Представляем новую генеративную модель ИИ Mastercard

Генеративный ИИ полностью изменил мир чат-ботов. Сейчас разговор с роботом — это не фантастика, а просто то, что мы делаем.

Мы считаем, что эта же технология генеративного ИИ не просто трансформирует чат — она трансформирует коммерцию. Это позволит ускорить платежи, сделать розничный опыт более персонализированным, а инструменты кибербезопасности — более точными.

Чтобы реализовать это видение, наши команды исследовали и создавали новую базовую модель, которая представляет собой крупномасштабную ИИ-модель, способную служить основой для широкого спектра приложений. Мы обучаем нашу базовую модель на уникальных наборах данных Mastercard, начиная с миллиардов транзакций.

Чтобы защитить конфиденциальность пользователей, мы удаляем все персональные данные из этих транзакций. После анализа достаточного количества этих анонимных транзакций эта модель может начать предсказывать будущие транзакции.

Такая прогнозная модель во многом похожа на принцип работы современных чат-ботов, где чат-бот прогнозирует, каким должно быть следующее слово в предложении. Мы планируем использовать эту новую фундаментальную модель — не для создания чат-бота, — а как механизм аналитики, который сделает многие наши инструменты и сервисы еще лучше, от киберзащиты до программ лояльности и инструментов для малого бизнеса.

Мы выполняем эту работу, используя возможности Nvidia и Databricks — двух крупнейших имен в сфере ИИ сегодня. Мы уже видим хорошие результаты и с радостью представим нашу работу во время конференции Nvidia GTC 2026.

Самые популярные чат-боты сегодня, такие как Claude и ChatGPT, созданы с использованием больших языковых моделей, или LLM, которые обучаются на огромных объемах неструктурированных данных, таких как текст, видео и фотографии. Наша новая базовая модель представляет собой особый тип нейронной сети глубокого обучения, называемый большой табличной моделью, или LTM, которая обучена на структурированных данных, таких как крупномасштабные таблицы или наборы данных.

Мы обучаем последнюю версию нашего LTM на миллиардах анонимизированных транзакций. Мы планируем наращивать эту работу, чтобы включить сотни миллиардов платежных транзакций, а также дополнительные типы наборов данных, включая данные о местоположении продавцов, данные о мошенничестве, данные об авторизации, данные о возврате платежей и данные программ лояльности. Эта работа основана на передовой платформе ускоренных вычислений NVIDIA. Используя полномасштабную ускоренную ИИ-платформу Nvidia, мы можем обрабатывать эти данные с беспрецедентной скоростью.

По мере обучения модели на все большем количестве данных и на данных различных типов она сможет предоставлять более глубокие аналитические данные и прогнозировать будущие транзакции с большей точностью.

Одна из первых областей, на которых мы сосредоточены, — кибербезопасность. Наша компания уже создала множество лучших киберинструментов в отрасли, чтобы сделать торговлю более безопасной. Мы считаем, что добавление возможностей этой новой базовой модели в наши текущие инструменты сделает их еще сильнее.

Чтобы создавать наши существующие модели ИИ для кибербезопасности, наши специалисты по анализу данных начинают с необработанных данных транзакций. Затем они обогащают эти данные дополнительными функциями, чтобы указать, что эти модели должны анализировать и помечать. Например, специалист по анализу данных может добавить функцию, которая помогает нашим моделям ИИ выявлять резкий всплеск покупательской активности, что позволяет модели обнаруживать и предотвращать мошенничество.

Для сравнения, наша новая базовая модель анализирует те же данные с очень ограниченным участием человека в качестве отправной точки, более независимо определяя, каковы важные характеристики данных. Таким образом, LTM мог бы выявить новые связи в данных, которые человек сам не смог бы найти.

В ходе тестирования мы уже убедились, что эта новая модель превосходит стандартные отраслевые методы машинного обучения, что дает нам многообещающие ранние результаты. Например, очень дорогие, но очень редкие покупки — такие как приобретение обручального кольца — как правило, вызывают срабатывания в современных моделях и становятся причиной множества ложных срабатываний. В наших экспериментах наша базовая модель может лучше выявлять эти законные транзакции, при этом модель способна обучаться на относительно слабых сигналах в данных.

Мы планируем создать гибридные системы кибербезопасности, которые объединят лучшее от наших текущих моделей ИИ и этого нового LTM. Это должно помочь нам укрепить нашу кибербезопасность и обеспечить ее устойчивость к будущим угрозам.

Этот пример кибербезопасности является лишь одним из возможных результатов этого исследования. Мы считаем, что новая базовая модель также может быть использована для улучшения программ лояльности и вознаграждений, моделей персонализации, оптимизации портфеля и инструментов анализа данных.

Помимо этого, для работы нашей сети нам в настоящее время необходимо создавать, обучать и поддерживать тысячи моделей ИИ, каждая из которых предназначена для различных рынков, сценариев использования или клиентов. Этот новый LTM мог бы Become достаточно гибким, чтобы помочь нам значительно сократить необходимость поддержки такого большого количества различных моделей.

Мы наращиваем работу по расширению возможностей нашего LTM. Мы стремимся внедрить алгоритмическое совершенствование в архитектуру модели, чтобы она могла получать больше аналитики из необработанных данных. Кроме того, мы разрабатываем API и наборы инструментов, чтобы предоставить командам Mastercard доступ к этой новой базовой модели, чтобы они могли создавать на ее основе новые приложения.

Мы также продолжим тесное сотрудничество с Nvidia и Databricks для продвижения всех этих разработок.

Как всегда, мы продолжим создавать эту новую модель, следуя нашим принципам ответственности за данные, уделяя особое внимание конфиденциальности пользователей, надёжному управлению и контролю, а также прозрачности.

С каждым шагом вперед, подобно быстрому развитию чат-ботов сегодня, мы начинаем видеть потенциал, который эта фундаментальная модель может иметь для нашей отрасли, обеспечивая большую интеллектуальность, безопасность и скорость в платежах и коммерции.