کوین بیس یک مدل هوش مصنوعی با وزن باز را بر روی داده‌های تراکنش اختصاصی خود بهینه‌سازی کرده است تا در شناسایی تقلب از یک مدل بسته پیشرو بهتر عمل کند، با نمرات شناسایی بهتر و تأخیر کمتری در ارائه.
در یک سری فنی سه‌قسمتی، این صرافی استدلال کرد که شرکت‌ها می‌توانند از مدل‌های تخصصی که برای نیازهای خود آموزش دیده‌اند، نتایج بهتری نسبت به تکیه بر سیستم‌های هوش مصنوعی عمومی که به طور فزاینده‌ای توانمند هستند، به دست آورند.
گزارش کوین بیس از شناسایی بهتر تقلب با یک مدل کوچکتر
در پستی در تاریخ ۱۲ اکتبر، مدیرعامل کوین بیس برایان آرمسترانگ توضیح داد که این شرکت Qwen3.5-9B را با استفاده از داده‌های داخلی بهینه‌سازی کرده و دریافت که این مدل “در کار تخصصی پیشگیری از تقلب، با هزینه و سرعت بسیار پایین‌تر، از مدل‌های مرزی بهتر عمل کرده است.”
نقطه مورد نظر این نبود که مدل‌های کوچکتر به طور کلی بهتر هستند، بلکه عملکرد به کاری که برای آن آموزش دیده‌اند بستگی دارد.
آرمسترانگ نوشت: “مدل‌های مرزی عمومی فوق‌العاده هستند، اما به طور فزاینده‌ای خواهید دید که مدل‌های تخصصی در کارهای باریک‌تر بهتر عمل می‌کنند، چه به صورت تیمی و چه به تنهایی.”
سری هوش مالکانه کوین بیس توصیف کرد که چگونه این رویکرد تکامل یافته است، با این که شرکت ابتدا یک عامل ریسک هوش مصنوعی را به مدل یادگیری ماشین و موتور قوانین موجود خود برای Onramp اضافه کرد، که به کاربران اجازه می‌دهد از طریق برنامه‌های شریک، ارز دیجیتال خریداری کنند، از جمله خرید مهمان بدون حساب کوین بیس.
یک آزمایش آنلاین نشان داد که در گروهی که از بررسی اضافی هوش مصنوعی استفاده می‌کردند، ۳۰٪ تراکنش‌های تقلبی کمتر و ۲۲٪ ارزش تقلب کمتر وجود داشت. این عامل توالی‌های تراکنش اخیر را بررسی کرد تا الگوهایی را شناسایی کند که ممکن است از یک پرداخت واحد مشهود نباشند. این عامل می‌توانست یک تراکنش را که از چک‌های اولیه عبور کرده بود، مسدود کند، اما نمی‌توانست یک بلوک بالادستی را معکوس کند.
سپس کوین بیس نسخه‌های جدیدتر مدل‌های بسته را در برابر یک معیار ثابت از ۱۶,۱۴۰ تراکنش در میان ۷,۲۹۳ کاربر، از جمله ۸۱۳ تراکنش تقلبی تأیید شده، آزمایش کرد. این شرکت گزارش داد که نسخه‌های جدید Opus، Sonnet و GPT در چندین معیار شناسایی تقلب بدتر از نسخه‌های قبلی عمل کردند.
GPT-5.6 دقت را بهبود بخشید اما یادآوری کمتری ثبت کرد، به این معنی که سهم کمتری از تراکنش‌های تقلبی را شناسایی کرد. این نتیجه باعث شد که به سمت یک مدل با وزن باز حرکت کنند، که پارامترهای آن می‌توانستند به طور مستقیم تنظیم شوند و نه تنها از طریق API یک ارائه‌دهنده دسترسی پیدا کنند.
مسئله‌ای درباره خودمختاری هوش مصنوعی
رویکرد کوین بیس در بحث وسیع‌تری درباره عوامل هوش مصنوعی که به کارهای جرم مالی و امنیتی می‌پردازند، جا می‌گیرد، با این که Certik هفته گذشته هشدار داد که عوامل امنیتی خودمختار بیشتر می‌توانند خطراتی از خروجی‌های نادرست و کاهش نظارت انسانی به همراه داشته باشند. این شرکت توصیه کرد که محدودیت‌های روشنی برای تصمیمات خودمختار و یک مالک نام‌گذاری شده برای هر عامل وجود داشته باشد.
با این حال، عامل صرافی ارز دیجیتال در چنین محدودیت‌هایی کار می‌کند و یک نمره ریسک بازمی‌گرداند و کدهای کاربردی دارد که سیاست تصمیم‌گیری را اعمال می‌کنند. همچنین می‌تواند یک تراکنش را که چک‌های قبلی اجازه داده بودند، مسدود کند، اما نمی‌تواند یک بلوکی که قبلاً ایجاد شده است را نادیده بگیرد.