Mastercard Introduit un Système d'IA Générative Construit sur les Données de Transactions pour Renforcer la Sécurité, les Analyses et la Personnalisation

En Bref

Mastercard développe un modèle d’IA générative de base entraîné sur des données de transactions anonymisées afin d’améliorer les insights, la détection de fraude et les services de paiement tout en préservant la vie privée des utilisateurs.

La société technologique et réseau mondial de paiements Mastercard a présenté un système d’IA générative conçu comme un modèle de base à grande échelle destiné à soutenir une large gamme d’applications. Le modèle est entraîné sur des ensembles de données propriétaires issus de milliards de transactions de paiement, avec les identifiants personnels supprimés pour préserver la confidentialité des utilisateurs. En analysant les schémas anonymisés dans ces données, le système est conçu pour générer des insights et anticiper le comportement futur des transactions.

L’approche fait écho aux systèmes modernes d’IA conversationnelle, qui prédisent les mots suivants dans une séquence, bien que dans ce cas, le modèle ne soit pas destiné à la génération de dialogues. Il est plutôt développé comme un moteur analytique pour améliorer les services existants, notamment en cybersécurité, programmes de fidélité client et outils pour les petites entreprises.

Le système est développé avec le soutien de grands fournisseurs d’infrastructure informatique et de données, tels que Nvidia et Databricks, permettant un traitement à grande échelle et une accélération de l’entraînement du modèle. La société indique que les résultats de ce travail seront présentés lors d’une prochaine conférence sectorielle.

Modèle d’IA de base construit sur des données structurées de transactions pour améliorer les paiements et la sécurité

L’architecture sous-jacente diffère des grands modèles de langage couramment utilisés, qui sont entraînés sur des données non structurées telles que du texte, des images et des vidéos. À l’inverse, ce modèle appartient à une catégorie connue sous le nom de grands modèles tabulaires, qui sont entraînés sur des ensembles de données structurées organisés en tableaux. Le processus d’entraînement intègre des données de transactions à grande échelle, avec l’intention d’étendre à des ensembles de données plus larges comme les informations sur la localisation des commerçants, les indicateurs de fraude, les enregistrements d’autorisation, les données de rétrofacturation et l’activité des programmes de fidélité.

L’extension du champ de données vise à améliorer la capacité du modèle à repérer des schémas et à générer des prédictions plus précises. L’un des principaux domaines d’application est la cybersécurité, où les systèmes existants sont déjà utilisés pour détecter et prévenir la fraude. L’intégration de ce nouveau modèle devrait renforcer ces capacités grâce à une meilleure reconnaissance des schémas et à une réduction des faux positifs.

Les modèles de cybersécurité actuels s’appuient généralement sur des caractéristiques élaborées par des data scientists pour mettre en évidence des signaux spécifiques dans les données de transaction, comme des changements soudains dans le comportement de dépense. En revanche, le nouveau système est conçu pour apprendre ces schémas avec un minimum d’ingénierie manuelle des caractéristiques, lui permettant d’identifier des relations dans les données qui ne sont pas immédiatement apparentes avec les méthodes traditionnelles.

Les premiers tests suggèrent une performance améliorée par rapport aux approches classiques d’apprentissage automatique, notamment en réduisant les faux positifs dans les scénarios impliquant des transactions légitimes mais peu courantes. Le système a démontré sa capacité à mieux distinguer une activité inhabituelle mais valide d’un comportement potentiellement frauduleux.

D’autres applications potentielles incluent l’amélioration des systèmes de personnalisation, l’optimisation des programmes de récompenses, l’amélioration de l’analyse de portefeuille et des capacités d’analyse de données plus avancées. Le modèle devrait également réduire la nécessité de maintenir un grand nombre de modèles spécialisés pour différentes régions et cas d’usage.

Les plans pour le futur incluent l’expansion des capacités du modèle, le raffinement de son architecture, ainsi que l’introduction d’interfaces de programmation (API) et d’outils pour développeurs afin de permettre une utilisation plus large au sein de l’organisation. La collaboration continue avec des partenaires technologiques est prévue pour soutenir ces avancées.

L’initiative est développée conformément aux principes établis de gouvernance des données, en mettant l’accent sur la protection de la vie privée, l’utilisation responsable des données et la transparence. À mesure que le développement progresse, le modèle devrait contribuer à accroître l’efficacité, renforcer la sécurité et améliorer l’intelligence dans les systèmes de paiement et de commerce.