoin, które już zidentyfikował jako nielegalne podmioty, a giełdami, na których te wcześniej zidentyfikowane podejrzane podmioty sprzedawały swoje kryptowaluty. Zakładając, że wzorce transakcji pomiędzy przestępcami a ich punktami wypłaty mogą służyć jako przykłady zachowań związanych z praniem pieniędzy.
Opierając się na tej hipotezie, firma Elliptic zebrała 122 000 tak zwanych podgrafów, czyli wzorców znanych przypadków prania pieniędzy, w ramach całkowitego zbioru danych obejmującego 200 milionów transakcji. Zespół badawczy wykorzystał następnie te dane szkoleniowe do stworzenia modelu sztucznej inteligencji zaprojektowanego do rozpoznawania wzorców prania pieniędzy w całym łańcuchu bloków Bitcoin.
W ramach testu powstałego narzędzia sztucznej inteligencji badacze sprawdzili jego wyniki na jednej giełdzie kryptowalut – której gazeta nie wymienia – identyfikując 52 podejrzane łańcuchy transakcji, które ostatecznie trafiły na tę giełdę. Jak się okazało, giełda oznaczyła już 14 rachunków, które otrzymały te środki w związku z podejrzeniem nielegalnej działalności, w tym osiem oznaczyła jako powiązane z praniem pieniędzy lub oszustwem, częściowo w oparciu o żądane informacje oparte na zasadzie „znaj swojego klienta”.
Pomimo braku dostępu do danych typu „znaj swojego klienta” ani żadnych informacji o pochodzeniu środków, model sztucznej inteligencji opracowany przez badaczy był zgodny z wnioskami śledczych z giełdy. Prawidłowe zidentyfikowanie 14 z 52 kont klientów jako podejrzanych może nie wydawać się wysokim wskaźnikiem sukcesu, ale badacze zwracają uwagę, że tylko 0,1 procent rachunków giełdy jest ogólnie oznaczonych jako potencjalne osoby dopuszczające się prania pieniędzy.
Twierdzą, że ich zautomatyzowane narzędzie zasadniczo ograniczyło wykrywanie podejrzanych kont do więcej niż jednego na cztery. — Przejście od stwierdzenia, że jedna na tysiąc rzeczy, którym się przyjrzymy, będzie nielegalne do 14 z 52, to szalona zmiana – powiedział Mark Weber, jeden ze współautorów artykułu i pracownik Media Lab na MIT. — A teraz śledczy zamierzają przyjrzeć się pozostałym, żeby zobaczyć, czekaj, czy coś przeoczyliśmy? — dodał.
Przydatne wyniki
Elliptic twierdzi, że prywatnie korzysta już z modelu sztucznej inteligencji w swojej pracy. Jako kolejny dowód na to, że model sztucznej inteligencji daje przydatne wyniki, badacze piszą, że analiza źródła środków dla niektórych podejrzanych łańcuchów transakcji zidentyfikowanych przez model pomogła im odkryć adresy Bitcoin kontrolowane przez rosyjski rynek ciemnej sieci, „mikser” kryptowalut zaprojektowany zacieranie śladów bitcoinów na blockchainie oraz schemat Ponzi z siedzibą w Panamie.(Elliptic odmówił podania nazwiska któregokolwiek z tych rzekomych przestępców lub usług, twierdząc, że WIRED nie identyfikuje celów toczących się dochodzeń).
Być może ważniejszy niż praktyczne wykorzystanie własnego modelu sztucznej inteligencji badaczy jest jednak potencjał danych szkoleniowych Elliptic, które badacze opublikowali na należącej do Google witrynie społeczności Kaggle zajmującej się uczeniem maszynowym i nauką o danych.
- Elliptic mógł zachować to dla siebie – mówi Weber z MIT. — Zamiast tego panował tu etos otwartego oprogramowania, polegający na wnoszeniu do społeczności czegoś, co pozwoli wszystkim, nawet ich konkurentom, lepiej przeciwdziałać praniu pieniędzy - dodaje. Elliptic zauważa, że udostępnione przez niego dane są anonimowe i nie zawierają żadnych identyfikatorów właścicieli adresów Bitcoin ani nawet samych adresów, a jedynie dane strukturalne „podgrafów” transakcji, które oznaczył ocenami podejrzenia prania pieniędzy.
Baza danych, która inspiruje
- Ta ogromna baza danych bez wątpienia zainspiruje i umożliwi znacznie bardziej skoncentrowane na sztucznej inteligencji badania nad praniem pieniędzy w bitcoinach — powiedział Stefan Savage, profesor informatyki na Uniwersytecie Kalifornijskim w San Diego, który był doradcą głównego autora przełomowego badania dotyczącego śledzenia bitcoinów artykuł opublikowany w 2013 roku.
Twierdzi jednak, że obecne narzędzie nie wydaje się prawdopodobne, aby zrewolucjonizowało wysiłki w zakresie przeciwdziałania praniu pieniędzy w kryptografii w jego obecnej formie, a raczej posłuży jako dowód koncepcji. - Myślę, że analityk będzie miał czasami trudności z narzędziem, które jest czasami w miarę odpowiednie – mówi Savage. — Postrzegam to jako zapowiedź mówiącą: «Hej, coś tu jest. Więcej osób powinno nad tym popracować – dodaje.
Savage ostrzega jednak, że oparte na sztucznej inteligencji narzędzia dochodzeniowe w sprawie prania pieniędzy prawdopodobnie wzbudzą nowe pytania etyczne i prawne, jeśli zostaną wykorzystane jako rzeczywisty dowód w postępowaniu karnym. Po części dlatego, że narzędzia sztucznej inteligencji często służą jako „czarna skrzynka”, która dostarcza wyników bez żadnego wyjaśnienia, w jaki sposób został wyprodukowany.
- To jest na granicy sytuacji, w której ludzie czują się niekomfortowo w taki sam sposób, w jaki czują się niekomfortowo w związku z rozpoznawaniem twarzy – powiedział Savage. — Nie potrafisz do końca wyjaśnić, jak to działa, a teraz na nim polegasz przy podejmowaniu decyzji, które mogą mieć wpływ na wolność ludzi – dodał.
Algorytm do sygnalizowania
Weber z MIT twierdzi, że śledczy zajmujący się praniem pieniędzy zawsze używali algorytmów do sygnalizowania potencjalnie podejrzanego zachowania. Jego zdaniem narzędzia oparte na sztucznej inteligencji oznaczają po prostu, że algorytmy będą skuteczniejsze i będą miały mniej fałszywych alarmów, co marnuje czas śledczych i obciąża nieodpowiednich podejrzanych. — Tu nie chodzi o automatyzację – mówi Weber. — To problem jak igła w stogu siana i dlatego mówimy, że zamiast pałeczek używajmy wykrywaczy metali – dodał.
Jeśli chodzi o wpływ badań, jakiego oczekuje Savage, argumentuje, że nawet poza analizą blockchain dane szkoleniowe Elliptic są tak obszerne i szczegółowe, że mogą nawet pomóc w innych rodzajach badań nad sztuczną inteligencją nad analogicznymi problemami, takimi jak opieka zdrowotna i systemy rekomendacji.
Mówi jednak, że celem badaczy jest także to, aby ich praca miała skutek praktyczny, umożliwiając nowy i bardzo realny sposób poszukiwania wzorców ujawniających przestępstwa finansowe. - Mamy nadzieję, że jest to coś więcej niż ćwiczenie akademickie, że ludzie w tej dziedzinie rzeczywiście mogą to przyjąć i działać – powiedział Weber.
