Mastercard Memperkenalkan Sistem AI Generatif yang Dibangun di Atas Data Transaksi untuk Mendukung Keamanan, Wawasan, dan Personalisasi

Secara Singkat

Mastercard sedang mengembangkan model dasar AI generatif yang dilatih menggunakan data transaksi yang dianonimkan untuk meningkatkan wawasan, deteksi penipuan, dan layanan pembayaran sambil menjaga privasi pengguna.

Perusahaan teknologi dan jaringan pembayaran global Mastercard memperkenalkan sistem AI generatif yang dirancang sebagai model dasar berskala besar yang bertujuan mendukung berbagai aplikasi. Model ini sedang dilatih menggunakan dataset kepemilikan yang berasal dari miliaran transaksi pembayaran, dengan penghapusan identifikasi pribadi untuk melindungi privasi pengguna. Dengan menganalisis pola anonim dalam data ini, sistem dirancang untuk menghasilkan wawasan dan memperkirakan perilaku transaksi di masa depan.

Pendekatan ini mirip dengan sistem AI percakapan modern, yang memprediksi kata berikutnya dalam sebuah urutan, meskipun dalam hal ini model tidak dimaksudkan untuk pembuatan dialog. Sebaliknya, model ini dikembangkan sebagai mesin analitik untuk meningkatkan layanan yang ada, termasuk langkah-langkah keamanan siber, program loyalitas pelanggan, dan alat untuk usaha kecil.

Sistem ini dikembangkan dengan dukungan dari penyedia infrastruktur komputasi dan data utama, termasuk Nvidia dan Databricks, yang memungkinkan pemrosesan berskala besar dan percepatan pelatihan model. Perusahaan menyatakan bahwa hasil dari pekerjaan ini diharapkan akan dipresentasikan di konferensi industri mendatang.

Model AI Dasar Dibangun Berdasarkan Data Transaksi Terstruktur untuk Meningkatkan Pembayaran dan Keamanan

Arsitektur dasarnya berbeda dari model bahasa besar yang umum digunakan, yang dilatih pada data tidak terstruktur seperti teks, gambar, dan video. Sebaliknya, model ini termasuk dalam kategori yang dikenal sebagai model tabel besar, yang dilatih pada dataset terstruktur yang diorganisasi dalam tabel. Proses pelatihan mencakup data transaksi secara besar-besaran, dengan rencana memperluas ke dataset yang lebih luas seperti informasi lokasi merchant, indikator penipuan, catatan otorisasi, data chargeback, dan aktivitas program loyalitas.

Perluasan cakupan data ini bertujuan meningkatkan kemampuan model dalam mengidentifikasi pola dan menghasilkan prediksi yang lebih akurat. Salah satu fokus utama aplikasi adalah keamanan siber, di mana sistem yang ada sudah digunakan untuk mendeteksi dan mencegah penipuan. Integrasi model baru ini diharapkan dapat memperkuat kemampuan tersebut melalui pengenalan pola yang lebih baik dan pengurangan positif palsu.

Model keamanan siber saat ini biasanya bergantung pada fitur yang dirancang oleh ilmuwan data untuk menyoroti sinyal tertentu dalam data transaksi, seperti perubahan mendadak dalam perilaku pengeluaran. Sebaliknya, sistem baru ini dirancang untuk mempelajari pola-pola tersebut dengan minimal rekayasa fitur manual, memungkinkan identifikasi hubungan dalam data yang mungkin tidak langsung terlihat melalui metode tradisional.

Pengujian awal menunjukkan peningkatan performa dibandingkan pendekatan machine learning konvensional, terutama dalam mengurangi positif palsu dalam skenario transaksi yang sah namun jarang terjadi. Sistem ini telah menunjukkan kemampuan untuk membedakan aktivitas yang tidak biasa namun valid dan perilaku yang berpotensi penipuan.

Aplikasi potensial lainnya termasuk peningkatan sistem personalisasi, optimalisasi program hadiah, analisis portofolio yang lebih baik, dan kemampuan analitik data yang lebih canggih. Model ini juga diharapkan dapat mengurangi kebutuhan untuk memelihara banyak model khusus di berbagai wilayah dan kasus penggunaan.

Rencana pengembangan di masa depan meliputi perluasan kemampuan model, penyempurnaan arsitekturnya, serta pengenalan antarmuka pemrograman aplikasi dan alat pengembang untuk memungkinkan penggunaan yang lebih luas di seluruh organisasi. Kolaborasi berkelanjutan dengan mitra teknologi diharapkan mendukung kemajuan yang terus berlangsung.

Inisiatif ini dikembangkan sesuai prinsip tata kelola data yang mapan, menekankan perlindungan privasi, penggunaan data yang bertanggung jawab, dan transparansi. Seiring perkembangan, model ini diharapkan dapat meningkatkan efisiensi, keamanan, dan kecerdasan dalam sistem pembayaran dan perdagangan.