Hechos clave:
-
Investigadores del MIT- IBM Watson AI Lab utilizaron machine learning para realizar el estudio.
-
El objetivo de la investigaciĂłn es reducir los falsos positivos en el seguimiento de transacciones.
La empresa de análisis de blockchain Elliptic colaborĂł con el Instituto TecnolĂłgico de Massachusetts (MIT), para publicar un conjunto de datos pĂşblicos sobre transacciones de bitcoin relacionadas con actividades ilĂcitas.
El estudio del grupo detallĂł como los investigadores del MIT- IBM Watson AI Lab utilizaron un software de aprendizaje automático (conocido en inglĂ©s como machine learning) para categorizar 203.769 transacciones de nodos Bitcoin, por un valor total de aproximadamente USD 6.000 millones. La investigaciĂłn explorĂł si la inteligencia artificial podrĂa ayudar a los procedimientos actuales contra el lavado de dinero.
Tras examinar la asociaciĂłn de los nodos con entidades conocidas, los investigadores descubrieron que solo el 2% de más de 200.000 transacciones de bitcoin se marcaron como ilĂcitas. Mientras que el 21% fueron identificadas como lĂcitas, la gran mayorĂa de las transacciones, aproximadamente, el 77%, permanecieron sin clasificar. Hasta la fecha se estima que se han realizado 440 millones de transacciones de bitcoin desde el lanzamiento de la red en 2009.
La cifra del 2% está en lĂnea con un estudio de la firma de análisis blockchain Chainalysis, que estimĂł que solo el 1% de las transacciones de Bitcoin en 2019 estaban relacionadas con actividades ilĂcitas.
Dado que Elliptic es frecuentemente contratado por agencias policiales de todo el mundo para identificar actividades ilegales que utilizan criptomonedas, esta investigaciĂłn tiene como objetivo identificar patrones que pueden ayudar a distinguir el uso ilĂcito del uso legal de bitcoin, especialmente entre individuos no bancarizados u otras entidades desconocidas.
Tom Robinson, cofundador de Elliptic, comentĂł a CoinDesk:
Un gran problema con el cumplimiento, en general, son los falsos positivos. Una gran parte de esta investigaciĂłn es para minimizar el nĂşmero de falsos positivos. El hallazgo clave es que las tĂ©cnicas de aprendizaje automático son muy efectivas para encontrar transacciones ilĂcitas.
A veces, agregĂł Robinson, el software era capaz de encontrar patrones que eran difĂciles de describir pero que aun asĂ coincidĂan con entidades conocidas, basándose en datos preexistentes de mercados de la red oscura (darknet), ataques de ransomware y otras investigaciones criminales.
Tras el estudio académico, Elliptic hizo público el mismo conjunto de datos para fomentar las contribuciones de código abierto.
Mark Weber, investigador del MIT agregĂł:
Por el lado de la lucha contra el lavado de dinero, estamos compartiendo nuestros primeros experimentos con expertos en la materia para solicitar comentarios. También esperamos que la publicación del conjunto de datos de Elliptic inspire a otros a unirse al esfuerzo para ayudar que nuestros sistemas financieros sean más seguros mediante el desarrollo de nuevas técnicas y modelos para la AML (anti-money laundering).
CNBC informó en abril que la creciente demanda de billetes de USD 100 probablemente fue impulsada por un aumento en la actividad criminal global. Un informe del 2017 del Instituto Americano de Investigación Económica (American Institute for Economic Research) estima que “más de tercio de toda la moneda estadounidense en circulación es utilizada por delincuentes y estafadores fiscales”
VersiĂłn traducida del artĂculo de Leigh Cuen publicado en CoinDesk.