El CEO de Coinbase: "Modelo de IA entrenado con datos propios muestra un alto rendimiento en la detección de fraudes"

[Reportera Ham Ji-hyun de Block Media] Coinbase ha utilizado un modelo de inteligencia artificial (IA) de peso abierto entrenado con sus propios datos de pago, logrando un rendimiento en la detección de fraudes superior al de los modelos de frontera generalizados.

El CEO Brian Armstrong anunció el 12 de octubre (hora local) a través de X que, al ajustar finamente el modelo Qwen 3.5-9B utilizando datos internos exclusivos de Coinbase, se logró un rendimiento en la prevención de fraudes mucho más alto que el de los modelos de frontera, a un costo y velocidad significativamente menores.

Él comentó: "Los modelos de frontera son excelentes modelos generales, pero en el futuro veremos más casos en los que modelos especializados en tareas más específicas superen a los modelos generales, ya sea trabajando en equipo o de manera independiente."

Los resultados de inferencia en línea que Armstrong compartió también mostraron una clara diferencia en la velocidad. El tiempo de procesamiento mediano (P50) para solicitudes generales fue de 0.683 segundos para Qwen 3.5-9B, aproximadamente un 55% más corto que los 1.515 segundos de Opus 4.5.

En el percentil 99 (P99), que muestra situaciones de alta latencia, Qwen 3.5-9B registró 1.036 segundos, significativamente más rápido que los 3.312 segundos de Opus 4.5. P99 significa que el 99% de todas las solicitudes se procesan dentro de ese tiempo, lo que indica que la velocidad de procesamiento del modelo Qwen fue relativamente estable incluso en situaciones de alta demanda o retrasos en las respuestas.

Pudimos ajustar finamente un modelo de peso abierto (Qwen 3.5-9B) con datos internos exclusivos en @coinbase, y superó a los modelos de frontera, a un costo y velocidad mucho menores, para una tarea especializada (prevención de fraudes en este caso).

Creo que veremos más de este patrón dentro de las empresas. Los modelos de frontera son asombrosos generalistas. Pero cada vez más, verás modelos especializados que superan en tareas más específicas, ya sea trabajando en equipos o por sí mismos.

Estamos facilitando el ajuste fino de modelos internamente para nuestros empleados. Incluso tenemos una habilidad para ello en nuestro arnés interno que facilita el inicio de estos y comenzar a entrenarlos:

"/fine-tune-and-serve-llm Quiero ajustar finamente Qwen para la revisión de riesgos de pagos. Ayúdame a comenzar."

Imagino que tendremos algunos servicios de backend que podrían ser reemplazados completamente por esta nueva arquitectura.

--- Brian Armstrong (@brian_armstrong) 11 de octubre de 2026

Coinbase también reveló el proceso de construcción de su sistema de detección de fraudes para el servicio de compra de activos digitales "Onramp" en una reciente serie de publicaciones en su blog.

Onramp es un servicio que permite a los usuarios comprar activos digitales directamente desde aplicaciones asociadas. Los usuarios sin cuenta de Coinbase también pueden realizar pagos como invitados, lo que significa que deben identificar transacciones fraudulentas incluso en situaciones donde hay poca información sobre cuentas pasadas.

Coinbase agregó un agente de riesgo basado en un modelo de lenguaje de gran escala (LLM) sobre su sistema existente de detección basado en aprendizaje automático (ML) y reglas. Mientras que el sistema existente revisa rápidamente transacciones individuales, el agente LLM analiza patrones anómalos que aparecen en múltiples transacciones, considerando el orden de las transacciones recientes, intervalos de tiempo, cambios en los métodos de pago y destinos de transacción.

En experimentos en línea, el grupo que incorporó el agente LLM al modelo ML existente y al motor de reglas vio una reducción del 30% en el número de transacciones fraudulentas y del 22% en el monto de las transacciones fraudulentas en comparación con el sistema anterior.

Sin embargo, este sistema no es lo mismo que un "pago por agente" donde el agente de IA ejecuta directamente el pago. La IA no realiza el pago, sino que evalúa el nivel de riesgo de la transacción. La aprobación o bloqueo real es manejado por el sistema de gestión de riesgos de la aplicación existente.

Coinbase utilizó Claude Opus en su sistema inicial. Ingresó información de transacciones de aproximadamente 7000 tokens y configuró el sistema para que solo produjera el nivel de riesgo en lugar de largas explicaciones, reduciendo así el tiempo de respuesta. El tiempo de latencia mediano para las llamadas LLM fue de aproximadamente 1.5 segundos.

Posteriormente, Coinbase, en lugar de depender de modelos generales externos, utilizó sus propios datos para entrenar adicionalmente a Qwen 3.5-9B. Según la empresa, este modelo superó a Claude Opus 4.5 en todos los cuatro indicadores relacionados con la detección de fraudes. La puntuación F1, que indica el rendimiento general en la detección de fraudes, fue un 9.6% más alta que la del modelo de frontera, y el tiempo de latencia de respuesta en un entorno de servicio real se redujo en un 55%.

Coinbase también está estableciendo un entorno de ajuste fino para que sus empleados puedan crear modelos especializados internamente. El CEO Armstrong explicó que al ingresar comandos en el sistema de IA interno, se pueden entrenar modelos como Qwen para tareas específicas y desplegarlos en el entorno de servicio.

El comando que él mencionó como ejemplo es: "Quiero ajustar finamente Qwen para la revisión de riesgos de pagos. Ayúdame a comenzar."

El CEO Armstrong sugirió que esta estructura podría reemplazar no solo herramientas de IA simples, sino incluso sistemas empresariales existentes. Dijo: "Creo que algunos servicios de backend podrían ser completamente reemplazados por esta nueva estructura."

El caso de Coinbase muestra que las empresas se moverán hacia la construcción de modelos especializados entrenados con sus propios datos en lugar de simplemente adoptar modelos de gran escala generalizados. En áreas como la detección de fraudes, donde el alcance del trabajo es claro y los datos de respuesta se han acumulado, los modelos pequeños y especializados pueden superar a los modelos generales en términos de costo, velocidad y precisión.

Este contenido se ofrece únicamente con fines informativos generales y no constituye asesoramiento financiero, de inversión, legal ni fiscal. Cualquier evento, recompensa, promoción en línea o información relacionada que se mencione en el presente documento no debe considerarse como una recomendación, solicitud o invitación a comprar, vender, tradear o de negociar de otra manera con cualquier criptoactivo. Los criptoactivos son sumamente volátiles y pueden provocar pérdidas. La disponibilidad de los servicios, productos y eventos relacionados de WEEX puede variar según la región. Tienes la responsabilidad de asegurarte de que tu participación esté de acuerdo con las leyes y regulaciones locales vigentes.