Mastercard nutzt ein KI-basiertes Modell zur Erkennung und Verhinderung von Kreditkartenbetrug.

Mastercard hat ein großes tabellarisches Modell (LTM) Dieses Modell wird anhand von Transaktionsdaten anstatt von Texten oder Bildern trainiert, um Sicherheits- und Authentizitätsprobleme bei digitalen Zahlungen zu lösen. Im Gegensatz zu herkömmlichen großen Sprachmodellen (LLMs) konzentriert sich dieser innovative Ansatz auf strukturierte Finanzdaten, um Betrugserkennung und Zahlungsverifizierung zu verbessern.

Das Unternehmen hat dieses Grundlagenmodell trainiert auf Milliarden von Kartentransaktionen, mit dem Plan, die Datenmenge im Laufe der Zeit auf Hunderte von Milliarden zu erweitern. Die Datensätze umfassen Zahlungsvorgänge und zugehörige Informationen, darunter Händlerstandorte, Autorisierungsabläufe, Betrugsfälle, Rückbuchungen und Aktivitäten im Rahmen von Kundenbindungsprogrammen. Wichtig ist, Persönliche Daten werden vor Beginn der Schulung entfernt.Dadurch wird sichergestellt, dass das Modell Verhaltensmuster analysiert, ohne auf individuelle Identitäten zuzugreifen.

Durch den Ausschluss personenbezogener Daten reduziert die Technologie die mit KI-Anwendungen im Finanzdienstleistungssektor häufig verbundenen Datenschutzrisiken erheblich. Umfang und Detailreichtum der anonymisierten Daten ermöglichen es dem Modell, wirtschaftlich wertvolle Muster zu identifizieren und gleichzeitig die Privatsphäre der Nutzer zu wahren. Obwohl die Anonymisierung bestimmte Signale entfernt, die für die Risikobewertung nützlich sein könnten, argumentiert Mastercard, dass die Nutzung ausreichend großer Mengen an Verhaltensdaten diese Einschränkung kompensiert.

Verständnis großer tabellarischer Modelle (LTMs)

Die Architektur von LTMs unterscheidet sich grundlegend von der großer Sprachmodelle. Während LLMs unstrukturierte Eingaben verarbeiten und das nächste Token in einer Sequenz vorhersagen, Mastercards LTM untersucht Beziehungen zwischen Feldern in mehrdimensionalen DatentabellenDieser Ansatz ähnelt eher dem traditionellen maschinellen Lernen als der generativen künstlichen Intelligenz.

Das große tabellarische Modell lernt direkt aus den Rohdaten, um vorhersagbare Zusammenhänge zu identifizieren und so anomale Muster zu erkennen, die vordefinierte Regeln möglicherweise übersehen. Mastercard beschreibt das LTM als ein 'Erkenntnisse-Engine' Es integriert sich in bestehende Produkte und erweitert aktuelle Arbeitsabläufe. Das operationelle Risikoprofil unterscheidet sich von kundenorientierten LLMs, da dieses Modell primär interne Entscheidungsprozesse unterstützt.

Die technische Infrastruktur nutzt Nvidia für Computerplattformen Und Databricks für Datenengineering und Modellentwicklung, das branchenführende Technologien kombiniert, um den LTM anzutreiben.

Praktische Anwendungen und Einsatz

Cybersicherheit stellt den ersten aktiven Einsatzbereich dar Mastercard setzt diese Technologie ein. Das Unternehmen betreibt mehrere Betrugserkennungssysteme, die Transaktionsdaten analysieren und bisher menschliche Eingaben erforderten, um verdächtige Verhaltensmuster zu erkennen, wie beispielsweise plötzliche Anstiege der Transaktionshäufigkeit oder Käufe an verschiedenen geografischen Standorten innerhalb kurzer Zeiträume.

Erste Ergebnisse zeigen eine verbesserte Leistung gegenüber herkömmlichen Verfahren in bestimmten Szenarien. Beispielsweise weist das Modell eine höhere Genauigkeit bei der Unterscheidung legitimer, hochpreisiger und seltener Käufe von betrügerischen Käufen auf – Transaktionen, die traditionelle Modelle oft als Anomalien kennzeichnen.

Mastercard plant die Umsetzung Hybridsysteme, die etablierte Verfahren mit dem neuen Modell kombinierenDies spiegelt die von den regulatorischen Rahmenbedingungen geforderte Vorsicht wider. Das Unternehmen räumt ein, dass kein einzelnes Modell in allen Szenarien optimal ist und positioniert den LTM daher als ein Werkzeug unter vielen in seinem Sicherheitsportfolio.

Über die Betrugserkennung hinaus kann das Modell Aktivitäten von Kundenbindungsprogrammen analysieren, das Portfoliomanagement unterstützen und interne Analysen verbessern – überall dort, wo große Mengen strukturierter Daten verarbeitet werden. Derzeit setzen Unternehmen häufig mehrere spezialisierte Modelle für jede Aufgabe ein, was die Trainingskosten und den Validierungsaufwand erheblich erhöht. Ein einziges Basismodell, das für verschiedene Anwendungen optimiert werden kann, kann Abläufe vereinfachen und Kosten senken.

Risiken und zukünftige Entwicklung

Der multifunktionale LTM-Ansatz birgt inhärente Risiken: Ein Versagen eines weit verbreiteten Modells könnte systemweite Folgen haben.Dies erklärt Mastercards Strategie, die Technologie zumindest anfänglich parallel zu bestehenden Erkennungssystemen einzusetzen.

Zukünftige Pläne umfassen die Vergrößerung des Trainingsdatensatzes und die Verbesserung der Gesamtmodellkomplexität. Mastercard entwickelt außerdem API-Zugriff und SDKs um internen Teams die Möglichkeit zu geben, neue Anwendungen auf der Plattform zu entwickeln.

Das Unternehmen betont sein Engagement für den verantwortungsvollen Umgang mit Daten, einschließlich Datenschutz, Transparenz, Nachvollziehbarkeit der Modelle und Prüfbarkeit. Die Systeme, die Kreditentscheidungen oder Betrugsfälle beeinflussen, werden voraussichtlich einer behördlichen Prüfung unterzogen, ebenso wie die im Rahmen des LTM-Betriebs angewandten Datenpraktiken.

Die Zukunft tabellarischer KI im Finanzdienstleistungssektor

Hochstrukturierte Daten bilden die Grundlage des LTM-Ansatzes. Große tabellarische Modelle könnten den Beginn einer neuen Generation von KI-Systemen in der Kernbanken- und Zahlungsinfrastruktur darstellen. Die bisherigen Erkenntnisse beschränken sich weiterhin auf Berichte von Anbietern.Daher sollten Leistungsansprüche sorgfältig geprüft werden.

Entscheidende Faktoren werden den Erfolg tabellarischer Modelle bestimmen: Robustheit unter widrigen Bedingungen, langfristige Kosten nach dem Training und regulatorische Akzeptanz. Diese Elemente werden Tempo und Umfang ihrer Einführung im Finanzdienstleistungssektor prägen. Mastercard setzt im Rahmen seiner Innovationsstrategie derzeit strategisch auf diese neue Technologie.

Bildquelle: „Oversight“ von der offiziellen Seite des United States Marine Corps, lizenziert unter CC BY-NC 2.0.

Möchten Sie mehr über KI und Big Data von Branchenführern erfahren? Dann schauen Sie hier vorbei KI- und Big-Data-Expo Die umfassende Veranstaltung findet in Amsterdam, Kalifornien und London statt und ist Teil von TechEx und findet zeitgleich mit anderen führenden Technologieveranstaltungen statt. Klicken Sie hier. Hier für weitere Informationen.

AI News wird bereitgestellt von TechForge MediaEntdecken Sie weitere bevorstehende Veranstaltungen und Webinare im Bereich Unternehmenstechnologie. HierDie