کوین‌بیس با استفاده از داده‌های تراکنش‌های اختصاصی خود، یک مدل هوش مصنوعی با وزن باز را تنظیم دقیق کرده است تا در تشخیص تقلب، عملکردی بهتر از یک مدل پیشرو با کد منبع بسته داشته باشد و امتیازات تشخیص بهتری را با تأخیر کمتر در ارائه خدمات به دست آورد.
این صرافی در یک مجموعه فنی سه قسمتی استدلال کرد که شرکت‌ها می‌توانند با استفاده از مدل‌های تخصصی که برای نیازهای خودشان آموزش دیده‌اند، نتایج بهتری نسبت به اتکا به سیستم‌های هوش مصنوعی عمومی با قابلیت‌های فزاینده به دست آورند.
در پستی در تاریخ ۱۲ اکتبر، برایان آرمسترانگ، مدیرعامل کوین‌بیس، توضیح داد که این شرکت مدل Qwen3.5-9B را با استفاده از داده‌های داخلی خود تنظیم دقیق کرده و دریافته است که این مدل در وظیفه تخصصی پیشگیری از تقلب، «عملکردی بهتر از مدل‌های پیشرفته، با هزینه و سرعت بسیار کمتر» داشته است.
نکته 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 پیشرفته، متخصصان عمومی شگفت‌انگیزی هستند. اما به طور فزاینده‌ای خواهید دید که مدل‌های تخصصی در وظایف محدودتر، چه در تیم‌ها و چه به تنهایی، عملکرد بهتری از خود نشان می‌دهند.»
مجموعه “Owning Intelligence” کوین‌بیس چگونگی تکامل این رویکرد را شرح داد، به طوری که این شرکت ابتدا یک عامل ریسک هوش مصنوعی را به مدل یادگیری ماشین و موتور قوانین موجود خود برای Onramp اضافه کرد. Onramp به کاربران اجازه می‌دهد تا ارزهای دیجیتال را از طریق برنامه‌های شریک، از جمله پرداخت مهمان بدون نیاز به حساب کوین‌بیس، خریداری کنند.
یک آزمایش آنلاین نشان داد که ۳۰ درصد تراکنش‌های جعلی کمتر و ۲۲ درصد ارزش تقلب کمتر در گروهی که از بررسی اضافی هوش مصنوعی استفاده می‌کردند، وجود داشته است. این عامل، توالی تراکنش‌های اخیر را برای شناسایی الگوهایی که ممکن است از یک پرداخت واحد مشخص نباشند، بررسی می‌کرد. این عامل می‌توانست تراکنشی را که از بررسی‌های اولیه عبور کرده بود، مسدود کند، اما نمی‌توانست یک مسدودسازی بالادستی را لغو کند.
کوین‌بیس سپس نسخه‌های جدیدتر مدل‌های با کد منبع بسته را در برابر یک معیار ثابت از ۱۶,۱۴۰ تراکنش در ۷,۲۹۳ کاربر، از جمله ۸۱۳ تراکنش جعلی تأیید شده، آزمایش کرد. این شرکت گزارش داد که نسخه‌های جدیدتر Opus، Sonnet و GPT در چندین معیار تشخیص تقلب، عملکرد ضعیف‌تری نسبت به مدل‌های قبلی خود داشتند.
GPT-5.6 دقت را بهبود بخشید اما بازیابی (recall) کمتری را ثبت کرد، به این معنی که سهم کمتری از تراکنش‌های جعلی را شناسایی کرد. این نتیجه، حرکت به سمت یک مدل با وزن باز را که پارامترهای آن به طور مستقیم قابل انطباق بودند، نه فقط از طریق API ارائه‌دهنده، ترغیب کرد.
رویکرد کوین‌بیس با بحث گسترده‌تری در مورد عوامل هوش مصنوعی که وظایف مربوط به جرایم مالی و امنیت را بر عهده می‌گیرند، همسو است. Certik هفته گذشته هشدار داد که عوامل امنیتی خودکارتر می‌توانند خطراتی ناشی از خروجی‌های نادرست و کاهش نظارت انسانی را به همراه داشته باشند. این شرکت محدودیت‌های روشنی را برای تصمیمات خودکار و مالکیت مشخص برای هر عامل توصیه کرد.
با این حال، عامل صرافی ارز دیجیتال در چارچوب چنین محدودیت‌هایی عمل می‌کند و یک امتیاز ریسک را برمی‌گرداند و کدهای برنامه‌ای دارد که خط‌مشی تصمیم‌گیری را اعمال می‌کنند. همچنین می‌تواند تراکنشی را که بررسی‌های قبلی اجازه داده بودند، مسدود کند، اما نمی‌تواند مسدودسازی که قبلاً انجام شده است را لغو کند.
