Mastercard utilise un modèle d'intelligence artificielle pour détecter et prévenir la fraude à la carte de crédit.

Mastercard a développé un grand modèle tabulaire (LTM) Ce modèle, entraîné sur des données transactionnelles plutôt que sur du texte ou des images, vise à relever les défis de sécurité et d'authenticité des paiements numériques. Contrairement aux modèles de langage traditionnels, cette approche novatrice se concentre sur des données financières structurées afin d'améliorer la détection des fraudes et la vérification des paiements.

L'entreprise a formé ce modèle de base sur milliards de transactions par carte, avec l'objectif d'atteindre des centaines de milliards de dollars à terme. Les ensembles de données englobent les opérations de paiement et les informations associées, notamment l'emplacement des commerçants, les flux d'autorisation, les cas de fraude, les rétrofacturations et les activités de fidélisation. Surtout, Les identifiants personnels sont supprimés avant le début de la formation., garantissant ainsi que le modèle analyse les schémas comportementaux sans accéder aux identités individuelles.

En excluant les données personnelles, cette technologie réduit considérablement les risques d'atteinte à la vie privée généralement associés aux applications d'IA dans le secteur des services financiers. L'ampleur et la richesse des données anonymisées permettent au modèle d'identifier des tendances commercialement intéressantes tout en préservant la confidentialité des utilisateurs. Bien que l'anonymisation supprime certains signaux utiles à l'évaluation des risques, Mastercard affirme que l'exploitation de volumes suffisamment importants de données comportementales compense cette limitation.

Comprendre les grands modèles tabulaires (LTM)

L'architecture LTM diffère fondamentalement de celle des grands modèles de langage. Alors que les LLM traitent des entrées non structurées et prédisent le jeton suivant dans une séquence, LTM de Mastercard examine les relations entre les champs dans les tables de données multidimensionnellesCette approche se rapproche davantage de l'apprentissage automatique traditionnel que de l'intelligence artificielle générative.

Le modèle tabulaire de grande taille apprend directement à partir des données brutes pour identifier les relations prévisibles, ce qui lui permet de détecter des schémas anormaux que les règles prédéfinies pourraient manquer. Mastercard décrit la LTM comme un « moteur d'insights » Ce modèle s'intègre aux produits existants et optimise les flux de travail actuels. Son profil de risque opérationnel diffère de celui des modèles LLM destinés aux clients, car il soutient principalement les processus décisionnels internes.

L'infrastructure technique s'appuie sur Nvidia pour les plateformes informatiques et Databricks pour l'ingénierie des données et le développement de modèles, combinant des technologies de pointe pour alimenter le LTM.

Applications pratiques et déploiement

La cybersécurité représente le premier domaine de déploiement actif Mastercard utilise cette technologie. L'entreprise exploite plusieurs systèmes de détection de fraude qui analysent les données transactionnelles et nécessitent généralement une intervention humaine pour identifier les comportements suspects, comme une augmentation soudaine de la fréquence des transactions ou des achats effectués dans différentes zones géographiques sur de courtes périodes.

Les premiers résultats démontrent une performance supérieure aux techniques conventionnelles dans certains scénarios. Par exemple, le modèle affiche une précision accrue pour distinguer les achats légitimes, de grande valeur et peu fréquents, des achats frauduleux – des transactions que les modèles traditionnels signalent souvent comme des anomalies.

Mastercard prévoit de mettre en œuvre systèmes hybrides combinant les procédures établies avec le nouveau modèleCette approche reflète la prudence exigée par les cadres réglementaires. L’entreprise reconnaît qu’aucun modèle n’est parfait dans tous les cas de figure et positionne le LTM comme un outil parmi d’autres dans son arsenal de sécurité.

Au-delà de la détection des fraudes, ce modèle peut analyser l'activité des programmes de fidélité, faciliter la gestion de portefeuille et optimiser l'analyse interne – bref, tout domaine impliquant de grands volumes de données structurées. Actuellement, les entreprises déploient souvent plusieurs modèles spécialisés pour chaque tâche, ce qui multiplie les coûts de formation et les efforts de validation. Un modèle de base unique, adaptable à différentes applications, permettrait de rationaliser les opérations et de réduire les dépenses.

Risques et développement futur

L’approche LTM multifonctionnelle comporte des risques inhérents : Une défaillance d'un modèle largement déployé pourrait avoir des conséquences à l'échelle du système.Cela explique la stratégie de Mastercard qui consiste à déployer cette technologie en parallèle des systèmes de détection existants, du moins dans un premier temps.

Les projets futurs comprennent l'augmentation du volume des données d'entraînement et la sophistication globale du modèle. Mastercard développe également Accès API et SDK pour permettre aux équipes internes de développer de nouvelles applications sur la plateforme.

L'entreprise souligne son engagement en matière de responsabilité relative aux données, notamment la protection de la vie privée, la transparence, l'explicabilité des modèles et l'auditabilité. Un contrôle réglementaire des systèmes influençant les décisions de crédit ou les résultats en matière de fraude est prévu, ainsi qu'une surveillance des pratiques de données liées au fonctionnement de LTM.

L'avenir de l'IA tabulaire dans les services financiers

Les données hautement structurées constituent le fondement de l'approche LTM. Les grands modèles tabulaires pourraient représenter le début d'une nouvelle génération de systèmes d'IA dans les infrastructures bancaires et de paiement centrales. Cependant, Les preuves recueillies à ce jour se limitent aux rapports des fournisseurs.Les affirmations relatives aux performances doivent donc être évaluées avec soin.

Plusieurs facteurs détermineront le succès des modèles tabulaires : leur robustesse face à des conditions difficiles, les coûts à long terme liés à la formation et leur acceptation par les autorités réglementaires. Ces éléments influenceront le rythme et l’ampleur de leur adoption dans le secteur des services financiers. Pour l’heure, Mastercard mise stratégiquement sur cette technologie émergente dans le cadre de sa feuille de route en matière d’innovation.

Source de l'image : « Oversight » par la page officielle du Corps des Marines des États-Unis est sous licence CC BY-NC 2.0.

Vous souhaitez en savoir plus sur l'IA et le big data auprès des leaders du secteur ? Consultez Salon de l'IA et du Big Data se déroulant à Amsterdam, en Californie et à Londres. Cet événement d'envergure fait partie de TechEx et organisés en même temps que d'autres événements technologiques de premier plan. Cliquez ici pour plus d'informations.

AI News est alimenté par TechForge MediaDécouvrez d'autres événements et webinaires à venir sur les technologies d'entreprise. ici.