Coinbase aggiorna il suo sistema antifrode, integrando l'apprendimento automatico con un motore di regole, riducendo il tempo di risposta a poche ore

Coinbase ha dichiarato che sta ottimizzando il processo di creazione delle regole nel suo sistema antifrode integrando modelli di apprendimento automatico con un motore di regole, raggiungendo una gestione del rischio più efficiente. Ha anche proposto una strategia a doppio binario di "modelli responsabili della difesa a lungo termine, regole responsabili della risposta rapida," e ha costruito un framework unificato per creare un ciclo di feedback tra i due: le regole vengono utilizzate per catturare nuovi tipi di frode e addestrare il modello al contrario, migliorando continuamente le capacità di difesa complessive.

In termini di ottimizzazioni specifiche, Coinbase ha trasformato il precedente processo di creazione delle regole manuale in un sistema di raccomandazione automatizzato e basato sui dati ristrutturando i dati, automatizzando l'evoluzione dello schema e introducendo strumenti analitici basati su notebook, migliorando significativamente l'efficienza. Tra questi miglioramenti, le prestazioni del backtesting delle regole sono aumentate di oltre 10 volte e il tempo di risposta complessivo è stato ridotto da diversi giorni a poche ore. Inoltre, il nuovo sistema utilizza l'apprendimento automatico per raccomandare parametri, contribuendo a ridurre i tassi di falsi positivi rates mentre combatte la frode e minimizza l'impatto sugli utenti normali. Coinbase ha indicato che il passo successivo sarà quello di avanzare nella generazione automatica di regole basate su eventi e esplorare la "conversione con un clic" di regole efficienti in caratteristiche del modello, muovendosi ulteriormente verso un sistema di gestione del rischio automatizzato.