Mastercard представляє генеративну систему AI, створену на основі даних транзакцій для забезпечення безпеки, аналітики та персоналізації

Коротко

Mastercard розробляє генеративну модель штучного інтелекту, навчану на анонімізованих даних транзакцій, щоб покращити аналітику, виявлення шахрайства та платіжні послуги, зберігаючи приватність користувачів.

Технологічна компанія і глобальна платіжна мережа Mastercard представили генеративну систему ШІ, створену як масштабну базову модель, яка підтримує широкий спектр застосувань. Модель навчається на власних наборах даних, отриманих із мільярдів платіжних транзакцій, з видаленням особистих ідентифікаторів для збереження приватності користувачів. Аналізуючи анонімізовані шаблони в цих даних, система створена для генерування інсайтів і прогнозування майбутньої поведінки транзакцій.

Цей підхід нагадує сучасні системи розмовного ШІ, які передбачають наступне слово у послідовності, хоча в даному випадку модель не призначена для генерації діалогів. Замість цього вона розробляється як аналітичний двигун для покращення існуючих сервісів, включаючи заходи кібербезпеки, програми лояльності клієнтів і інструменти для малого бізнесу.

Систему розробляють за підтримки провідних постачальників обчислювальної та даних інфраструктури, таких як Nvidia і Databricks, що дозволяє масштабну обробку та прискорене навчання моделі. Компанія повідомила, що результати цієї роботи планується представити на найближчій галузевій конференції.

Базова модель ШІ, побудована на структурованих даних транзакцій, для покращення платежів і безпеки

Базова архітектура відрізняється від поширених великих мовних моделей, які навчаються на неструктурованих даних, таких як текст, зображення і відео. Замість цього ця модель належить до категорії великих табличних моделей, які навчаються на структурованих наборах даних, організованих у таблиці. Процес навчання включає масштабне використання даних транзакцій із планами розширення на більш широкі набори даних, такі як інформація про місцезнаходження торговців, індикатори шахрайства, записи авторизацій, дані про повернення платежів і активність у програмах лояльності.

Збільшений обсяг даних має покращити здатність моделі виявляти шаблони і генерувати більш точні прогнози. Основною сферою застосування є кібербезпека, де вже використовуються системи для виявлення і запобігання шахрайству. Інтеграція цієї нової моделі має посилити ці можливості через покращене розпізнавання шаблонів і зменшення кількості хибних спрацьовувань.

Поточні моделі кібербезпеки зазвичай базуються на інженерних ознаках, створених фахівцями з даних, для підкреслення конкретних сигналів у транзакційних даних, наприклад, раптових змін у поведінці витрат. У порівнянні, нова система розрахована на автоматичне вивчення цих шаблонів з мінімальним ручним інженерингом ознак, що дозволяє їй виявляти зв’язки у даних, які не є очевидними традиційними методами.

Перші тести показали покращену продуктивність у порівнянні з традиційними підходами машинного навчання, особливо у зменшенні кількості хибних спрацьовувань у випадках легітимних, але рідкісних транзакцій. Система продемонструвала здатність краще розрізняти між незвичайною, але допустимою активністю і потенційно шахрайською поведінкою.

Додаткові можливості застосування включають покращення систем персоналізації, оптимізацію програм винагород, аналіз портфеля і більш просунуту аналітику даних. Очікується, що модель зменшить потребу у підтримці великої кількості спеціалізованих моделей у різних регіонах і сферах застосування.

Плани на майбутнє включають розширення можливостей моделі, вдосконалення її архітектури та впровадження API і інструментів для розробників, щоб забезпечити ширше використання в організації. Подальша співпраця з технологічними партнерами має підтримувати постійний розвиток.

Ініціатива розробляється відповідно до принципів управління даними, з акцентом на захист приватності, відповідальне використання даних і прозорість. У міру прогресу розробки очікується, що модель сприятиме підвищенню ефективності, безпеки та інтелектуальних можливостей платіжних і торговельних систем.