به گزارش بازار، صرافی کوین بیس در تازه‌ترین گزارش خود اعلام کرد که نسخه‌های جدیدتر سه خانواده اصلی مدل‌های هوش مصنوعی، عملکرد ضعیف‌تری در شناسایی پرداخت‌های جعلی و ارزش مالی کلاهبرداری‌ها در سرویس آن‌رمپ (Onramp) داشته‌اند. این نتایج فرضیه رایج مبنی بر این‌که ارتقای مدل‌های زبانی همواره باعث بهبود سیستم‌های غربالگری پرداخت می‌شود را به چالش کشیده است.
این ارزیابی بر اساس بازپخش داده‌های تاریخی ۱۶,۱۴۰ تراکنش از ۷,۲۹۳ کاربر، از جمله ۸۱۳ تراکنش جعلی تأییدشده انجام گرفت. آزمایش‌ها بدون تغییر در سیاست‌های تصمیم‌گیری ریسک اجرا شدند تا تأثیر واقعی تغییر نسخه‌های هوش مصنوعی سنجیده شود. نتایج نشان داد که در نسخه‌های جدیدتر، معیارهای بازیابی و دقت کل به‌طور محسوسی کاهش یافته و حجم بیشتری از تراکنش‌های مخرب شناسایی نشده‌اند.
افت بازدهی مدل‌های پیشرفته در سنجش ریسک
در این بررسی، مدل‌های سونت (Sonnet)، اوپوس (Opus) و جی‌پی‌تی (GPT) با نسل‌های پیشین خود مقایسه شدند. نرخ بازیابی وزنی بر اساس ارزش دلاری در سونت حدود ۲۲.۹ درصد و در مدل جی‌پی‌تی ۲۱.۸ درصد افت کرد. هرچند دقت مدل جی‌پی‌تی تا ۱۱.۵ درصد افزایش داشت، اما با کاهش شدید نرخ بازیابی، بخش قابل‌توجهی از وجوه حاصل از کلاهبرداری از فیلترهای این سیستم فرار کردند.
مزیت مدل‌های سفارشی‌سازی‌شده در مدیریت تراکنش‌ها
کوین بیس برای مقابله با این مشکل، یک مدل سفارشی بر پایه کوئن (Qwen۳.۵-۹B) را آموزش داد که توانست شاخص‌های تشخیص کلاهبرداری را تا حد چشمگیری ارتقا دهد. این مدل تخصصی علاوه بر بهبود ۹.۶ درصدی شاخص ترکیبی دقت و بازیابی، نرخ تأخیر پردازش را ۵۵ درصد نسبت به مدل‌های عمومی کاهش داد؛ موضوعی که اهمیت استفاده از سیستم‌های متناسب با نیازهای پرداخت در صنعت ارزهای دیجیتال را نشان می‌دهد.
نظر شما