Coinbase تدرب نموذج Qwen لاكتشاف الاحتيال بكفاءة أعلى
كشفت Coinbase عن تجربة لتطوير أنظمة كشف الاحتيال باستخدام الذكاء الاصطناعي، عبر تدريب نموذج Qwen صغير ومفتوح الأوزان من Alibaba على بياناتها الخاصة. وحققت التجربة نتائج واعدة في اكتشاف المعاملات الاحتيالية، مع خفض زمن الاستجابة وتكاليف التشغيل مقارنة بنماذج ذكاء اصطناعي متقدمة.
تفاصيل الخبر
أعلنت Coinbase عن سلسلة مقالات توضح كيفية تطوير وكيل ذكاء اصطناعي متخصص في اكتشاف الاحتيال، ضمن خدمة Onramp التي تتيح للمستخدمين شراء العملات الرقمية من خلال تطبيقات ومنصات شريكة، بما في ذلك عمليات الشراء دون الحاجة إلى امتلاك حساب Coinbase.
بدأت الشركة بإضافة وكيل يعتمد على نموذج لغوي كبير إلى أنظمة التعلم الآلي وقواعد اكتشاف المخاطر الموجودة لديها. وبدلًا من استبدال الأنظمة التقليدية، يعمل الوكيل كطبقة إضافية تراجع سياق المعاملات السابقة وتبحث عن أنماط احتيال قد لا تظهر عند فحص كل معاملة بصورة منفصلة.
وتشمل أبرز نتائج التجربة وتفاصيلها ما يلي:
- انخفاض المعاملات الاحتيالية: سجلت التجربة انخفاضًا بنسبة 30% في عدد المعاملات الاحتيالية مقارنة بالنظام التقليدي وحده.
- تقليل قيمة الاحتيال: انخفضت القيمة الإجمالية للاحتيال بنسبة 22% في المجموعة التي استخدمت وكيل الذكاء الاصطناعي.
- تحسين الأداء باستخدام نموذج متخصص: توضح السلسلة أن Coinbase دربت نموذج Qwen3.5-9B من Alibaba باستخدام بياناتها الداخلية المتخصصة في الاحتيال.
- تفوق على نماذج متقدمة: وفقًا للشركة، حقق النموذج المدرب أداءً أعلى من Claude Opus 4.5 في أربعة مقاييس لاكتشاف الاحتيال، إلى جانب خفض زمن الاستجابة الإجمالي بنسبة 55%.
- خفض تكاليف التشغيل: أشارت Coinbase إلى أن الوفورات المقدرة الناتجة عن منع الاحتيال بلغت نحو ثلاثة أضعاف تكلفة الاستدلال بالنموذج في التجربة الأولية.
وتعتمد المنظومة على تحليل سياق المعاملات وتسلسلها الزمني، بدلًا من الاكتفاء بمؤشرات ثابتة مثل عدد العمليات أو إجمالي الإنفاق. كما تظل قرارات حظر المعاملات وتنفيذ السياسات ضمن النظام البرمجي المحيط، وليس بيد النموذج اللغوي وحده.
الأهداف المستقبلية
تسعى Coinbase إلى تطوير أنظمة ذكاء اصطناعي متخصصة في مكافحة الاحتيال، مع تقليل الاعتماد على النماذج العامة مرتفعة التكلفة. وتوضح سلسلة المقالات أن الشركة تعمل على تقييم النماذج وتدريبها بما يتناسب مع طبيعة المعاملات المالية وأنماط الاحتيال التي تواجهها.
ومن أبرز الأهداف المستقبلية لهذا التوجه:
- تطوير نماذج متخصصة: تدريب نماذج مفتوحة الأوزان على بيانات واقعية لتحسين اكتشاف أنماط الاحتيال المرتبطة بالمعاملات المالية.
- تحسين دقة التقييم: إنشاء اختبارات متخصصة تقيس قدرة النماذج على اكتشاف الاحتيال، بدلًا من الاعتماد على نتائج الاختبارات العامة وحدها.
- تقليل زمن الاستجابة: تسريع تحليل المعاملات لتوفير قرارات المخاطر خلال وقت أقصر.
- خفض تكاليف الذكاء الاصطناعي: استخدام نماذج أصغر يمكن تشغيلها بتكلفة أقل، مع الحفاظ على مستوى الأداء المطلوب.
- تعزيز أمن المعاملات الرقمية: الجمع بين نماذج التعلم الآلي التقليدية ووكلاء الذكاء الاصطناعي لرصد الأنماط الاحتيالية المعقدة.
وتبرز تجربة Coinbase أهمية امتلاك الشركات القدرة على تقييم النماذج وتخصيصها وفقًا لاحتياجاتها، بدلًا من افتراض أن النماذج الأحدث أو الأكبر حجمًا ستكون دائمًا الأفضل في جميع المهام.
توضح تجربة Coinbase أن تدريب نموذج ذكاء اصطناعي صغير على بيانات متخصصة قد يحقق نتائج أفضل من استخدام نماذج عامة أكثر تقدمًا في مهام محددة. ومع استمرار تطور تقنيات كشف الاحتيال، يمكن لهذا النهج أن يساعد الشركات على تحسين حماية المعاملات وخفض التكاليف، مع ضرورة التحقق المستمر من دقة النماذج وفعاليتها في الظروف الواقعية.
