AI ห้ามตัดสิน 'รวมกระเป๋าคริปโต' เอง เชนอนาลิซิส(Chainalysis) ย้ำต้องใช้หลักฐานตรวจสอบได้

เชนอนาลิซิส(Chainalysis) บริษัทวิเคราะห์ข้อมูลบล็อกเชน ออกมาระบุชัดเจนว่าแมชชีนเลิร์นนิงควรมีบทบาทเป็นเพียง 'เครื่องมือเสริม' ไม่ใช่ 'ผู้ตัดสิน' ในงานวิเคราะห์ข้อมูลบล็อกเชน โดยเฉพาะการรวมกลุ่มที่อยู่กระเป๋าเงิน (wallet clustering) และการระบุตัวตนเจ้าของบัญชี ควรใช้มาตรฐานหลักฐานที่ทำซ้ำได้และตรวจสอบย้อนกลับได้ มากกว่าอาศัยโมเดลคาดการณ์เพียงอย่างเดียว

เมื่อวันที่ 14 (เวลาท้องถิ่น) เชนอนาลิซิสเผยแพร่บทความชื่อ 'Machine Learning Has a Specific Role in Blockchain Intelligence' ระบุว่าหากนำผลลัพธ์จากเครื่องมืออัตโนมัติไปใช้เป็นข้อเท็จจริงโดยไม่ผ่านการตรวจสอบ อาจนำไปสู่การรวมกลุ่มที่อยู่ผิดพลาดและความเสียหายที่ตามมา บริษัทระบุว่าจะไม่ใช้แมชชีนเลิร์นนิงในการระบุ 'เซกเมนต์ของกระเป๋าเงิน' แต่จะเลือกใช้ในจุดที่สัญญาณเชิงความน่าจะเป็นยอมรับได้ เช่น การสร้างลีด การตรวจจับความผิดปกติ การจดจำรูปแบบ และการตรวจจับสแกม

หัวใจของประเด็นนี้อยู่ที่การแยกความหมายของ 'คลัสเตอร์' ให้ชัดเจน เชนอนาลิซิสระบุในรายงานแยกต่างหากชื่อ 'Defining the Cluster' ว่าการวิเคราะห์ที่อยู่บล็อกเชนแบ่งออกเป็น 3 ส่วน ได้แก่ △การตัดสินเชิงโครงสร้าง △การระบุแหล่งที่มา และ △การระบุตัวผู้ควบคุม โดยการตัดสินว่าหลายที่อยู่อยู่ภายใต้การควบคุมเดียวกันหรือไม่ ต้องใช้มาตรฐานที่ชัดเจน ทำซ้ำได้ และตรวจสอบย้อนกลับได้เท่านั้น

ตามมาตรฐานนี้ แมชชีนเลิร์นนิงไม่ถูกจัดอยู่ในกลุ่ม 'การตัดสินเชิงโครงสร้าง' โมเดลคาดการณ์สามารถใช้ค้นหารูปแบบที่น่าสงสัยหรือช่วยจำกัดขอบเขตเบาะแสการสืบสวนได้ แต่ไม่สามารถใช้แทนข้อสรุปที่ว่าที่อยู่หนึ่งถูกควบคุมโดยบุคคลเดียวกันได้ สิ่งที่เชนอนาลิซิสเรียกว่า 'แมชชีนเลิร์นนิงอย่างมีความรับผิดชอบ' ในบทความนี้ จึงไม่ใช่การเพิ่มระดับอัตโนมัติให้มากขึ้น แต่เป็นการกำหนดล่วงหน้าว่าพื้นที่ใดไม่ควรใช้ระบบอัตโนมัติ

ประเด็นนี้เชื่อมโยงมาถึงตลาดสินทรัพย์ดิจิทัลในไทยด้วยเช่นกัน เนื่องจากตลาดซื้อขาย หน่วยงานสืบสวน และทีมกำกับดูแลการปฏิบัติตามกฎระเบียบ ต่างนำการวิเคราะห์ที่อยู่ออนเชนไปใช้ตรวจจับธุรกรรมต้องสงสัยและติดตามเส้นทางเงิน หากการรวมกลุ่มที่อยู่และการระบุตัวตนคลาดเคลื่อน ผู้ใช้งานทั่วไปอาจถูกจัดเป็นกลุ่มเสี่ยงสูงโดยไม่เป็นธรรม หรือเบาะแสการสืบสวนอาจเบี่ยงไปผิดทิศทาง ก่อนหน้านี้ TokenPost เคยรายงานกรณีที่การใช้ที่อยู่ผิดพลาดและการจัดกลุ่มที่อยู่เสี่ยงสูงนำไปสู่การประเมินความเสียหายจริงมาแล้ว

งานวิจัยอิสระก็ถูกหยิบยกมาเป็นจุดอ้างอิงในข้อถกเถียงนี้เช่นกัน งานวิจัยที่นำเสนอในงาน USENIX Security 25 ชื่อ 'Ghost Clusters' ได้นำผลวิเคราะห์ของเชนอนาลิซิสไปเทียบกับข้อมูลที่อยู่จริงที่ยึดได้จากบริการผิดกฎหมาย 3 แห่ง ทีมวิจัยระบุว่าค่าความแม่นยำขั้นต่ำในการระบุแหล่งที่มาของบริการแต่ละแห่งของเชนอนาลิซิสอยู่ในช่วง 24.54%-94.85% และอัตราการตรวจจับผิดพลาด (false positive) ต่ำกว่า 0.5%

เชนอนาลิซิสเองก็อ้างอิงงานวิจัยชิ้นเดียวกันนี้ เพื่อเน้นย้ำความแม่นยำของข้อมูลบริษัทและอัตราการตรวจจับผิดพลาดที่ต่ำ อย่างไรก็ตาม งานวิจัยต้นฉบับนำเสนอช่วงความแม่นยำในรูปแบบ 'ค่าต่ำสุดรายบริการ' ขณะที่บทความติดตามผลของบริษัทเลือกนำตัวเลข 'สูงสุด 94.85%' และอัตราการตรวจจับผิดพลาดที่ต่ำกว่ามาขึ้นเป็นจุดเด่น การรายงานข่าวเรื่องนี้จึงจำเป็นต้องแยกให้ชัดระหว่างตัวเลขจากงานวิจัยต้นฉบับกับถ้อยคำประชาสัมพันธ์ของบริษัท

ข้อถกเถียงเรื่องระเบียบวิธีของเชนอนาลิซิสยังเชื่อมโยงไปถึงความน่าเชื่อถือในชั้นศาลด้วย บริษัทอ้างอิงคำตัดสินคดี 'United States v. Sterlingov' เมื่อปี 2024 เพื่อตีความว่าฮิวริสติกที่ตรวจสอบได้และกระบวนการที่ทำซ้ำได้ ช่วยเสริมความน่าเชื่อถือของการวิเคราะห์บล็อกเชนในชั้นศาล บทความชิ้นนี้ก็อยู่บนแนวทางเดียวกัน คือให้ความสำคัญกับมาตรฐานหลักฐานมากกว่าประสิทธิภาพทางเทคนิคเพียงอย่างเดียว

ปฏิกิริยาต่อสาธารณะยังมีอยู่อย่างจำกัด บนลิงก์อิน(LinkedIn) มีบุคคลในวงการแสดงความเห็นด้วยในทำนองว่า ไม่ควรนำ 'คลัสเตอร์' ไปเทียบเท่ากับ 'องค์กรจริง' หรือนำ 'รูปแบบพฤติกรรม' ไปเทียบเท่ากับ 'เจตนาก่ออาชญากรรม' โดยตรง ส่วนกระแสวิพากษ์วิจารณ์ในวงกว้างต่อบทความนี้ยังไม่พบการยืนยัน

ข้อความจากเชนอนาลิซิสครั้งนี้เกิดขึ้นท่ามกลางการแข่งขันนำ AI มาใช้ในตลาดวิเคราะห์ข้อมูลบล็อกเชนที่ขยายตัวขึ้นเรื่อยๆ บริษัทระบุว่าแม้จะนำแมชชีนเลิร์นนิงเข้ามาใช้ แต่ต้องแยกให้ชัดระหว่างการตัดสินโครงสร้างที่อยู่กับการระบุแหล่งที่มาที่อิงหลักฐาน ระบบอัตโนมัติอาจช่วยให้การวิเคราะห์รวดเร็วขึ้นได้ก็จริง แต่สิ่งที่จำเป็นในชั้นศาลและงานกำกับดูแลการปฏิบัติตามกฎระเบียบคือมาตรฐานที่อธิบายได้อย่างชัดเจน