金融 / 暗号資産取引所
Coinbase：提携アプリでの暗号資産購入に対する不正リスクの追加審査
- 企業
- Coinbase
- 国
- 米国
- 導入状況
- 限定運用
- 資料公開
- 日付の基準
- 資料が公開された時点。導入を開始した日とは異なる場合がある。
- 根拠の確認方法
- 原文の本文を閲覧
業務課題
Coinbaseの技術ブログ記事によると、Coinbase Onrampは利用者が提携企業のアプリ内で暗号資産を購入できるようにするサービスで、Coinbaseアカウントを持たないゲスト決済にも対応している。同記事は、既存の機械学習モデルとルールエンジンはゲスト決済を速く安く選別できるが、兆候が複数の取引に分かれて現れる攻撃は見分けにくいと説明した。同記事は、取引回数や支出合計のような事前に定めた特徴量では時点、決済手段、送金先の組み合わせを捉えられず、不正の確定結果が遅れて出るため新しい手口に合わせて評価し修正することが難しいと述べた。
使った技術とデータ
同記事によると、CoinbaseはOnrampサービスが取引をRisk Serviceに送ると既存のモデルとルールが先に検査し、その後LLMによるリスク審査エージェントが選ばれた取引だけをもう一度審査する仕組みを作った。モデルとエージェントは同じRay Serveのデプロイ内で動き、エージェントは既存の検査が許可した取引を止めることはできるが、前段が止めた取引を解除することはできないと同記事は説明した。同記事は、エージェントが取引情報、最近の取引履歴の要約、自然言語で書いた不正審査の指針と調整用の例を受け取ってリスク等級だけを出し、判定ルールの適用と例外処理はアプリケーションのコードが担い、モデルは決済の操作を実行しないと述べた。同記事によると、最初の導入ではClaude Opusを使い、約7,000トークンの入力でLLM呼び出し遅延の中央値(P50)は約1.5秒だった。同記事は、指針を変えてもモデルを再学習する必要はないが、変更のたびに実際の取引結果で検証する必要があると付け加えた。
成果
同記事によると、既存のモデルとルールだけを使う対照群と、トラフィックの50%にエージェントの審査を加えた実験群を比べたオンライン実験で、実験群の不正取引件数は30%、不正金額は22%少なかった。同記事は、実験群の不正件数と不正率が低く、取引総数、利用者数、総売上は高かったと述べた。同記事は、実験結果から推計した不正防止による削減額が、モデル提供企業の公開料金で計算した推論コストの約3倍だと説明した。同記事が紹介した連載の予定によると、続く回では新しいモデルのバージョンが自社の不正ベンチマークで再現率とF1が低かったという評価と、Qwen3.5-9Bを追加学習して遅延を55%減らした結果を扱う。
限界と残る課題
同記事は実験期間、エージェント審査に回した取引の割合、不正件数と金額の絶対値を明らかにしておらず、取引数と売上の増加幅は本文の数値なしに図だけで示した。30%と22%はCoinbaseが自ら測ったオンライン実験の結果であり、実験後にエージェントを全取引に広げたかどうかは同記事に書かれていない。
出典
公開資料をまとめた事例です。ATF Works導入企業の成果ではありません。