Mastercard utiliza modelo de IA para detectar e prevenir fraudes com cartões de crédito.

A Mastercard desenvolveu um modelo tabular grande (LTM) Treinado com dados de transações em vez de texto ou imagens para lidar com desafios de segurança e autenticidade em pagamentos digitais. Ao contrário dos modelos de linguagem tradicionais (LLMs), essa abordagem inovadora se concentra em dados financeiros estruturados para aprimorar a detecção de fraudes e a verificação de pagamentos.

A empresa treinou esse modelo básico em bilhões de transações com cartão, com planos de expansão para centenas de bilhões ao longo do tempo. Os conjuntos de dados abrangem eventos de pagamento e informações associadas, incluindo localização dos comerciantes, fluxos de autorização, incidentes de fraude, estornos e atividades de programas de fidelidade. É importante ressaltar que Os dados pessoais são removidos antes do início do treinamento., garantindo que o modelo analise padrões comportamentais sem acessar identidades individuais.

Ao excluir dados pessoais, a tecnologia reduz significativamente os riscos à privacidade comumente associados a aplicações de IA no setor de serviços financeiros. A escala e a riqueza dos dados anonimizados permitem que o modelo identifique padrões comercialmente valiosos, mantendo a privacidade do usuário. Embora a anonimização remova certos sinais que poderiam ser úteis para a avaliação de riscos, a Mastercard afirma que o aproveitamento de volumes suficientemente grandes de dados comportamentais compensa essa limitação.

Compreendendo Grandes Modelos Tabulares (LTMs)

A arquitetura da memória de longo prazo (LTM) difere fundamentalmente dos grandes modelos de linguagem. Enquanto os modelos de linguagem de longo prazo (LLMs) processam entradas não estruturadas e preveem o próximo token em uma sequência, O LTM da Mastercard examina as relações entre campos em tabelas de dados multidimensionais.Essa abordagem se alinha mais estreitamente com o aprendizado de máquina tradicional do que com a inteligência artificial generativa.

O modelo tabular de grande escala aprende diretamente com entradas brutas para identificar relações previsíveis, permitindo detectar padrões anômalos que regras predefinidas poderiam não detectar. A Mastercard descreve o LTM como um 'motor de insights' que se integra aos produtos existentes e amplia os fluxos de trabalho atuais. O perfil de risco operacional difere dos LLMs voltados para o cliente, pois este modelo apoia principalmente os processos internos de tomada de decisão.

A infraestrutura técnica alavanca Nvidia para plataformas de computação e Databricks para engenharia de dados e desenvolvimento de modelos, combinando tecnologias líderes do setor para impulsionar o LTM.

Aplicações práticas e implantação

A cibersegurança representa a primeira área de implantação ativa. para essa tecnologia na Mastercard. A empresa opera múltiplos sistemas de detecção de fraudes que examinam dados de transações, tradicionalmente exigindo intervenção humana para definir padrões de comportamento suspeitos, como aumentos repentinos na frequência de transações ou compras em diferentes locais geográficos em curtos períodos de tempo.

Os primeiros resultados demonstram um desempenho superior às técnicas convencionais em cenários específicos. Por exemplo, o modelo apresenta maior precisão na distinção entre compras legítimas de alto valor e baixa frequência e compras fraudulentas — transações que os modelos tradicionais costumam sinalizar como anomalias.

A Mastercard planeja implementar Sistemas híbridos que combinam procedimentos estabelecidos com o novo modelo.Isso reflete a abordagem cautelosa exigida pelos marcos regulatórios. A empresa reconhece que nenhum modelo isolado se destaca em todos os cenários, posicionando o LTM como uma ferramenta entre muitas em seu arsenal de segurança.

Além da detecção de fraudes, o modelo pode analisar a atividade de programas de fidelidade, auxiliar na gestão de portfólios e aprimorar análises internas — qualquer área que envolva grandes volumes de dados estruturados. Atualmente, as empresas costumam implantar vários modelos especializados para cada tarefa, multiplicando os custos de treinamento e os esforços de validação. Um modelo base único, que possa ser ajustado para diferentes aplicações, pode simplificar as operações e reduzir despesas.

Riscos e desenvolvimento futuro

A abordagem multifuncional de memória de longo prazo acarreta riscos inerentes: Uma falha em um modelo amplamente utilizado pode ter consequências para todo o sistema.Isso explica a estratégia da Mastercard de implantar a tecnologia juntamente com os sistemas de detecção existentes, pelo menos inicialmente.

Os planos futuros incluem aumentar a escala dos dados de treinamento e a sofisticação geral do modelo. A Mastercard também está desenvolvendo Acesso à API e SDKs Para permitir que as equipes internas criem novos aplicativos na plataforma.

A empresa enfatiza seu compromisso com as responsabilidades relativas aos dados, incluindo proteção da privacidade, transparência, explicabilidade dos modelos e auditabilidade. Espera-se o escrutínio regulatório dos sistemas que influenciam decisões de crédito ou resultados de fraudes, juntamente com a supervisão das práticas de dados envolvidas na operação do LTM.

O futuro da IA ​​tabular em serviços financeiros

Dados altamente estruturados formam a base da abordagem LTM. Grandes modelos tabulares podem representar o início de uma nova geração de sistemas de IA na infraestrutura central de serviços bancários e pagamentos. No entanto, As evidências até o momento se limitam a relatórios de fornecedores.Portanto, as alegações de desempenho devem ser avaliadas cuidadosamente.

Fatores críticos determinarão o sucesso dos modelos tabulares: robustez em condições adversas, custos de longo prazo após o treinamento e aceitação regulatória. Esses elementos moldarão o ritmo e a extensão da adoção em todo o setor de serviços financeiros. Por ora, a Mastercard está fazendo apostas estratégicas nessa tecnologia emergente como parte de seu roteiro de inovação.

Fonte da imagem: "Oversight" da página oficial do Corpo de Fuzileiros Navais dos Estados Unidos está licenciada sob CC BY-NC 2.0.

Quer aprender mais sobre IA e big data com líderes do setor? Confira Exposição de IA e Big Data que acontecerá em Amsterdã, Califórnia e Londres. O evento abrangente faz parte de TechEx e em conjunto com outros importantes eventos de tecnologia. Clique. aqui Para obter mais informações.

O AI News é alimentado por TechForge MediaExplore outros eventos e webinars sobre tecnologia empresarial que estão por vir. aqui.