万事达卡利用人工智能基础模型检测和预防信用卡欺诈

万事达卡开发了一种 大型表格模型（LTM） 该模型基于交易数据而非文本或图像进行训练，旨在应对数字支付中的安全性和真实性挑战。与传统的大型语言模型（LLM）不同，这种创新方法专注于结构化的金融数据，以增强欺诈检测和支付验证能力。

该公司已对该基础模型进行了训练。 数十亿笔信用卡交易并计划随着时间的推移扩展到数千亿。这些数据集涵盖支付事件及相关信息，包括商户位置、授权流程、欺诈事件、拒付和会员活动。重要的是， 个人身份识别信息会在训练开始前移除。确保模型在不访问个人身份信息的情况下分析行为模式。

通过排除个人数据，这项技术显著降低了金融服务领域人工智能应用通常面临的隐私风险。匿名化数据的规模和丰富性使模型能够在保护用户隐私的同时识别具有商业价值的模式。尽管匿名化会消除某些可能有助于风险评估的信号，但万事达卡认为，利用足够庞大的行为数据可以弥补这一不足。

理解大型表格模型（LTM）

LTM架构与大型语言模型有着根本的不同。大型语言模型处理非结构化输入并预测序列中的下一个词元， 万事达卡的LTM分析多维数据表中各字段之间的关系。这种方法更接近于传统的机器学习，而不是生成式人工智能。

大型表格模型直接从原始输入中学习，以识别可预测的关系，从而能够检测到预定义规则可能遗漏的异常模式。万事达卡将 LTM 描述为…… “洞察引擎” 它可与现有产品集成，并增强现有工作流程。由于该模型主要用于支持内部决策流程，因此其运营风险状况与面向客户的生命周期管理模型有所不同。

技术基础设施利用 英伟达计算平台 和 用于数据工程和模型开发的 Databricks结合行业领先的技术为 LTM 提供动力。

实际应用与部署

网络安全是第一个活跃部署领域。 万事达卡公司也采用了这项技术。该公司运营着多个欺诈检测系统，用于检查交易数据，传统上需要人工干预来识别可疑行为模式，例如交易频率突然增加或在短时间内跨不同地理位置的购买行为。

初步结果表明，在特定场景下，该模型的性能优于传统方法。例如，该模型在区分合法的高价值、低频次交易和欺诈性交易方面表现出更高的准确性——传统模型通常会将欺诈性交易标记为异常交易。

万事达卡计划实施 混合系统将既有程序与新模型相结合这体现了监管框架所要求的谨慎态度。该公司承认，没有任何一种模型能够在所有情况下都表现出色，因此将LTM定位为其众多安全工具之一。

除了欺诈检测之外，该模型还可以分析忠诚度计划活动、支持投资组合管理并增强内部分析——任何涉及大量结构化数据的领域。目前，企业通常针对每项任务部署多个专用模型，这导致训练成本和验证工作量成倍增加。而一个可以针对不同应用进行微调的基础模型，则可以简化操作并降低成本。

风险与未来发展

多功能长期管理方法存在固有风险： 广泛部署的模型一旦失败，可能会对整个系统造成影响。这就解释了万事达卡为何采取将这项技术与现有检测系统结合使用的策略，至少在初期阶段是如此。

未来的计划包括扩大训练数据规模和提升模型整体复杂度。万事达卡也在开发中。 API 访问和 SDK 使内部团队能够在该平台上构建新的应用程序。

该公司强调其对数据责任的承诺，包括隐私保护、透明度、模型可解释性和可审计性。预计监管机构将对影响信贷决策或欺诈结果的系统进行审查，同时对LTM运营中涉及的数据实践进行监督。

表格人工智能在金融服务领域的未来

高度结构化的数据构成了LTM方法的基础。大型表格模型可能代表着核心银行和支付基础设施领域新一代人工智能系统的开端。然而， 迄今为止的证据仍然仅限于供应商报告。因此，性能声明应仔细评估。

表格模型能否成功取决于几个关键因素：对抗性环境下的鲁棒性、长期训练后成本以及监管机构的接受度。这些因素将影响金融服务行业采用该技术的速度和程度。目前，万事达卡已将这项新兴技术纳入其创新路线图，并进行战略性投资。

图片来源：“监督”由美国海军陆战队官方页面提供，并根据 CC BY-NC 2.0 许可发布。

想向行业领袖学习更多关于人工智能和大数据方面的知识吗？请查看以下内容： 人工智能与大数据博览会 此次综合性活动将在阿姆斯特丹、加利福尼亚和伦敦举行。该活动是……的一部分 TechEx 并与其他领先的技术盛会同期举办。点击 这里 了解更多信息。

AI News 由 AI 提供支持 TechForge Media探索其他即将举行的企业技术活动和网络研讨会 这里。