Chainalysis trekt grens voor AI in blockchainonderzoek: een modeluitkomst is geen bewijs
Eén fout walletverband kan een onderzoek maanden de verkeerde kant opsturen. Chainalysis trekt daarom een harde grens voor AI: een model mag verdachte patronen vinden, maar mag een voorspelling niet automatisch als forensisch feit vastleggen.
In een nieuwe publicatie van 14 augustus stelt het bedrijf dat machine learning waardevol is voor blockchainonderzoek. Zodra een modeluitkomst als “ground truth” wordt behandeld, kan dezelfde techniek juist slechte data door het hele onderzoeksproces verspreiden.
AI mag zoeken, maar niet beslissen wie een wallet bezit
Blockchainanalyse probeert openbare transacties te vertalen naar bruikbare informatie over adressen, diensten en geldstromen.
Dat klinkt overzichtelijker dan het is.
Een blockchain toont welke adressen transacties uitvoeren. Hij vertelt niet automatisch welke persoon, beurs of organisatie achter ieder adres zit.
Daarvoor gebruiken analysebedrijven clustering en attributie.
Chainalysis zegt machine learning bewust niet te gebruiken voor het vaststellen van zogenoemde walletsegmenten. Dat zijn groepen adressen waarvan structureel wordt vastgesteld dat dezelfde cryptografische controle erachter zit.
De reden is opvallend.
Het bedrijf zegt niet dat AI simpelweg te onnauwkeurig is. Zelfs een voorspellend model dat uitzonderlijk vaak gelijk heeft, voldoet volgens Chainalysis niet aan de vereisten voor zo'n structurele claim.
Een ‘cluster’ blijkt eigenlijk uit drie claims te bestaan
Chainalysis probeert het woord cluster daarom verder uit elkaar te trekken.
In zijn formele rapport Defining the Cluster onderscheidt het bedrijf drie vragen.
Eerst is er de structurele vraag: welke adressen staan aantoonbaar onder dezelfde sleutelcontrole?
Daarna volgt attributie: aan welke bekende entiteit kan die groep worden gekoppeld?
Ten slotte komt de operatorvraag: beheert die partij de wallet daadwerkelijk zelf, of is zij bijvoorbeeld alleen gebruiker of begunstigde van een dienst?
Dat onderscheid voorkomt dat drie verschillende conclusies als één simpel walletlabel in een database verdwijnen.
AI kan zeggen: “hier zit waarschijnlijk iets.” Voor een harde walletclaim moet daarna nog kunnen worden uitgelegd waarom die conclusie klopt.
Waarom een nauwkeurig AI-model toch niet genoeg is
Voor structurele walletsegmenten hanteert Chainalysis wat het de structural soundness standard noemt.
De methode moet deterministisch, reproduceerbaar en controleerbaar zijn. Ook bekende manieren waarop een methode kan falen moeten zijn beschreven.
Machine learning botst volgens het bedrijf met die eis omdat het beslisregels uit trainingsdata leert.
Verander de trainingsdata en een model kan andere regels leren. Daardoor kan ook de uitkomst veranderen zonder dat een onderzoeker één simpele, vaste regel kan aanwijzen die het verschil verklaart.
Voor patroonherkenning hoeft dat geen probleem te zijn.
Voor een claim dat meerdere adressen werkelijk onder dezelfde controle staan, ligt de lat volgens Chainalysis veel hoger.
Machine learning krijgt wel degelijk een grote rol
Chainalysis wijst AI dus niet af.
Het bedrijf gebruikt machine learning juist voor zogenoemde Tier 2-analyses. Daaronder vallen leadgeneratie, inschattingen van categorieën, anomaliedetectie en patroonherkenning.
Daar is onzekerheid toegestaan, zolang de uitkomst als probabilistisch signaal wordt behandeld en later wordt gecontroleerd.
Ook bij scamdetectie gebruikt Chainalysis AI.
Alterya analyseert onder meer webdata, chatberichten en blockchainactiviteit om nieuwe fraudepatronen te vinden. De modellen kunnen zo eerder een mogelijk spoor aanwijzen zonder dat iedere voorspelling automatisch een vaststaand walletfeit wordt.
De scheiding wordt daarmee vrij helder.
AI voor zoeken: ja. AI als oncontroleerbare eindbeslisser: nee.
Eén verkeerd cluster kan echte accounts raken
Dat onderscheid is niet alleen academisch.
Chainalysis waarschuwt dat een verkeerd walletsegment voor opsporingsdiensten kan betekenen dat onderzoekers de verkeerde verdachte volgen of informatie opvragen bij de verkeerde exchange. In grotere onderzoeken kan zo'n verkeerd spoor maanden werk besmetten.
Bij compliance kan de fout rechtstreeks een klant raken.
Een onjuist verband met bijvoorbeeld een gesanctioneerde partij kan volgens Chainalysis leiden tot accountbeëindiging, het bevriezen van tegoeden of een melding bij autoriteiten.
Dat is precies waarom een hoge modelscore niet voldoende is.
Een systeem met 99% nauwkeurigheid klinkt indrukwekkend. Bij miljoenen gecontroleerde adressen kan dat resterende foutpercentage nog altijd veel verkeerde signalen produceren.
En de persoon achter zo'n fout heeft weinig aan de mededeling dat het model gemiddeld bijna altijd goed zit.
Sterlingov laat zien waarom methode in de rechtszaal telt
Chainalysis koppelt de nieuwe AI-lijn ook aan de Amerikaanse strafzaak United States v. Sterlingov.
Daar werd de methodologie achter Chainalysis Reactor onder de Amerikaanse Daubert-standaard aangevochten. Die standaard laat een rechter beoordelen of deskundigenbewijs betrouwbaar genoeg is om in een zaak te worden gebruikt.
Volgens Chainalysis accepteerde de rechtbank de gebruikte methodologie omdat de clustering voldoende transparant en onafhankelijk controleerbaar was. Ook gebruikte de zaak andere bewijsbronnen naast blockchainanalyse.
Het bedrijf trekt daar zelf een belangrijke grens omheen.
De uitspraak valideerde niet iedere vorm van blockchainanalyse. Ze ging over de specifieke methodologie die in deze zaak werd beoordeeld.
Dat maakt een black-boxmodel juridisch een heel ander product.
Wanneer een analist niet kan uitleggen hoe adressen zijn gegroepeerd of waarom een label is toegekend, wordt het moeilijker om die conclusie stevig te verdedigen.
Voor Nederland wordt die vraag steeds praktischer
Ook voor Nederlandse cryptobedrijven is de discussie direct bruikbaar.
De AFM beschrijft transactiemonitoring als onderdeel van de verplichtingen waarmee financiële ondernemingen witwassen en terrorismefinanciering moeten helpen voorkomen. De toezichthouder verwacht daarbij voortdurende controle en risicobeheersing.
Voor aanbieders onder MiCA kan blockchainanalyse daardoor diep in dagelijkse complianceprocessen terechtkomen.
De relevante vraag wordt dan niet simpelweg: gebruikt onze leverancier AI?
Veel belangrijker is waarvoor.
Wordt een model gebruikt om een analist te wijzen op een vreemd patroon? Of verschijnt een voorspelde walletrelatie rechtstreeks als harde risicofactor in het klantdossier?
Dat zijn twee totaal verschillende toepassingen.
Blockchain is openbaar, interpretatie blijft mensenwerk
AI kan miljoenen transacties veel sneller doorzoeken dan een onderzoeksteam.
Dat voordeel gaat alleen verloren wanneer snelheid wordt ingeruild voor claims die niemand achteraf goed kan reconstrueren.
Chainalysis zet daarom een vrij ongemakkelijke maatstaf neer voor een sector die steeds meer AI verkoopt: vraag niet alleen hoeveel verbanden een systeem vindt. Vraag hoe het weet dat die verbanden bestaan.
Voor blockchainopsporing is dat mogelijk de belangrijkere AI-discussie.
Niet of modellen steeds slimmer worden, maar welke conclusies we ze zelfstandig als feit laten opschrijven.
Stop met te veel betalen voor je crypto. Bij de Amsterdamse exchange Finst handel je tegen de laagste tarieven van Nederland, zonder verborgen kosten.
👀 Bekijk Finst nu ›Let op: Beleggen in crypto brengt risico’s met zich mee. Handel alleen met geld dat u kunt missen.
Ga verder met lezen
Dit vind je misschien ook leuk
Laat mensen jouw mening weten
Lees ook
Populair Nieuws
Loading
