La alianza entre la IA y las criptomonedas puede llegar a consolidar una nueva etapa de seguridad en el entorno digital. Y es que gracias a su eficacia, los algoritmos de IA son capaces de analizar patrones de irregularidad en los flujos transaccionales de criptomonedas.

Si algo han demostrado las herramientas de IA es su capacidad para poder analizar grandes cantidades de datos y encontrar patrones que los humanos no pueden ver o automatizar de manera directa. De este modo, la cadena de bloques de Bitcoin pasa a ser visible, consiguiendo un registro público de casi 2.000 millones de transacciones entre direcciones seudónimas que la IA puede detectar.

Las claves de la investigación

El pasado 1 de mayo, un grupo de investigadores de la firma de rastreo de criptomonedas, Elliptic, MIT e IBM, publicaron un informe relacionado con el enfoque concreto a tener en cuenta para encontrar lavado de dinero en la cadena de bloques de Bitcoin.

Los investigadores recopilaron patrones de transacciones de Bitcoins que conducían desde uno de los actores hasta un intercambio de criptomonedas. A continuación, emplearon esos patrones de ejemplo para entrenar un modelo de IA capaz de detectar movimientos de dinero similares, es decir, comportamientos sospechosos de lavado d dinero en la cadena de bloques.

De este modo, en lugar de identificar las transacciones realizadas por actores ilícitos, se entrena un modelo de aprendizaje automático capaz de identificar subgrafos, cadenas de transacciones que representan Bitcoin, siendo blanqueado. Con ese enfoque, es posible centrarse en el proceso de blanqueo ‘multi-hop’, en lugar de en el comportamiento en cadena de actores ilícitos específicos.

El blanqueamiento de capital es detectado gracias a las técnicas de blockchain, siendo aplicable a otras abiertas como Ethereum y Solana. No obstante, en el caso de monedas de privacidad como Monero no es posible aplicar dicha operación.

En lugar de intentar clasificar transacciones individuales como legítimas o ilícitas, Elliptic analizó colecciones de hasta seis transacciones entre grupos de direcciones de Bitcoin, las cuale ya había identificado como actores ilícitos y los intercambios donde esas entidades turbias previamente identificadas vendían sus criptomonedas. De este modo, se fijó que los patrones de transacciones entre los delincuentes y sus puntos de retiro podrían servir como ejemplos de comportamiento de lavado de dinero.

Principales conclusiones

Los investigadores verificaron sus resultados con un intercambio de criptomonedas, identificando 52 cadenas sospechosas de transacciones que finalmente habían sido el resultado de dicho intercambio. Un intercambio que ya había marcado 14 de las cuentas que habían recibido esos fondos por sospecha de actividad ilícita, incluidas ocho cuentas que había asociado a fraude o blanqueamiento de capital.

Gracias a la automatización se consigue reducir la búsqueda de cuentas sospechosas, algo que demuestra que se está trabajando con un modelo de IA que produce resultados útiles y capaces de analizar la fuente de fondos para algunas de las cadenas de transacciones sospechosas identificadas por el modelo.

Con él, se pudieron descubrir direcciones de Bitcoin controladas por un mercado ruso de la Dark Web, un ‘mezclador’ de criptomonedas diseñado para limitar el rastro de bitcoins en blockchain y un esquema Ponzi con sede en Panamá.

La efectividad de las blockchains

Las blockchains proporcionan un terreno fértil para las técnicas de aprendizaje automático, especialmente gracias a la disponibilidad tanto de los datos de transacciones como de información sobre los tipos de entidades que las realizan. Algo que contrasta directamente con las finanzas tradicionales.

De este modo, no solo se está lanzando una versión experimental del modelo de IA para detectar el lavado de Bitcoin, sino que están publicando un amplio conjunto de datos de entrenamiento: 200.000 transacciones de datos de blockchain etiquetados y clasificados de Elliptic.

Se está estableciendo la posibilidad de proporcionar mil veces más datos, de tal modo que en lugar de etiquetar carteras ilícitas, se están fomentando los blanqueamientos de capital compuestos de cadenas de transacciones. Por consiguiente, representa un cambio de paradigma en la forma de utilizar el análisis de blockchain.

La aportación de la investigación

En lugar de mantenerlo como investigación personal, se ha aportado por un espíritu de código abierto que contribuya al bien de la comunidad y que permita a todos, incluidos los competidores, trabajar contra el blanqueo de capital. Con todo ello, se abre un nuevo horizonte a la posibilidad de que la IA ayude a identificar, en un futuro, el blanqueamiento de bitcoins.

Las herramientas basadas en IA permiten que esos algoritmos sean más eficientes y tengan menos falsos positivos que hagan perder el tiempo a los investigadores y, por consiguiente, incriminen a sospechosos equivocados. Se marca un precedente, con plena esperanza, para implantar una forma nueva y muy real de buscar patrones que revelen delitos financieros. Un ejemplo más de que la IA es una aliada efectiva en pro de la rentabilidad y de la seguridad en todos los ámbitos.

Deja un comentario

Por favor, introduce tu comentario
Por favor, introduce tu nombre