Comment fonctionne l'intégration de l'IA dans les systèmes Blockchain

L'intégration de l'intelligence artificielle dans les systèmes blockchain n'est plus une expérience – c'est aujourd'hui un outil de travail qui augmente la sécurité et améliore l'analyse

Alexey Karpunin, directeur des technologies de l'information et fondateur de l'IPWK IT Management Academy, a expliqué comment l'IA aide exactement les entreprises.

L'apprentissage automatique est déjà utilisé pour détecter les transactions anormales, vérifier automatiquement les contrats intelligents et réagir rapidement aux cyberattaques. Le réseau Forta en est un exemple éloquent : il analyse la blockchain en temps réel et utilise l'IA pour alerter sur les tentatives de phishing, les piratages de ponts et les activités suspectes dans les protocoles DeFi. Grâce à ces solutions, il est possible non seulement de détecter une menace, mais aussi d'en bloquer automatiquement le développement.

Dans le domaine de la conformité, l'IA est devenue la norme. Chainalysis et TRM Labs utilisent l'apprentissage automatique pour regrouper les adresses, créer des modèles comportementaux et identifier les schémas complexes de blanchiment d'argent. Cela réduit considérablement le nombre de fausses alertes et accélère le processus d'enquête. Chainalysis, par exemple, affirme que ses algorithmes ont déjà classifié plus d'un milliard d'adresses et plus de 107 000 entités. Cependant, ces avantages s'accompagnent de vulnérabilités : le transfert des calculs vers des clouds centralisés augmente le risque de point de défaillance unique. Preuve en est le projet Bittensor en 2024, lorsqu'environ 8 millions de dollars ont été volés suite à une fuite de clés privées, nécessitant le basculement du réseau en mode sans échec.

Un autre défi majeur est le problème de la boîte noire de l'IA. Lorsqu'un algorithme prend une décision, notamment dans le secteur financier, les régulateurs et les utilisateurs souhaitent comprendre comment il y est parvenu. La loi européenne sur l'IA, entrée en vigueur en août 2024, introduit des exigences de transparence des modèles et d'explicabilité des décisions. Ceci est particulièrement important pour les projets cryptographiques, où les fonds des utilisateurs et le fonctionnement des protocoles DeFi sont en jeu.

La communauté Web3 cherche déjà des solutions technologiques à ces défis. Parmi celles-ci :

• Réseaux informatiques décentralisés comme Akash, Render et io.net qui permettent aux modèles de s'exécuter sur des GPU distribués, réduisant ainsi la dépendance vis-à-vis des grands fournisseurs de cloud.
• Informatique confidentielle utilisant TEE et FHE (Oasis, Secret Network, Zama), qui permettent de traiter des données sous forme cryptée.
• IA vérifiable via des preuves ZK, qui permettent de prouver l'exactitude de l'exécution d'un modèle sans révéler ses détails.
• Apprentissage décentralisé utilisant l'apprentissage fédéré (FL) et le calcul multipartite (MPC), éliminant le besoin de partager les données sources.
• Audit IA des contrats intelligents en complément des outils classiques, qui permet de trouver les vulnérabilités plus rapidement et avec moins d'erreurs.

Une stratégie pratique pour les équipes travaillant sur le Web3 peut comprendre plusieurs étapes : mise en œuvre de la surveillance ML (par exemple, Forta), stockage des artefacts et paramètres des modèles sur la blockchain pour faciliter l'audit, utilisation de ressources décentralisées plutôt que de clouds centralisés, entraînement des modèles sans fuite des données sources et vérification multi-niveaux des contrats intelligents à l'aide de l'IA et d'outils traditionnels. Il est tout aussi important de prendre en compte la sécurité de la chaîne d'approvisionnement : vérification des dépendances, signature des versions et préparation à un passage rapide en mode restriction en cas d'incident.

Pour les utilisateurs, ces mesures se traduisent par une réduction du risque d'attaques, une confiance accrue dans la DeFi et les DAO, et la protection des données personnelles lors de l'analyse et de l'apprentissage des modèles. Pour le marché, il s'agit d'une étape vers l'adoption d'une IA vérifiable et explicable comme norme dans la blockchain.

L'IA et la blockchain peuvent se compléter : la première renforce le niveau de sécurité et d'automatisation, la seconde assure transparence et contrôle. Avec une architecture adaptée, cette combinaison permet de construire des systèmes décentralisés plus résilients, sécurisés et ouverts.

Source: cryptonews.net