Mastercard представляет систему генеративного ИИ на основе данных транзакций для обеспечения безопасности, аналитики и персонализации

Кратко

Mastercard разрабатывает генеративную модель ИИ на основе анонимизированных данных транзакций для улучшения аналитики, обнаружения мошенничества и платежных сервисов при сохранении конфиденциальности пользователей.

Технологическая компания и глобальная платежная сеть Mastercard представили систему генеративного ИИ, разработанную как крупномасштабную базовую модель, предназначенную для поддержки широкого спектра приложений. Модель обучается на собственных наборах данных, полученных из миллиардов платежных транзакций, с удалением личных идентификаторов для защиты конфиденциальности пользователей. Анализируя анонимизированные шаблоны в этих данных, система предназначена для генерации инсайтов и прогнозирования будущего поведения транзакций.

Этот подход сравним с современными системами диалогового ИИ, которые предсказывают последующие слова в последовательности, однако в данном случае модель не предназначена для генерации диалогов. Вместо этого она разрабатывается как аналитический движок для улучшения существующих сервисов, включая меры кибербезопасности, программы лояльности клиентов и инструменты для малого бизнеса.

Разработка ведется при поддержке крупных поставщиков вычислительной и дата-инфраструктуры, таких как Nvidia и Databricks, что позволяет осуществлять масштабную обработку данных и ускоренное обучение модели. Компания заявила, что результаты этой работы планируется представить на предстоящей отраслевой конференции.

Базовая модель ИИ, построенная на структурированных данных транзакций, для повышения безопасности и эффективности платежей

Основная архитектура отличается от широко используемых больших языковых моделей, обученных на неструктурированных данных, таких как текст, изображения и видео. Вместо этого эта модель относится к категории больших табличных моделей, обученных на структурированных наборах данных, организованных в таблицы. Процесс обучения включает масштабные транзакционные данные с планами расширения на более широкие наборы данных, такие как информация о местоположении торговых точек, индикаторы мошенничества, записи авторизаций, данные о возвратах и активности программ лояльности.

Расширение объема данных направлено на улучшение способности модели выявлять шаблоны и делать более точные прогнозы. Одной из ключевых областей применения является кибербезопасность, где уже используются системы для обнаружения и предотвращения мошенничества. Интеграция новой модели должна усилить эти возможности за счет улучшенного распознавания шаблонов и снижения числа ложных срабатываний.

Текущие модели кибербезопасности обычно основаны на специально созданных признаках, разработанных специалистами по данным, для выделения определенных сигналов в данных транзакций, таких как резкие изменения в поведении расходов. В отличие от них, новая система предназначена для обучения этим шаблонам с минимальной ручной настройкой признаков, что позволяет ей выявлять связи в данных, которые могут быть не очевидны традиционными методами.

Первичные тесты показывают улучшение по сравнению с традиционными подходами машинного обучения, особенно в снижении числа ложных срабатываний при обработке легитимных, но редких транзакций. Система продемонстрировала способность лучше различать необычную, но допустимую активность и потенциально мошенническое поведение.

Дополнительные области применения включают улучшение систем персонализации, оптимизацию программ вознаграждений, анализ портфелей и более продвинутую аналитику данных. Модель также должна снизить необходимость в поддержке большого количества специализированных моделей для разных регионов и сценариев использования.

Планы на будущее включают расширение возможностей модели, совершенствование архитектуры и внедрение API и инструментов для разработчиков, что позволит более широко использовать ее внутри организации. Ожидается, что дальнейшее сотрудничество с технологическими партнерами будет способствовать постоянному развитию.

Инициатива разрабатывается в соответствии с установленными принципами управления данными, подчеркивая важность защиты конфиденциальности, ответственного использования данных и прозрачности. По мере прогресса разработки модель должна способствовать повышению эффективности, безопасности и интеллектуальности платежных и торговых систем.