Coinbase verbessert sein Betrugsbekämpfungssystem durch die Integration von maschinellem Lernen in eine Regel-Engine und reduziert so die Reaktionszeit auf wenige Stunden.

Coinbase gab an, den Regelerstellungsprozess in seinem Betrugsbekämpfungssystem durch die Integration von Modellen des maschinellen Lernens in eine Regel-Engine zu optimieren und so ein effizienteres Risikomanagement zu erreichen. Es wurde außerdem eine zweigleisige Strategie vorgeschlagen: „Modelle für die langfristige Verteidigung, Regeln für die schnelle Reaktion“. Zudem wurde ein einheitlicher Rahmen geschaffen, um eine Rückkopplungsschleife zwischen den beiden zu erzeugen: Regeln werden verwendet, um neue Betrugsarten zu erfassen und das Modell umgekehrt zu trainieren, wodurch die gesamten Verteidigungsfähigkeiten kontinuierlich verbessert werden.

Im Hinblick auf konkrete Optimierungen hat Coinbase den zuvor manuellen Regelerstellungsprozess in ein datengesteuertes und automatisiertes Empfehlungssystem umgewandelt, indem Daten umstrukturiert, die Schemaentwicklung automatisiert und notebookbasierte Analysetools eingeführt wurden, wodurch die Effizienz deutlich verbessert wurde. Zu diesen Verbesserungen zählt, dass die Leistung des Regel-Backtests um mehr als das Zehnfache gesteigert wurde und die gesamte Antwortzeit von mehreren Tagen auf wenige Stunden reduziert werden konnte. Darüber hinaus nutzt das neue System maschinelles Lernen, um Parameter zu empfehlen, wodurch die Rate falsch positiver Ergebnisse reduziert, Betrug bekämpft und die Auswirkungen auf normale Benutzer minimiert werden. Coinbase gab an, dass der nächste Schritt darin bestehen wird, die ereignisgesteuerte automatische Regelgenerierung voranzutreiben und die „Ein-Klick-Konvertierung“ effizienter Regeln in Modellmerkmale zu erforschen, um so ein automatisiertes Risikomanagementsystem weiter zu entwickeln.