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

[Reportera Ham Ji-hyun de Blockmedia] Coinbase ha registrado un rendimiento en detección de fraudes superior al de modelos generales, utilizando un modelo de inteligencia artificial (IA) de peso abierto entrenado con sus propios datos de pago.

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

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

Los resultados de inferencia en línea que Armstrong compartió también mostraron una clara diferencia en velocidad. El tiempo de procesamiento medio (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, mucho más rápido que los 3.312 segundos de Opus 4.5. P99 significa que el 99% de 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 respuestas lentas.

Pudimos ajustar un modelo de peso abierto (Qwen 3.5-9B) con datos internos exclusivos en @coinbase, y superó a los modelos generales, 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 generales son increíbles. Pero cada vez más, verás que los modelos especializados superan en tareas más específicas, ya sea trabajando en equipos o por sí mismos.

Estamos facilitando el ajuste de modelos internamente para nuestros empleados. Incluso tenemos una habilidad para ello en nuestra plataforma interna que facilita el inicio de estos procesos:

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

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 sin información previa de la cuenta del usuario.

Coinbase añadió 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 anterior revisaba rápidamente transacciones individuales, el agente LLM analiza patrones anómalos que aparecen en múltiples transacciones, considerando el orden de las transacciones recientes, cambios en los métodos de pago, destinos de transacción, entre otros.

En experimentos en línea, el grupo que incorporó el agente LLM junto con el modelo ML existente y el 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 el pago. La IA no realiza el pago, sino que evalúa el nivel de riesgo de la transacción. La aprobación o bloqueo real es manejada por el sistema de gestión de riesgos de la aplicación existente.

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

Posteriormente, Coinbase dejó de depender de modelos generales externos y 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 detección de fraudes, fue un 9.6% más alta que la del modelo general, 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 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 ajustar modelos como Qwen para tareas específicas y desplegarlos en el entorno de servicio.

Un ejemplo de comando que mencionó fue: "Quiero ajustar Qwen para la revisión de riesgos de pagos. Ayúdame a empezar".

El CEO Armstrong sugirió que esta estructura podría reemplazar completamente algunos servicios de backend 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 utilizar modelos generales. En áreas como la detección de fraudes, donde el alcance del trabajo es claro y se acumulan datos de respuestas correctas, los modelos especializados más pequeños 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 un 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, operar 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.