Coinbase verkürzt die Reaktionszeiten bei Betrug mit der neuen KI-gesteuerten Regel-Engine
Coinbase hat seinen Anti-Betrugs-Stack durch die enge Integration von Modellen des maschinellen Lernens mit einer Hochgeschwindigkeits-Regel-Engine neu aufgebaut und so die Reaktionszeiten auf neue Betrugsmuster von Tagen auf Stunden verkürzt, genau wie TRM Labs davor warnt, dass Krypto-Betrug mittlerweile eine KI-intensive Branche mit mehreren zehn Milliarden pro Jahr ist.
Coinbase hat seinen Anti-Betrugs-Stack durch die enge Integration von Modellen des maschinellen Lernens mit einer Regel-Engine verbessert und so seine Reaktionszeit auf neue Betrugsmuster von mehreren Tagen auf nur wenige Stunden verkürzt, da KI-gestützte Betrügereien im gesamten Kryptosektor zunehmen.
Das Unternehmen beschreibt eine zweigleisige Strategie, bei der „Modelle für die langfristige Verteidigung und Regeln für eine schnelle Reaktion verantwortlich sind“, alles in einem einheitlichen Rahmen untergebracht, der es Regeln ermöglicht, neue Betrugsarten zu erfassen, die dann in Modelle zurückgeführt werden können, um die Gesamtverteidigung im Laufe der Zeit zu stärken.
Coinbase sagt, es habe den früher manuellen und langsamen Regelerstellungs-Workflow in ein Ziel verwandelt
Das neue Betrugs-Playbook von Coinbase
Im Rahmen der Überarbeitung wurde die Leistung des Regel-Backtestings um mehr als das Zehnfache verbessert, sodass Coinbase neue Schutzmaßnahmen viel schneller testen und ausliefern kann, wenn sich Betrugsverhalten in Echtzeit entwickelt.
Laut Coinbase nutzt das System nun maschinelles Lernen, um Regelparameter zu empfehlen, mit dem Ziel, „False-Positive-Raten zu reduzieren und gleichzeitig Betrug zu bekämpfen und die Auswirkungen auf normale Benutzer zu minimieren“, ein wichtiger Ausgleich für eine große Börse, die ein Handelsvolumen in Milliardenhöhe verarbeitet.
Das neueste Upgrade baut auf früheren Bemühungen auf, die in einem Coinbase-Blog zu fortschrittlichen Modellen für maschinelles Lernen beschrieben wurden, in denen das Unternehmen sagte, seine Mission bestehe darin, „weiterhin skalierbare, adaptive, Blockchain-fähige ML-Systeme zu entwickeln, die es Coinbase ermöglichen, Risiken für seine Produkte effektiv zu verwalten“, ohne die Benutzererfahrung zu beeinträchtigen.
KI-Wettrüsten gegen Kryptobetrug
Der Schritt erfolgt zu einem Zeitpunkt, an dem sich der Krypto-Betrug industrialisiert hat.
Das Blockchain-Intelligence-Unternehmen TRM Labs berichtete, dass der weltweite Krypto-Betrug im Jahr 2025 etwa 35 Milliarden US-Dollar erreichte, und warnte davor, dass, wenn man die Unterberichterstattung mit einrechnet, „die jährlichen Gesamtverluste weltweit wahrscheinlich 200 Milliarden US-Dollar übersteigen werden“.
In einem separaten Kriminalitätsbericht aus dem Jahr 2026 sagte TRM, dass illegale Kryptoströme im Jahr 2025 einen Rekordwert von 158 Milliarden US-Dollar erreichten, wobei Betrugsnetzwerke zunehmend wie professionelle Unternehmen betrieben würden und KI-Tools den Identitätswechsel und die Öffentlichkeitsarbeit in großem Umfang beschleunigten.
Der Chief Information Security Officer von Coinbase, Philip Martin Lunglhofer, sagte zuvor, dass die Börse zunehmende „KI-Anwendungsfälle zur Betrugserkennung“ verzeichnen würde und bereits maschinelles Lernen einsetzt, um Benutzeraktivitäten zu überwachen und Chats auf Anzeichen von Betrug oder Kontoübernahmen zu unterstützen.
Die jüngste Investition der Börse in die automatisierte, ereignisgesteuerte Regelgenerierung und die mögliche „Ein-Klick-Umwandlung“ effizienter Regeln in Modellfunktionen soll Coinbase näher an ein vollautomatisches Risikomanagementsystem bringen, da Betrüger selbst KI als Waffe einsetzen, um Schwachstellen schneller als je zuvor zu untersuchen und auszunutzen.
Für einen breiteren Kontext zur Sicherheitslage und den Bemühungen zum Benutzerschutz von Coinbase können sich die Leser auf die auf Betrug ausgerichteten Blog-Beiträge von Coinbase zu maschinellem Lernen und Compliance sowie auf frühere Berichterstattungen über Coinbase-Betrugsaktivitäten und Krypto-Betrugstrends auf crypto.news beziehen.