En tant que test de leur outil d'IA qui en résulte, les chercheurs ont vérifié ses sorties avec un échange de crypto-monnaie – que le document ne nomme pas – identifiant 52 chaînes suspectes de transactions qui avaient finalement affluées dans cet échange. Il s'est avéré que l'échange avait déjà signalé 14 des comptes qui avaient reçu ces fonds pour une activité illicite présumée, dont huit qu'il avait marqués comme associés à un blanchiment ou à une fraude, en partie sur les informations de connaissance de votre client des propriétaires de compte. Bien qu'il n'ait pas accès à ces données de connaissance de votre client ou aucune information sur l'origine des fonds, le modèle d'IA des chercheurs avait égalé les conclusions des propres enquêteurs de l'échange.

L'identification correcte de 142 de ces comptes clients sur 52 comme suspects peut ne pas ressembler à un taux de réussite élevé, mais les chercheurs soulignent que seulement 0,1% des comptes de l'échange sont signalés comme un blanchiment d'argent potentiel dans l'ensemble. Leur outil automatisé, selon eux, avait essentiellement réduit la chasse à des comptes suspects à plus d'un sur quatre. «Passant de« des choses sur mille que nous regardons va être illicite »à 14 sur 52 est un changement fou», explique Mark Weber, l'un des coauteurs du journal et un boursier du MIT du laboratoire de médias. «Et maintenant, les enquêteurs vont en fait examiner le reste de ceux-ci à voir, attendre, avons-nous manqué quelque chose?»

Elliptic dit qu'il a déjà utilisé le modèle d'IA dans son propre travail. Comme plus de preuves que le modèle d'IA produit des résultats utiles, les chercheurs rédigent que l'analyse de la source de fonds pour certaines chaînes de transactions suspectes identifiées par le modèle les a aidés à découvrir les adresses Bitcoin contrôlées par un marché russe de la web sombre, un «mélangeur» de crypto-monnaie conçu Pour obscurcir la piste des Bitcoins sur la blockchain et un schéma de Ponzi basé au Panama. (Elliptique a refusé d'identifier l'un de ces présumés criminels ou services par leur nom, disant à Wired qu'il n'identifie pas les objectifs des enquêtes en cours.)

Peut-être plus important que l'utilisation pratique du modèle d'IA des chercheurs, cependant, est le potentiel des données de formation d'Elliptic, que les chercheurs ont publié Sur le site de la communauté de l'apprentissage automatique et de la science des données appartenant à Google, Kaggle. «Elliptique aurait pu garder cela pour eux-mêmes», explique Weber du MIT. «Au lieu de cela, il y avait ici une philosophie open source de contribuer à la communauté qui permettra à tout le monde, même à ses concurrents, d'être meilleur dans le blanchiment de l'anti-monnaie.» Elliptique note que les données publiées sont anonymisées et ne contiennent aucun identifiant pour les propriétaires d'adresses Bitcoin ou même les adresses elles-mêmes, seules les données structurelles des «sous-graphiques» des transactions qu'il a marqués avec ses notes de suspicion de blanchiment d'argent.

Cette énorme trate de données inspirera et permettra sans aucun doute beaucoup plus de recherches axées sur l'IA sur le blanchiment d'argent du bitcoin, explique Stefan Savage, professeur de sciences en informatique à l'Université de Californie San Diego qui a été conseiller à l'auteur principal d'un tracé de Bitcoin séminal Document publié en 2013. Il soutient, cependant, que l'outil actuel ne semble pas susceptible de révolutionner les efforts de blanchiment de l'argent dans Crypto dans sa forme actuelle, tout comme une preuve de concept. «Un analyste, je pense, va avoir du mal avec un outil qui gentil de droit parfois », explique Savage. «Je considère cela comme une avance qui dit:« Hé, il y a une chose ici. Plus de gens devraient y travailler. »»