Pour tester l'outil d'IA qu'ils ont obtenu, les chercheurs ont vérifié ses résultats auprès d'un échange de crypto-monnaie – que le journal ne nomme pas – et a identifié 52 chaînes de transactions suspectes qui avaient toutes finalement abouti à cet échange. Il s'est avéré que l'échange avait déjà signalé 14 des comptes qui avaient reçu ces fonds pour activité illicite présumée, dont 8 qu'il avait marqués comme associés au blanchiment d'argent ou à la fraude, sur la base en partie des informations de connaissance de votre client qu'il avait demandées. des propriétaires du compte. Bien qu'ils n'aient pas accès aux données de connaissance de leurs clients ni à aucune information sur l'origine des fonds, le modèle d'IA des chercheurs correspondait aux conclusions des propres enquêteurs de la bourse.
Identifier correctement 14 de ces 52 comptes clients comme suspects ne semble pas être un taux de réussite élevé, mais les chercheurs soulignent que seulement 0,1 % des comptes de la bourse sont globalement signalés comme étant potentiellement destinés au blanchiment d'argent. Leur outil automatisé, affirment-ils, a essentiellement réduit la recherche de comptes suspects à plus d’un sur quatre. « Passer de 'une chose sur mille que nous examinons sera illicite' à 14 sur 52 est un changement fou », déclare Mark Weber, l'un des co-auteurs du journal et membre du Media Lab du MIT. « Et maintenant, les enquêteurs vont se pencher sur le reste pour voir, attendez, avons-nous raté quelque chose ?
Elliptic affirme avoir déjà utilisé le modèle d'IA en privé dans son propre travail. Comme preuve supplémentaire que le modèle d'IA produit des résultats utiles, les chercheurs écrivent que l'analyse de la source de fonds de certaines chaînes de transactions suspectes identifiées par le modèle les a aidés à découvrir des adresses Bitcoin contrôlées par un marché russe du dark web, un « mélangeur » de crypto-monnaie conçu pour brouiller la trace des bitcoins sur la blockchain et un système de Ponzi basé au Panama. (Elliptic a refusé d'identifier nommément l'un de ces criminels ou services présumés, affirmant à WIRED qu'il n'identifiait pas les cibles des enquêtes en cours.)
Cependant, le potentiel des données d'entraînement d'Elliptic, que les chercheurs ont découvert, est peut-être plus important que l'utilisation pratique du propre modèle d'IA des chercheurs. publié sur le site communautaire d'apprentissage automatique et de science des données, Kaggle, propriété de Google. « Elliptic aurait pu garder cela pour lui », déclare Weber du MIT. « Au lieu de cela, il y avait ici une philosophie open source consistant à apporter quelque chose à la communauté qui permettrait à chacun, même à ses concurrents, d'être meilleur dans la lutte contre le blanchiment d'argent. » Elliptic note que les données publiées sont anonymisées et ne contiennent aucun identifiant pour les propriétaires d'adresses Bitcoin ni même les adresses elles-mêmes, mais uniquement les données structurelles des « sous-graphiques » des transactions qu'il a étiquetées avec ses évaluations de suspicion de blanchiment d'argent.
Cet énorme trésor de données inspirera et permettra sans aucun doute une recherche beaucoup plus axée sur l'IA sur le blanchiment d'argent Bitcoin, déclare Stefan Savage, professeur d'informatique à l'Université de Californie à San Diego qui a été conseiller de l'auteur principal d'un ouvrage. article fondateur sur le traçage du Bitcoin publié en 2013. Il fait cependant valoir que l'outil actuel ne semble pas susceptible de révolutionner les efforts de lutte contre le blanchiment d'argent dans le domaine de la cryptographie dans sa forme actuelle, mais plutôt de servir de preuve de concept. « Je pense qu'un analyste va avoir du mal avec un outil qui est gentil de droit parfois », dit Savage. «Je considère cela comme une avancée qui dit: 'Hé, il y a un truc ici.' Plus de gens devraient travailler là-dessus.