Coinbase mejora su sistema antifraude, integrando el aprendizaje automático con un motor de reglas, reduciendo el tiempo de respuesta a unas pocas horas

Coinbase declaró que está optimizando el proceso de creación de reglas en su sistema antifraude integrando modelos de aprendizaje automático con un motor de reglas, logrando una gestión de riesgos más eficiente. También propuso una estrategia de doble vía de "modelos responsables de la defensa a largo plazo, reglas responsables de la respuesta rápida" y construyó un marco unificado para crear un bucle de retroalimentación entre los dos: las reglas se utilizan para capturar nuevos tipos de fraude y entrenar el modelo al revés, mejorando así continuamente las capacidades generales de defensa.

En términos de optimizaciones específicas, Coinbase ha transformado el proceso de creación de reglas anteriormente manual en un sistema de recomendación automatizado y basado en datos al reestructurar los datos, automatizar la evolución del esquema e introducir herramientas analíticas basadas en cuadernos, mejorando significativamente la eficiencia. Entre estas mejoras, el rendimiento de la prueba de reglas ha aumentado más de 10 veces, y el tiempo de respuesta general se ha reducido de varios días a unas pocas horas. Además, el nuevo sistema utiliza el aprendizaje automático para recomendar parámetros, lo que ayuda a reducir los falsos positivos tarifas mientras se combate el fraude y se minimiza el impacto en los usuarios normales. Coinbase indicó que el siguiente paso será avanzar en la generación automática de reglas impulsada por eventos y explorar la "conversión con un solo clic" de reglas eficientes en características del modelo, avanzando aún más hacia un sistema automatizado de gestión de riesgos.