Sebelum kita memahami hal ini, kita perlu mengetahui sedikit tentang Algoritma Pembelajaran Mesin, Algoritma pembelajaran mesin dapat digunakan dalam berbagai algoritma pembelajaran, seperti pembelajaran yang diawasi, pembelajaran tanpa pengawasan, atau keduanya. Algoritma pembelajaran yang diawasi menggunakan data berlabel untuk mempelajari pola dan membuat prediksi, sementara algoritma pembelajaran tanpa pengawasan mengidentifikasi anomali atau kelompok pada data tanpa label yang sudah ada sebelumnya. Beberapa model dapat dilatih secara bersamaan untuk menangkap berbagai aspek aktivitas mencurigakan.

Insinyur Pembelajaran Mesin Binance biasanya menggunakan dua jenis alur kerja, yaitu Batch dan Streaming.

Batch: digunakan untuk volume data yang besar

Streaming: Data rata-rata yang dikumpulkan secara real time. Hal ini memungkinkan situasi yang memerlukan respons hampir instan, seperti mendeteksi peretas sebelum menarik dana dari akun mana pun.

Kedua jalur tersebut sangat penting. Batch paling baik dalam menangani data dalam jumlah besar, sedangkan Streaming lebih baik dalam menyediakan respons real-time.

Misalkan pencegahan penipuan, perlu memprioritaskan data waktu nyata untuk menghindari situasi yang disebut “Model Staleness.”

Dampak Kedaluwarsa

Jika orang tidak mengikuti perkembangan informasi atau teknik terbaru, model pembelajaran mesin juga bisa menjadi kurang akurat. Berdasarkan situasi ini, saya lebih suka setiap orang selalu mengikuti perkembangan informasi atau teknik.

Model Pengambilalihan Akun (ATO).

Model ATO digunakan untuk mengidentifikasi akun yang diretas oleh pengguna tidak sah dengan tujuan jahat. Kemudian model ini mengukur jumlah transaksi yang dilakukan dalam satu menit terakhir.

Para peretas mengikuti langkah-langkah berikut ini.

1. Pola Sekuensial

2.     Jumlah operasi yang tinggi (Penarikan dalam waktu singkat)

Dalam kondisi ini, Binance System akan segera menghitung fitur ini jika terjadi potensi ancaman. Ini berarti meminimalkan penundaan antara tindakan pengguna dan data aktivitas pengguna yang diproses melalui model ini.

Untuk Informasi Lebih Lanjut kunjungi

https://engineering.linkedin.com/blog/2022/near-real-time-features-for-near-real-time-personalization

Peran Komputasi Batch:

Pentingnya keawetan fitur dapat bergantung pada modelnya. Beberapa fitur, misalnya, relatif stabil. Dalam kasus ATO yang disebutkan di atas, ATO juga perlu mengambil data tentang penarikan dana pengguna dalam 30 hari terakhir untuk menghitung rasio berdasarkan transaksi terbaru mereka.

Dalam situasi ini, komputasi batch dalam jangka waktu lebih lama, seperti interval harian atau per jam, dapat diterima meskipun lebih basi karena harus menunggu data tiba di gudang data dan pekerjaan batch berjalan berkala.

Dalam artikel ini beberapa data diambil dari Blog Binance, oleh karena itu jika Anda ingin mengetahui lebih detail, kunjungi saja Blog Binance. #azuki #pepe #crypto2023 #DYOR