17. März 2026
Generative KI hat die Welt der Chatbots komplett verändert. Mit einem Roboter zu sprechen ist keine Science-Fiction, das ist einfach etwas, das wir tun.
Wir glauben, dass dieselbe Gen-KI-Technologie nicht nur den Chat verändern wird – sondern auch den Handel verändern wird. Es wird Zahlungen schneller, Einzelhandelserlebnisse personalisierter und Cybersicherheitstools präziser machen.
Um diese Vision zu verwirklichen, haben unsere Teams ein neues Grundlagenmodell erforscht und entwickelt, ein gross angelegtes KI-Modell, das als Grundlage für eine Vielzahl von Anwendungen dienen kann. Wir trainieren unser Basismodell mit den einzigartigen Datensätzen von Mastercard, beginnend mit Milliarden von Transaktionen.
Um die Privatsphäre der Nutzer zu schützen, entfernen wir alle personenbezogenen Daten aus diesen Transaktionen. Nachdem genügend dieser anonymisierten Transaktionen analysiert wurden, kann dieses Modell beginnen, zukünftige Transaktionen vorherzusagen.
Dieses Vorhersagemodell ist im Wesentlichen dasselbe wie heutige Chatbots, wobei der Chatbot vorhersagt, welches nächste Wort in einem Satz sein soll. Wir planen, dieses neue Foundation-Modell zu nutzen – nicht um einen Chatbot zu bauen –, sondern als eine Insights-Engine, die viele unserer Tools und Dienstleistungen noch besser machen wird – von Cyberabwehr über Treueprogramme bis hin zu kleinen Unternehmenstools.
Und wir machen diese Arbeit mit den Fähigkeiten von Nvidia und Databricks, zwei der grössten Namen der KI heute. Wir sehen bereits starke Ergebnisse und freuen uns, unsere Arbeit auf der Nvidia GTC 2026-Konferenz präsentieren zu können.
Die heute beliebtesten Chatbots, wie Claude und ChatGPT, werden mit grossen Sprachmodellen (LLMs) entwickelt, die auf riesigen Mengen unstrukturierter Daten wie Text, Video und Fotos trainiert werden. Unser neues Foundation-Modell ist eine andere Art von Deep-Learning-Neuralnetzwerk, das als Large Tableular Model oder LTM bezeichnet wird und auf strukturierten Daten wie gross angelegten Tabellen oder Datensätzen trainiert wird.
Wir trainieren die neueste Version unseres LTM mit Milliarden anonymisierter Transaktionen. Unser Plan ist es, diese Arbeit auszuweiten und Hunderte von Milliarden von Zahlungstransaktionen sowie zusätzliche Arten von Datensätzen einzubeziehen, darunter Händlerstandortdaten, Betrugsdaten, Autorisierungsdaten, Chargeback-Daten und Daten von Treueprogrammen. Diese Arbeit wird von Nvidias fortschrittlicher beschleunigter Rechenplattform unterstützt. Durch die Nutzung von Nvidias full-stack-beschleunigter KI-Plattform können wir diese Daten mit beispielloser Geschwindigkeit verarbeiten.
Wenn wir das Modell mit mehr Daten und mehr Arten von Daten trainieren, wird es mehr Einblicke liefern und zukünftige Transaktionen mit grösserer Genauigkeit vorhersagen können.
Einer der ersten Bereiche, auf die wir uns konzentrieren, ist Cybersicherheit. Unser Unternehmen hat bereits viele der besten Cyber-Tools der Branche entwickelt, um den Handel sicherer zu machen. Wir sind überzeugt, dass die Integration der Fähigkeiten dieses neuen Foundation-Modells in unsere aktuellen Werkzeuge sie noch stärker machen wird.
Um unsere bestehenden Cybersicherheits-KI-Modelle zu erstellen, beginnen unsere Datenwissenschaftler mit Rohtransaktionsdaten. Anschliessend bereichern sie diese Daten mit zusätzlichen Funktionen, um anzuzeigen, was diese Modelle analysieren und markieren sollten. Zum Beispiel könnte ein Data Scientist eine Funktion hinzufügen, die unseren KI-Modellen hilft, einen plötzlichen Anstieg der Kaufaktivitäten zu erkennen, was es dem Modell ermöglicht, Betrug zu erkennen und zu stoppen.
Im Vergleich dazu analysiert unser neues Foundation-Modell dieselben Daten mit sehr begrenztem menschlichem Input als Ausgangspunkt und lernt unabhängiger, welche wichtigen Eigenschaften die Daten sind. Auf diese Weise könnte der LTM neue Verbindungen in den Daten erkennen, die ein Mensch vielleicht selbst nicht findet.
In unseren Tests haben wir bereits gesehen, dass dieses neue Modell standardmässige Machine-Learning-Techniken der Industrie übertrifft und uns vielversprechende frühe Anzeichen gibt. Zum Beispiel führen sehr teure, aber sehr seltene Käufe – wie zum Beispiel beim Kauf eines Eherings – dazu, aktuelle Modelle auszulösen und viele Fehlalarme zu verursachen. In unseren Experimenten kann unser Foundation-Modell diese legitimen Transaktionen besser identifizieren, wobei das Modell aus relativ schwachen Signalen in den Daten lernen kann.
Wir planen, hybride Cybersicherheitssysteme zu entwickeln, die das Beste aus unseren aktuellen KI-Modellen und diesem neuen LTM vereinen. Dies sollte uns helfen, unsere Cyberabwehr auszubauen und zukunftssicher zu machen.
Dieses Cybersicherheitsbeispiel ist nur ein mögliches Ergebnis dieser Forschung. Wir glauben, dass das neue Foundation-Modell auch zur Verbesserung von Treue- und Prämienprogrammen, Personalisierungsmodellen, Portfoliooptimierung und Datenanalysetools genutzt werden kann.
Ausserdem müssen wir derzeit Tausende von KI-Modellen bauen, trainieren und warten, die jeweils für unterschiedliche Märkte, Anwendungsfälle oder Kunden geeignet sind. Dieses neue LTM könnte flexibel genug werden, um uns dabei zu helfen, den Wartungsaufwand für so viele verschiedene Modelle deutlich zu reduzieren.
Wir intensivieren unsere Arbeit, um die Fähigkeiten unserer LTM zu erweitern. Wir möchten der Architektur des Modells algorithmische Raffinesse hinzufügen, damit es aus Rohdaten mehr Erkenntnisse gewinnen kann. Darüber hinaus entwickeln wir APIs und Toolkits, um Teams bei Mastercard Zugang zu diesem neuen Basismodell zu ermöglichen, damit sie darauf aufbauend neue Anwendungen entwickeln können.
Wir werden auch unsere enge Zusammenarbeit mit Nvidia und Databricks fortsetzen, um all diese Entwicklungsarbeit voranzutreiben.
Wie immer werden wir dieses neue Modell weiterhin nach unseren Prinzipien der Datenverantwortung aufbauen, mit Fokus auf den Datenschutz der Nutzer, robuste Governance und Kontrollen sowie Transparenz.
Mit jedem Schritt nach vorne, ähnlich wie die rasante Entwicklung von Chatbots heute, erkennen wir das Potenzial, das dieses Foundation-Modell für unsere Branche haben könnte – mehr Intelligenz, Sicherheit und Geschwindigkeit in Zahlungen und Handel zu bringen.