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

Coinbase ha declarado que está optimizando el proceso de creación de reglas en su sistema antifraude mediante la integración de modelos de aprendizaje automático con un motor de reglas, logrando así una gestión de riesgos más eficiente. También propuso una estrategia de doble vía: "modelos responsables de la defensa a largo plazo y reglas responsables de la respuesta rápida", y construyó un marco unificado para crear un ciclo de retroalimentación entre ambos: las reglas se utilizan para detectar nuevos tipos de fraude y entrenar el modelo a la inversa, mejorando así continuamente las capacidades generales de defensa.

En lo que respecta a optimizaciones específicas, Coinbase ha transformado el proceso de creación de reglas, que antes era manual, en un sistema de recomendaciones automatizado y basado en datos, mediante la reestructuración de los datos, la automatización de la evolución del esquema y la introducción de herramientas analíticas basadas en cuadernos, lo que ha mejorado significativamente la eficiencia. Entre estas mejoras, el rendimiento de las pruebas retrospectivas de reglas ha aumentado en 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 la tasa de falsos positivos, a la vez que combate el fraude y minimiza el impacto en los usuarios habituales. Coinbase indicó que el siguiente paso será avanzar en la generación automática de reglas basada en 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.