Antes de entender esto, sabremos algunas palabras sobre los algoritmos de aprendizaje automático. Los algoritmos de aprendizaje automático se pueden utilizar en varios algoritmos de aprendizaje, como el aprendizaje supervisado, el aprendizaje no supervisado o ambos. Los algoritmos de aprendizaje supervisado utilizan datos etiquetados para aprender patrones y hacer predicciones, mientras que los algoritmos de aprendizaje no supervisados identifican anomalías o grupos con datos sin etiquetas preexistentes. Se pueden entrenar varios modelos simultáneamente para capturar diferentes aspectos de actividades sospechosas.
Los ingenieros de aprendizaje automático de Binance suelen utilizar dos tipos de canalizaciones. Son por lotes y streaming.
Lote: se utiliza para grandes volúmenes de datos.
Streaming: datos medios en tiempo real a medida que se recopilan. Esto genera situaciones que requieren una respuesta casi instantánea, como detectar a un pirata informático antes de retirar fondos de cualquier cuenta.
Por encima de ambos oleoductos muy importantes. Los lotes son mejores para manejar grandes cantidades de datos, mientras que el streaming es mejor para proporcionar una respuesta en tiempo real.
Supongamos que la prevención del fraude necesita priorizar los datos en tiempo real para evitar una situación llamada "modelo obsoleto".
Impacto del estancamiento
Si las personas no se mantienen actualizadas con la información o las técnicas más recientes, los modelos de aprendizaje automático también pueden volverse menos precisos. Según esta situación preferiría que todos se mantuvieran siempre actualizados con información o técnicas.
Modelo de adquisición de cuenta (ATO).
Tren modelo ATO para identificar cuentas que usuarios ilegítimos secuestraron con objetivo malicioso. Luego, este modelo mide la cantidad de transacciones que se realizan en el último minuto.
Los piratas informáticos siguen estos pasos.
1. Patrón secuencial
2. Alto número de operaciones (Retiros en un corto período de tiempo)
En esta condición, Binance System calcula esta función lo antes posible en caso de posibles amenazas. Significa minimizar los retrasos entre la acción del usuario y los datos de actividad del usuario que se procesan a través de este modelo.
Para más información visite
https://engineering.linkedin.com/blog/2022/near-real-time-features-for-near-real-time-personalization
Función de computación por lotes:
La importancia de la obsolescencia de las funciones puede depender del modelo. Algunas características, por ejemplo, son relativamente estables. En el caso de la ATO mencionado anteriormente, también sería necesario recuperar datos sobre los retiros del usuario en los últimos 30 días para calcular un índice basado en sus transacciones más recientes.
En esta situación, la computación por lotes durante períodos de tiempo más largos, como intervalos diarios o de una hora, es aceptable a pesar del mayor estancamiento resultante de esperar a que los datos lleguen a los almacenes de datos y a que los trabajos por lotes se ejecuten periódicamente.
En este artículo, algunos datos se obtuvieron del Blog de Binance; por lo tanto, si desea conocer más detalles, visite el Blog de Binance. #azuki #pepe #crypto2023 >#DYOR