Coinbaseのブライアン・アームストロングが今朝投稿し、48万回閲覧：オープンソースのQwen3.5-9Bに自社のリスク管理データを学習させてファインチューニングし、不正対策に特化。クローズドな最先端大規模モデルを上回った——より正確で、速く、安い。

エンジニアによる試算（数字は同社の公開情報より）：
· 学習コストは100ドル未満、GPU 1台
· 本番環境でのA/Bテスト：追加の審査レイヤーとして導入し、不正取引件数は30％減、損失額は22％減
· 中央値のレイテンシは1秒未満

私の見解：
1）大規模モデルは何でもこなすゼネラリストだが、リスク管理に必要なのはスペシャリスト。9Bパラメーター＋独自データのほうが、1Tパラメーター＋公開データより、自社を狙う詐欺師の特徴をよく理解できる。堀になるのはデータであって、モデルではない。
2）取引所やウォレットにとって、これはオンチェーン詐欺対策がますます「ローカル化」することを意味する。それぞれが自社の不正事例で自社の小型モデルを学習させ、フィッシングアドレス、偽サポート、承認の罠などの検知コストはほぼゼロにまで下がる。
3）ただし、モデルがブロックできるのは「詐欺っぽい」ものだけ。自分からシードフレーズを渡してしまえば、どんなに優れたモデルでも救えない。最後の砦はいつだって自分自身だ。ブックマークからアクセスする、理解できない承認には署名しない、サポートにはいったん電話を切ってから折り返す。

100ドルの学習費なんて、きれいな女の子にまともな夕食をごちそうするにも足りない。節約できた30％があれば、何度もごちそうできそうだけどね😏

#AI #反诈 #オンチェーンセキュリティ