Chainalysis, cüzdan kümeleme kararlarında yapay zekayı sınırlandırdı

Blok zinciri istihbaratı şirketi Chainalysis(Chainalysis), adres eşleştirme ve varlık atfı gibi kararlarda makine öğrenmesinin 'karar verici' değil 'yardımcı araç' olarak kullanılması gerektiğini açıkça ortaya koydu. Şirkete göre bu tür yapısal kararlar, tahmin modellerinden çok tekrarlanabilir ve denetlenebilir kanıt standartlarına dayanmalı.

Chainalysis, 14'ünde yayımladığı "Machine Learning Has a Specific Role in Blockchain Intelligence" başlıklı yazısında, otomatik araçların çıktıları doğrulanmadan gerçek kabul edildiğinde hatalı adres eşleştirmelerinin ve bunun getirdiği ek zararların ortaya çıkabileceğini belirtti. Şirket, makine öğrenmesini cüzdan segmenti belirlemede kullanmadığını, bunun yerine olasılıksal sinyallere izin verilen alanlarda -lead üretimi, anomali tespiti, örüntü tanıma ve dolandırıcılık tespiti gibi konularda- seçici biçimde kullandığını açıkladı.

İşin özü kümelerin anlamını doğru ayırmakta yatıyor. Chainalysis, "Defining the Cluster" başlıklı ayrı bir raporda blok zinciri adres analizini △yapısal karar △nitelik atfı △operatör tespiti olmak üzere üçe ayırdı. Şirkete göre birden fazla adresin aynı kontrol altında olup olmadığına dair yapısal iddialar, belirlenimci, tekrarlanabilir ve denetlenebilir kriterler gerektiriyor.

Bu çerçevede makine öğrenmesi yapısal iddialar kapsamına girmiyor. Tahmin modelleri şüpheli örüntüleri bulmak veya soruşturma ipuçlarını daraltmak için kullanılabilir ama adreslerin aynı özne tarafından kontrol edildiği sonucunun yerini tutamaz. Chainalysis'in bu yazıda vurguladığı 'sorumlu makine öğrenmesi' kavramı, daha fazla otomasyon değil, otomasyonun kullanılmaması gereken alanları önce belirlemek anlamına geliyor.

Bu tartışma borsalar, soruşturma birimleri ve uyum ekipleri açısından da önem taşıyor. Zincir üstü adres analizleri şüpheli işlem tespiti ve fon takibinde yaygın olarak kullanılıyor. Adres eşleştirme ve varlık atfı hatalı olduğunda sıradan kullanıcılar yüksek riskli hedef olarak sınıflandırılabiliyor ya da soruşturma ipuçları yanlış yöne kayabiliyor. TokenPost daha önce adres yanlış sınıflandırmasının gerçek zarar tahminlerine yol açtığı bir vakayı haberleştirmişti.

Bağımsız araştırmalar da bu tartışmaya referans noktası oluşturdu. USENIX Security 25'te yayımlanan "Ghost Clusters" başlıklı makale, Chainalysis'in analiz sonuçlarını el konulan üç yasa dışı servisin gerçek adres verileriyle karşılaştırdı. Araştırmacılar, Chainalysis'in belirli servis atfı doğruluğunda alt sınırı yüzde 24,54 ile yüzde 94,85 arasında bulduklarını, yanlış pozitif oranının ise yüzde 0,5'in altında kaldığını belirtti.

Chainalysis aynı araştırmaya atıfta bulunarak kendi verilerinin doğruluğunu ve düşük yanlış pozitif oranını öne çıkardı. Ancak araştırmanın orijinal metni doğruluk aralığını servis bazında 'alt sınır' olarak sunarken, şirketin sonraki yazısı 'yüzde 94,85'e kadar' ifadesini ve daha düşük yanlış pozitif oranını ön plana çıkardı. Haber üretim sürecinde araştırmanın orijinal rakamlarıyla şirketin tanıtım amaçlı ifadelerinin birbirinden ayrılması gerekiyor -bu noktada bir 'yorum' niteliği taşıyor.

Chainalysis'in yöntem tartışması mahkemelerdeki güvenilirlikle de bağlantılı. Şirket, 2024'te görülen 'United States v. Sterlingov' davasındaki kararı örnek göstererek doğrulanabilir sezgisel yöntemlerin ve tekrarlanabilir prosedürlerin blok zinciri analizinin savunma gücünü artırdığını yorumluyor. Bu yazı da teknik performans yerine kanıt standardını öne çıkarma yaklaşımının bir devamı niteliğinde.

Kamuoyu tepkisi şimdilik sınırlı kaldı. LinkedIn'de sektör temsilcileri, kümelerin gerçek organizasyonlarla, örüntülerin de suç kastıyla doğrudan eşitlenmemesi gerektiği yönünde destek verdi. Yazının kendisini kapsayan geniş çaplı bir kamuoyu tartışması ise şu ana kadar görülmedi.

Chainalysis'in bu açıklaması, blok zinciri istihbaratı pazarında yapay zeka kullanımı rekabetinin arttığı bir dönemde geldi. Şirket, makine öğrenmesini benimsemekle birlikte adres yapısı kararları ile kanıta dayalı atfın birbirinden ayrılması gerektiğini vurguladı. Otomasyon analiz hızını artırabilir ama mahkeme ve uyum süreçlerinde asıl ihtiyaç duyulan şeyin açıklanabilir standartlar olduğunun altını çizdi.