Coinbase atualiza o sistema antifraude, integrando aprendizado de máquina e motor de regras, reduzindo o tempo de resposta para algumas horas

Notícias da Mars Finance, Coinbase afirma que está integrando modelos de aprendizado de máquina com mecanismos de regras para otimizar o processo de criação de regras no sistema de combate a fraudes, alcançando uma gestão de risco mais eficiente, ao mesmo tempo em que propõe uma estratégia de duplo trilho: “o modelo é responsável pela defesa de longo prazo, enquanto as regras respondem rapidamente”, e constrói uma estrutura unificada que cria um ciclo de feedback entre ambos: as regras são usadas para capturar novos tipos de fraudes e treinam o modelo de forma reversa, melhorando continuamente a capacidade de defesa geral.
Na otimização específica, a Coinbase reestruturou a estrutura de dados, automatizou a evolução do esquema e introduziu ferramentas de análise baseadas em Notebook, transformando o processo de criação de regras, que antes dependia de intervenção manual, em um processo orientado por dados e recomendações automáticas, aumentando significativamente a eficiência.
Entre elas, o desempenho de backtest de regras aumentou mais de 10 vezes, e o tempo de resposta geral foi reduzido de vários dias para algumas horas.
Além disso, o novo sistema recomenda parâmetros por aprendizado de máquina, ajudando a reduzir a taxa de falsos positivos, ao mesmo tempo em que combate fraudes e minimiza o impacto sobre usuários legítimos.
A Coinbase afirma que o próximo passo será avançar na geração automática de regras baseada em eventos e explorar a conversão de regras eficientes em características do modelo com um clique, avançando ainda mais em direção a um sistema de gestão de risco automatizado.