Le PDG de Coinbase déclare : "Un modèle d'IA formé sur nos propres données montre une performance élevée en détection de fraude"

[Journaliste Ham Ji-hyun, Block Media] Coinbase a enregistré une performance de détection de fraude supérieure à celle des modèles de pointe en utilisant un modèle d'intelligence artificielle (IA) à poids ouvert, formé sur ses propres données de paiement.

Le PDG Brian Armstrong a déclaré le 12 (heure locale) sur X : "En ajustant finement le modèle à poids ouvert Qwen 3.5-9B avec des données internes exclusives de Coinbase, nous avons réalisé une performance bien supérieure à celle des modèles de pointe dans le domaine de la prévention de la fraude, à un coût beaucoup plus bas et à une vitesse plus rapide."

Il a ajouté : "Les modèles de pointe sont d'excellents modèles généralistes, mais à l'avenir, nous verrons de plus en plus de modèles spécialisés qui surpassent les performances dans des tâches plus étroites, que ce soit en travaillant en équipe ou de manière autonome."

Les résultats d'inférence en ligne publiés par Armstrong ont également montré une différence de vitesse marquée. Le temps de traitement médian (P50) pour les demandes générales était de 0,683 seconde pour Qwen 3.5-9B, soit environ 55 % plus court que les 1,515 secondes d'Opus 4.5.

Dans le 99e percentile (P99), qui montre des situations de latence élevée, Qwen 3.5-9B a enregistré 1,036 seconde, bien plus rapide que les 3,312 secondes d'Opus 4.5. Le P99 signifie que 99 % des demandes ont été traitées dans ce délai, ce qui indique que la vitesse de traitement du modèle Qwen est relativement stable même dans des situations de forte demande ou de réponse tardive.

Nous avons pu ajuster un modèle à poids ouvert (Qwen 3.5-9B) sur des données internes exclusives chez @coinbase, et il a surpassé les modèles de pointe, à un coût et une vitesse beaucoup plus bas, pour une tâche spécialisée (prévention de la fraude dans ce cas).

Je pense que nous verrons davantage de ce modèle au sein des entreprises. Les modèles de pointe sont des généralistes incroyables. Mais de plus en plus, vous verrez des modèles spécialisés surpasser dans des tâches plus étroites, soit en travaillant en équipe, soit de manière autonome.

Nous facilitons l'ajustement des modèles en interne pour nos employés. Nous avons même une compétence pour cela dans notre environnement interne qui facilite le démarrage et l'entraînement de ces modèles :

"/fine-tune-and-serve-llm Je veux ajuster Qwen pour l'examen des risques de paiement. Aidez-moi à commencer."

J'imagine que nous aurons des services backend qui pourraient être entièrement remplacés par cette nouvelle architecture.

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

Coinbase a récemment partagé le processus de construction de son système de détection de fraude pour le service d'achat d'actifs numériques "Onramp" dans un article de blog.

Onramp est un service qui permet aux utilisateurs d'acheter directement des actifs numériques via des applications partenaires. Les utilisateurs sans compte Coinbase peuvent également effectuer des paiements en tant qu'invités, ce qui signifie qu'il faut détecter les transactions frauduleuses même en l'absence d'informations de compte passées.

Coinbase a ajouté un agent de risque basé sur un modèle de langage de grande taille (LLM) au-dessus des modèles d'apprentissage automatique (ML) existants et des systèmes de détection basés sur des règles. Alors que le système existant examine rapidement chaque transaction, l'agent LLM analyse les transactions récentes pour identifier des modèles anormaux sur plusieurs transactions, en tenant compte des intervalles de temps, des changements de moyens de paiement et des destinations des transactions.

Dans les expériences en ligne, le groupe qui a ajouté l'agent LLM aux modèles ML existants et au moteur de règles a vu le nombre de transactions frauduleuses diminuer de 30 % par rapport au système précédent, et le montant des transactions frauduleuses a diminué de 22 %.

Cependant, ce système est différent des "paiements par agent" où l'agent IA exécute directement les paiements. L'IA ne réalise pas les paiements, mais évalue le niveau de risque des transactions. L'approbation ou le blocage réels sont gérés par le système de gestion des risques de l'application existante.

Coinbase a utilisé Claude Opus pour le système initial. En entrant des informations de transaction d'environ 7000 jetons et en ne produisant que le niveau de risque au lieu d'une longue explication, le temps de réponse a été réduit. Le temps de latence médian des appels LLM était d'environ 1,5 seconde.

Par la suite, Coinbase a ajouté un apprentissage supplémentaire à Qwen 3.5-9B en utilisant ses propres données au lieu de dépendre de modèles externes. Selon l'entreprise, ce modèle a surpassé Claude Opus 4.5 sur les quatre indicateurs liés à la détection de fraude. Le score F1, qui indique la performance globale de détection de fraude, était supérieur de 9,6 % à celui des modèles de pointe, et le temps de latence de réponse dans un environnement de service réel a été réduit de 55 %.

Coinbase met également en place un environnement d'ajustement pour permettre à ses employés de créer directement des modèles spécialisés en interne. Le PDG Armstrong a expliqué que les employés peuvent entrer des commandes dans le système IA interne pour former des modèles comme Qwen pour des tâches spécifiques et les déployer dans l'environnement de service.

L'exemple de commande qu'il a donné était : "Je veux ajuster Qwen pour l'examen des risques de paiement. Aidez-moi à commencer."

Le PDG Armstrong a également suggéré que cette structure pourrait remplacer complètement certains services backend existants. Il a déclaré : "Je pense que certains services backend pourraient être entièrement remplacés par cette nouvelle structure."

L'exemple de Coinbase montre que les entreprises vont évoluer vers la construction de modèles spécialisés formés sur leurs propres données, au lieu d'utiliser simplement des modèles de grande taille généralistes. Dans des domaines comme la détection de fraude, où le champ d'application est clair et où des données de référence sont accumulées, des modèles spécialisés plus petits peuvent surpasser les modèles généralistes en termes de coût, de vitesse et de précision.

Ce contenu est fourni à titre informatif uniquement et ne constitue pas un conseil financier, d'investissement, juridique ou fiscal. Les événements, récompenses, promotions en ligne ou informations mentionnées ici ne doivent pas être considérés comme une recommandation, une sollicitation ou une invitation à acheter, vendre, trader ou effectuer toute autre opération sur des actifs crypto. Les actifs crypto sont très volatils et peuvent entraîner des pertes. La disponibilité des services, produits et événements liés à WEEX peut varier selon les régions. Veuillez vous assurer que votre participation respecte les lois et réglementations locales applicables.