Il CEO di Coinbase: "Modello AI addestrato sui dati interni mostra elevate prestazioni di rilevamento delle frodi"

[Giornalista Ham Ji-hyun di Block Media] Coinbase ha registrato prestazioni di rilevamento delle frodi superiori a quelle dei modelli generali, utilizzando un modello di intelligenza artificiale (AI) open weight addestrato sui propri dati di pagamento.

Il CEO Brian Armstrong ha dichiarato il 12 ottobre (ora locale) su X: "Utilizzando i dati interni esclusivi di Coinbase, abbiamo perfezionato il modello open weight Qwen 3.5-9B, ottenendo prestazioni di rilevamento delle frodi superiori rispetto ai modelli generali, a un costo molto inferiore e con una maggiore velocità."

Ha aggiunto: "I modelli generali sono ottimi, ma in futuro vedremo sempre più casi in cui modelli specializzati, sia da soli che in collaborazione con altri modelli, forniranno prestazioni superiori in compiti più ristretti."

I risultati delle inferenze online rivelano anche una chiara differenza di velocità. Il tempo medio di elaborazione delle richieste, indicato dal percentile P50, è stato di 0,683 secondi per Qwen 3.5-9B, circa il 55% più breve rispetto ai 1,515 secondi di Opus 4.5.

Anche nel percentile P99, che mostra situazioni di ritardo significativo, Qwen 3.5-9B ha registrato 1,036 secondi, risultando notevolmente più veloce dei 3,312 secondi di Opus 4.5. Il P99 indica che il 99% delle richieste è stato elaborato entro quel tempo, il che significa che anche in situazioni di alta domanda o ritardi nelle risposte, la velocità di elaborazione del modello Qwen è rimasta relativamente stabile.

Siamo stati in grado di perfezionare un modello open weight (Qwen 3.5-9B) sui dati interni proprietari di @coinbase, e ha superato i modelli generali, a un costo e una velocità molto inferiori, per un compito specializzato (in questo caso, la prevenzione delle frodi).

Penso che vedremo più di questo modello all'interno delle aziende. I modelli generali sono straordinari. Ma sempre di più vedremo modelli specializzati superare in compiti più ristretti, sia lavorando in team che da soli.

Stiamo rendendo facile perfezionare i modelli internamente per i nostri dipendenti. Abbiamo persino una funzione per questo nel nostro sistema interno che rende facile avviare e iniziare a formarli:

"/fine-tune-and-serve-llm Voglio perfezionare Qwen per la revisione del rischio dei pagamenti. Aiutami a iniziare"

Immagino che avremo alcuni servizi backend che potrebbero essere completamente sostituiti da questa nuova architettura.

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

Coinbase ha recentemente rivelato nel suo blog il processo di costruzione del sistema di rilevamento delle frodi per il servizio di acquisto di asset digitali "Onramp".

Onramp è un servizio che consente agli utenti di acquistare direttamente asset digitali tramite applicazioni partner. Anche gli utenti senza un account Coinbase possono effettuare pagamenti come ospiti, il che significa che devono identificare le transazioni fraudolente anche in assenza di informazioni storiche sugli account degli utenti.

Coinbase ha aggiunto un agente di rischio basato su un modello di linguaggio di grandi dimensioni (LLM) sopra i modelli di machine learning (ML) esistenti e il sistema di rilevamento basato su regole. Mentre i sistemi esistenti esaminano rapidamente le singole transazioni, l'agente LLM analizza modelli anomali che si manifestano su più transazioni, esaminando l'ordine delle transazioni recenti, le variazioni nei metodi di pagamento e le destinazioni delle transazioni.

Negli esperimenti online, il gruppo che ha aggiunto l'agente LLM ai modelli ML esistenti e al motore di regole ha visto una riduzione del 30% nel numero di transazioni fraudolente e del 22% nell'importo delle transazioni fraudolente rispetto ai sistemi esistenti.

Tuttavia, questo sistema è diverso dal "pagamento dell'agente", in cui l'agente AI esegue direttamente i pagamenti. L'AI non esegue i pagamenti, ma valuta il livello di rischio delle transazioni. L'approvazione o il blocco effettivo è gestito dal sistema di gestione del rischio delle applicazioni esistenti.

Coinbase ha utilizzato Claude Opus nel sistema iniziale. Ha inserito informazioni sulle transazioni di circa 7000 token e ha ridotto il tempo di risposta richiedendo solo il livello di rischio anziché una lunga spiegazione. Il tempo medio di ritardo per le chiamate LLM era di circa 1,5 secondi.

Successivamente, Coinbase ha addestrato ulteriormente Qwen 3.5-9B utilizzando i propri dati, invece di fare affidamento su modelli generali esterni. Secondo l'azienda, questo modello ha superato Claude Opus 4.5 in tutti e quattro gli indicatori relativi al rilevamento delle frodi. Il punteggio F1, che indica le prestazioni complessive nel rilevamento delle frodi, era superiore del 9,6% rispetto ai modelli generali, e il tempo di risposta nel contesto del servizio reale è stato ridotto del 55%.

Coinbase sta anche creando un ambiente di perfezionamento affinché i dipendenti possano sviluppare modelli specializzati internamente. Il CEO Armstrong ha spiegato che inserendo comandi nel sistema AI interno, è possibile addestrare modelli come Qwen per compiti specifici e distribuirli nell'ambiente di servizio.

Un esempio di comando che ha fornito è: "Voglio perfezionare Qwen per la revisione del rischio dei pagamenti. Aiutami a iniziare."

Il CEO Armstrong ha suggerito che questa struttura potrebbe sostituire completamente i sistemi aziendali esistenti, andando oltre un semplice strumento di assistenza AI. Ha affermato: "Penso che alcuni servizi backend possano essere completamente sostituiti da questa nuova struttura."

Il caso di Coinbase dimostra che in futuro le aziende si sposteranno verso la costruzione di modelli specializzati addestrati sui propri dati, piuttosto che utilizzare direttamente modelli generali. In aree come il rilevamento delle frodi, dove l'ambito di lavoro è chiaro e i dati di risposta sono accumulati, i modelli specializzati di piccole dimensioni possono superare i modelli generali in termini di costo, velocità e precisione.

Questo contenuto è fornito a solo scopo informativo generale e non costituisce consulenza finanziaria, di investimento, legale o fiscale. Qualsiasi evento, ricompensa, promozione online o informazione correlata menzionata nel presente documento non deve essere considerata una raccomandazione, una sollecitazione o un invito ad acquistare, vendere, fare trading o altrimenti negoziare criptovalute. Le criptovalute sono altamente volatili e possono comportare perdite. La disponibilità dei servizi, dei prodotti e degli eventi correlati di WEEX può variare a seconda della regione. È tua responsabilità assicurarti che la tua partecipazione sia conforme alle leggi e ai regolamenti locali applicabili.