- Investigadores del MIT- IBM Watson AI Lab utilizaron machine learning para realizar el estudio.
- El objetivo de la investigación es reducir los falsos positivos en el seguimiento de transacciones.
La compañía de análisis de blockchain Elliptic colaboró con el Instituto Tecnológico de Massachusetts (MIT) para publicar un conjunto de datos públicos sobre transacciones bitcoin relacionadas con actividades ilegales.
El estudio del grupo detalló cómo los investigadores del MIT-IBM Watson AI Lab utilizaron software de aprendizaje automático (conocido en inglés como aprendizaje automático) para clasificar 203.769 transacciones de nodo Bitcoin, por un valor total de aproximadamente USD 6 mil millones. La investigación examinó si la inteligencia artificial podría ayudar a los procedimientos actuales contra el lavado de dinero.
Después de examinar la asociación de nodos con entidades conocidas, los investigadores descubrieron que sólo el 2% de las más de 200.000 transacciones bitcoin fueron marcadas como ilegales. Mientras que el 21% se identificó como lícita, la gran mayoría de las transacciones, aproximadamente el 77%, permanecieron sin clasificar. Hasta la fecha se estima que se han realizado 440 millones de transacciones bitcoin desde el lanzamiento de la red en 2009.
Mira También: LG quiere ser la primera compañía en ofrecer servicio de seguro para celulares con Blockchain
La cifra del 2% está en línea con un estudio de la firma de análisis blockchain Chainalysis, que estimó que sólo el 1% de las transacciones de Bitcoin en 2019 estaban relacionadas con actividades ilegales.
Dado que Elliptic es frecuentemente contratada por agencias de aplicación de la ley de todo el mundo para identificar actividades ilegales que utilizan criptomonedas, esta investigación tiene como objetivo identificar patrones que pueden ayudar a distinguir el uso ilícito del uso legal del bitcoin, especialmente entre personas no bancarizadas u otras entidades. Desconocido
Tom Robinson, cofundador de Elliptic, le dijo a CoinDesk:
Un gran problema con el cumplimiento, en general, son los falsos positivos. Una gran parte de esta investigación es minimizar el número de falsos positivos. El hallazgo clave es que las técnicas de aprendizaje automático son muy eficaces para encontrar transacciones ilegales.
A veces, Robinson añadió, el software era capaz de encontrar patrones que eran difíciles de describir, pero todavía emparejado con entidades conocidas, basado en datos preexistentes de mercados darknet, ataques ransomware y otras investigaciones criminales.
Después del estudio académico, Elliptic publicó el mismo conjunto de datos para fomentar las contribuciones de código abierto.
Mark Weber, investigador del MIT añadió:
En el lado de la lucha contra el lavado de dinero, estamos compartiendo nuestros primeros experimentos con expertos en la materia para solicitar comentarios. También esperamos que la publicación del conjunto de datos Elliptic inspire a otros a unirse al esfuerzo para ayudar a que nuestros sistemas financieros sean más seguros mediante el desarrollo de nuevas técnicas y modelos para ElML (antilavado de dinero).
CNBC informó en abril que la creciente demanda de billetes de 100 dólares probablemente fue impulsada por un aumento de la actividad criminal mundial. Un informe de 2017 del Instituto Americano de Investigaciones Económicas estima que “más de un tercio de toda la moneda estadounidense en circulación es utilizada por delincuentes y estafadores de impuestos”
Mira También: Las rarezas divertidas de la gente en Cripto
Versión traducida del artículo de Leigh Cuen publicado en CoinDesk.
