Como prueba de la herramienta de inteligencia artificial resultante, los investigadores verificaron sus resultados con un intercambio de criptomonedas (que el documento no menciona) identificando 52 cadenas sospechosas de transacciones que finalmente habían fluido hacia ese intercambio. Resultó que el intercambio ya había marcado 14 de las cuentas que habían recibido esos fondos por sospecha de actividad ilícita, incluidas ocho que había marcado como asociadas con lavado de dinero o fraude, basándose en parte en la información de «conozca a su cliente» que había solicitado. de los propietarios de las cuentas. A pesar de no tener acceso a los datos de «conozca a su cliente» ni a ninguna información sobre el origen de los fondos, el modelo de inteligencia artificial de los investigadores coincidió con las conclusiones de los propios investigadores de la bolsa.
Identificar correctamente 14 de 52 de esas cuentas de clientes como sospechosas puede no parecer una alta tasa de éxito, pero los investigadores señalan que sólo el 0,1 por ciento de las cuentas del intercambio están marcadas como posible lavado de dinero en general. Argumentan que su herramienta automatizada esencialmente había reducido la búsqueda de cuentas sospechosas a más de una de cada cuatro. «Pasar de ‘una de cada mil cosas que analizamos será ilícita’ a 14 de 52 es un cambio loco», dice Mark Weber, uno de los coautores del artículo y miembro del Media Lab del MIT. «Y ahora los investigadores van a investigar el resto para ver, espera, ¿nos perdimos algo?».
Elliptic dice que ya ha estado utilizando de forma privada el modelo de IA en su propio trabajo. Como evidencia adicional de que el modelo de IA está produciendo resultados útiles, los investigadores escriben que analizar la fuente de fondos para algunas cadenas de transacciones sospechosas identificadas por el modelo les ayudó a descubrir direcciones de Bitcoin controladas por un mercado ruso de la web oscura, un «mezclador» de criptomonedas diseñado para ofuscar el rastro de bitcoins en la cadena de bloques y un esquema Ponzi con sede en Panamá. (Elliptic se negó a identificar a ninguno de esos presuntos delincuentes o servicios por su nombre y le dijo a WIRED que no identifica los objetivos de las investigaciones en curso).
Sin embargo, quizás más importante que el uso práctico del propio modelo de IA de los investigadores sea el potencial de los datos de entrenamiento de Elliptic, que los investigadores han publicado en Kaggle, el sitio comunitario de aprendizaje automático y ciencia de datos propiedad de Google. «Elliptic podría haberse quedado con esto», dice Weber del MIT. «En cambio, aquí había un espíritu de código abierto que consistía en contribuir con algo a la comunidad que permitiera a todos, incluso a sus competidores, ser mejores en la lucha contra el lavado de dinero». Elliptic señala que los datos que publicó son anónimos y no contienen ningún identificador de los propietarios de las direcciones de Bitcoin o incluso de las direcciones mismas, sólo los datos estructurales de los «subgrafos» de las transacciones que etiquetó con sus calificaciones de sospecha de lavado de dinero.
Ese enorme tesoro de datos sin duda inspirará y permitirá una investigación mucho más centrada en la inteligencia artificial sobre el lavado de dinero de bitcoins, dice Stefan Savage, profesor de ciencias de la computación en la Universidad de California en San Diego, quien se desempeñó como asesor del autor principal de un estudio fundamental sobre el seguimiento de bitcoins. artículo publicado en 2013. Sin embargo, sostiene que no parece probable que la herramienta actual revolucione los esfuerzos contra el lavado de dinero en criptografía en su forma actual, sino que sirva como prueba de concepto. “Creo que un analista va a tener dificultades con una herramienta que es amable a veces es algo correcto”, dice Savage. “Veo esto como un avance que dice: ‘Oye, aquí hay algo. Más personas deberían trabajar en esto’”.