CEO Coinbase: Model AI yang Dilatih dengan Data Internal Menunjukkan Kinerja Deteksi Penipuan yang Tinggi

[Reporter Ham Ji-hyun, Block Media] Coinbase telah mencatat kinerja deteksi penipuan yang lebih tinggi menggunakan model kecerdasan buatan (AI) berbasis bobot terbuka yang dilatih dengan data pembayaran internalnya dibandingkan dengan model frontier umum.

CEO Brian Armstrong mengungkapkan melalui X pada tanggal 12 (waktu setempat) bahwa "setelah melakukan fine-tuning pada model bobot terbuka Qwen 3.5-9B menggunakan data internal eksklusif Coinbase, kami berhasil mencapai kinerja yang jauh lebih tinggi dalam pencegahan penipuan dengan biaya yang jauh lebih rendah dan kecepatan yang lebih cepat dibandingkan model frontier."

Dia menambahkan, "Model frontier adalah model umum yang luar biasa, tetapi ke depan, kita akan melihat lebih banyak kasus di mana model yang lebih terfokus pada tugas tertentu akan menunjukkan kinerja yang lebih baik, baik secara mandiri maupun dalam kolaborasi dengan beberapa model."

Hasil inferensi online yang diungkapkan oleh Armstrong juga menunjukkan perbedaan kecepatan yang jelas. Median waktu pemrosesan permintaan (P50) menunjukkan bahwa Qwen 3.5-9B memiliki waktu 0,683 detik, sekitar 55% lebih cepat dibandingkan dengan 1,515 detik dari Opus 4.5.

Dalam situasi dengan latensi tinggi yang ditunjukkan oleh persentil ke-99 (P99), Qwen 3.5-9B mencatat 1,036 detik, jauh lebih cepat dibandingkan dengan 3,312 detik dari Opus 4.5. P99 berarti 99% dari semua permintaan diproses dalam waktu tersebut, menunjukkan bahwa kecepatan pemrosesan model Qwen relatif stabil bahkan dalam situasi di mana layanan padat atau respons lambat.

Kami dapat melakukan fine-tuning pada model bobot terbuka (Qwen 3.5-9B) menggunakan data internal di @coinbase, dan itu mengungguli model frontier, dengan biaya dan kecepatan yang jauh lebih rendah, untuk tugas khusus (pencegahan penipuan dalam hal ini).

Saya pikir kita akan melihat lebih banyak pola ini di dalam perusahaan. Model frontier adalah generalis yang luar biasa. Namun semakin banyak Anda akan melihat model spesialis mengungguli dalam tugas yang lebih sempit, baik bekerja dalam tim atau secara mandiri.

Kami memudahkan untuk melakukan fine-tuning model secara internal untuk karyawan kami. Kami bahkan memiliki keterampilan untuk itu dalam alat internal kami yang memudahkan untuk memulai dan melatihnya:

"/fine-tune-and-serve-llm Saya ingin melakukan fine-tuning Qwen untuk tinjauan risiko pembayaran. bantu saya memulai"

Saya membayangkan kami akan memiliki beberapa layanan backend yang dapat sepenuhnya digantikan oleh arsitektur baru ini.

--- Brian Armstrong (@brian_armstrong) 11 Oktober 2026

Coinbase baru-baru ini mengungkapkan proses pembangunan sistem deteksi penipuan pembayaran untuk layanan pembelian aset digital 'Onramp' dalam tulisan blog yang dipublikasikan.

Onramp adalah layanan yang memungkinkan pengguna untuk membeli aset digital langsung dari aplikasi mitra. Pengguna yang tidak memiliki akun Coinbase juga dapat melakukan pembayaran sebagai tamu, sehingga harus dapat mendeteksi transaksi yang mencurigakan meskipun tidak memiliki informasi akun sebelumnya.

Coinbase menambahkan agen risiko berbasis model bahasa besar (LLM) di atas sistem deteksi berbasis pembelajaran mesin (ML) dan aturan yang ada. Jika sistem yang ada cepat menilai transaksi individu, agen LLM menganalisis pola anomali yang muncul di berbagai transaksi dengan melihat urutan transaksi terbaru, interval waktu, perubahan metode pembayaran, dan tujuan transaksi.

Dalam eksperimen online, kelompok yang menambahkan agen LLM ke model ML dan mesin aturan yang ada mengalami penurunan 30% dalam jumlah transaksi penipuan dan 22% dalam jumlah uang transaksi penipuan dibandingkan dengan sistem yang ada.

Namun, sistem ini berbeda dari 'pembayaran agen' di mana agen AI melakukan pembayaran secara langsung. AI tidak melakukan pembayaran, tetapi menilai tingkat risiko transaksi. Persetujuan atau pemblokiran yang sebenarnya ditangani oleh sistem manajemen risiko aplikasi yang ada.

Coinbase menggunakan Claude Opus pada sistem awal. Mereka memasukkan informasi transaksi sebesar sekitar 7000 token dan mengeluarkan hanya tingkat risiko untuk mengurangi waktu respons. Waktu latensi median untuk panggilan LLM adalah sekitar 1,5 detik.

Setelah itu, Coinbase melakukan pembelajaran tambahan pada Qwen 3.5-9B menggunakan data internalnya, alih-alih bergantung pada model umum eksternal. Menurut perusahaan, model tersebut mengungguli Claude Opus 4.5 dalam semua empat metrik terkait deteksi penipuan. Skor F1 yang menunjukkan kinerja deteksi penipuan secara keseluruhan adalah 9,6% lebih tinggi dibandingkan model frontier, dan waktu latensi respons di lingkungan layanan nyata berkurang sebesar 55%.

Coinbase juga membangun lingkungan fine-tuning agar karyawan dapat membuat model khusus secara langsung di dalam perusahaan. CEO Armstrong menjelaskan bahwa dengan memasukkan perintah di sistem AI internal, model seperti Qwen dapat dilatih dan diterapkan di lingkungan layanan sesuai dengan tugas tertentu.

Perintah yang dia contohkan adalah "Saya ingin melakukan fine-tuning Qwen untuk tinjauan risiko pembayaran. Bantu saya memulai."

CEO Armstrong menunjukkan bahwa struktur semacam ini memiliki potensi untuk menggantikan sistem perusahaan yang ada, bukan hanya sebagai alat bantu AI sederhana. Dia menyatakan, "Saya pikir beberapa layanan backend dapat sepenuhnya digantikan oleh struktur baru ini."

Kasus Coinbase menunjukkan bahwa ke depan, perusahaan akan bergerak ke arah membangun model khusus yang dilatih dengan data internal mereka sendiri, alih-alih hanya menggunakan model besar umum. Dalam bidang yang jelas seperti deteksi penipuan, di mana rentang tugasnya jelas dan data jawaban telah terakumulasi, model kecil yang khusus dapat melampaui model umum dalam hal biaya, kecepatan, dan akurasi.

Konten ini disediakan hanya untuk tujuan informasi umum dan bukan merupakan nasihat keuangan, investasi, hukum, atau pajak. Setiap acara, reward, promosi online, atau informasi terkait yang disebutkan di sini tidak boleh dianggap sebagai rekomendasi, ajakan, atau undangan untuk membeli, menjual, memperdagangkan, atau melakukan transaksi aset kripto apa pun. Aset kripto sangat fluktuatif dan dapat mengakibatkan kerugian. Ketersediaan layanan, produk, dan acara terkait WEEX dapat berbeda-beda di setiap wilayah. Anda bertanggung jawab untuk memastikan bahwa partisipasi Anda sesuai dengan hukum dan peraturan setempat yang berlaku.