Chainalysis, spoločnosť poskytujúca analytické nástroje pre blockchainové transakcie, zverejnila odbornú štúdiu, v ktorej podrobne vysvetľuje svoju metodiku. Jadrom dokumentu je otázka, ktorá sa na prvý pohľad môže zdať prekvapivá: prečo firma v ére umelej inteligencie odmieta strojové učenie pri jednej zo svojich najdôležitejších úloh — určovaní, ktoré kryptopeňaženky patria tomu istému majiteľovi.
Chainalysis zaraďuje takzvané „wallet segmenty" do najvyššej kategórie analytickej spoľahlivosti. To znamená, že každý záver musí byť deterministický — teda opakovateľný a overiteľný krok za krokom. Strojové učenie tento štandard podľa firmy nesplní, pretože jeho rozhodovacia logika vzniká učením z dát, nie z jasne definovaných pravidiel. Inými slovami: algoritmus vie povedať výsledok, ale nie vždy dokáže vysvetliť, prečo k nemu dospel.
Táto transparentnosť nie je len akademická požiadavka — má priamy právny dosah. Americké súdy posudzujú znalecké dôkazy podľa takzvaného Daubertovho štandardu, ktorý vyžaduje, aby bola metodológia spoľahlivá a nezávisle overiteľná. V prípade United States v. Sterlingov v roku 2024 Chainalysis ako prvý poskytovateľ blockchainovej analytiky tento štandard úspešne splnil. Sudca uznal metodiku spájania peňaženiek za dostatočne priehľadnú a reprodukovateľnú. Dôležité je, že rozsudok potvrdil konkrétne postupy Chainalysis — nie blockchainovú analytiku ako celé odvetvie.
Podľa Chainalysis nevysvetliteľné výstupy modelov, ktoré sa vo väčšej miere opierajú o strojové učenie, nemusia prežiť súdne preskúmanie podľa pravidla 702, čo môže viesť k zamietnutiu prípadov a k oslabeniu dôveryhodnosti blockchainových dôkazov vo všeobecnosti.
Riziká nepresnej analýzy peňaženiek pritom nie sú len teoretické. Ak analytický nástroj nesprávne priradí peňaženky k určitej osobe, môžu orgány prenasledovať nesprávneho podozrivého alebo zaslať predvolanie na nesprávnu burzu. Na strane bežných používateľov môžu falošné prepojenia viesť k zablokovaniu účtu, zmrazeniu prostriedkov či hláseniu podozrivej aktivity — a to aj voči ľuďom, ktorí sa ničoho nedopustili.
Strojové učenie Chainalysis úplne neodmieta — využíva ho selektívne tam, kde je to vhodné. Napríklad nástroj na odhaľovanie podvodov Alterya sa na modely spolieha: tie sa učia z webových dát, chatových správ aj blockchainovej aktivity, aby dokázali identifikovať nové typy podvodných schém. V tomto prípade však nejde o právne citlivé priradenie identity, ale o rozpoznávanie vzorov správania.
Spoločnosť zároveň publikovala odbornú štúdiu, v ktorej definuje tri analytické roviny pri spájaní peňaženiek — štrukturálnu, atribučnú a operátorskú — a stanovuje štandardy pre každú z nich. Dokument má slúžiť ako referenčný rámec pre odvetvie aj pre súdy.