17 mars 2026
L’IA générative a complètement changé le monde des chatbots. Parler à un robot n’est pas de la science-fiction, c’est juste quelque chose que nous faisons.
Nous pensons que cette même technologie d’IA de génération ne transformera pas seulement le chat — elle transformera le commerce. Cela rendra les paiements plus rapides, les expériences de détail plus personnalisées et les outils de cybersécurité plus précis.
Pour concrétiser cette vision, nos équipes ont mené des recherches et construit un nouveau modèle de base, un modèle d’IA à grande échelle pouvant servir de base à un large éventail d’applications. Nous formons notre modèle de base sur les ensembles de données uniques de Mastercard, en commençant par des milliards de transactions.
Pour protéger la vie privée des utilisateurs, nous supprimons toutes les données personnelles de ces transactions. Après avoir analysé suffisamment de ces transactions anonymisées, ce modèle peut commencer à prédire les transactions futures.
Ce type de modèle de prédiction est en grande partie le même que celui des chatbots actuels, le chatbot prédisant quel doit être le prochain mot dans une phrase. Nous prévoyons d’utiliser ce nouveau modèle de base — non pas pour créer un chatbot — mais comme moteur d’insights qui améliorera nombre de nos outils et services, des cyberdéfenses aux programmes de fidélité en passant par les outils pour petites entreprises.
Et nous faisons ce travail en tirant parti des capacités de Nvidia et Databricks, deux des plus grands noms de l’IA aujourd’hui. Nous constatons déjà de solides résultats et nous sommes ravis de présenter notre travail lors de la conférence Nvidia GTC 2026.
Les chatbots les plus populaires aujourd’hui, tels que Claude et ChatGPT, sont construits à partir de grands modèles de langage, ou LLM, entraînés sur d’énormes quantités de données non structurées, telles que du texte, des vidéos et des photos. Notre nouveau modèle fondamental est un type différent de réseau de neurones d’apprentissage profond, appelé grand modèle tabulaire, ou LTM, entraîné sur des données structurées, telles que des tables ou des ensembles de données à grande échelle.
Nous formons la dernière version de notre LTM sur des milliards de transactions anonymisées. Notre plan est d’intensifier ce travail pour inclure des centaines de milliards de transactions de paiement, ainsi que des types supplémentaires de jeux de données, notamment les données de localisation des commerçants, les données de fraude, les données d’autorisation, les données de rétrofacturation et les données des programmes de fidélité. Ce travail est propulsé par la plateforme avancée de calcul accéléré de Nvidia. En tirant parti de la plateforme d’IA accélérée full-stack de Nvidia, nous sommes capables de traiter ces données à une vitesse sans précédent.
À mesure que nous entraînons le modèle sur plus de données et de types de données, il pourra fournir plus d’informations et prédire les transactions futures avec une plus grande précision.
L’un des premiers domaines sur lesquels nous nous concentrons est la cybersécurité. Notre entreprise a déjà développé nombre des meilleurs outils cyber du secteur pour rendre le commerce plus sécurisé. Nous pensons que l’ajout des capacités de ce nouveau modèle de fondation à nos outils actuels les rendra encore plus solides.
Pour construire nos modèles existants d’IA en cybersécurité, nos data scientists commencent avec les données brutes de transactions. Ils enrichissent ensuite ces données avec des fonctionnalités supplémentaires pour indiquer ce que ces modèles doivent analyser et signaler. Par exemple, un data scientist pourrait ajouter une fonctionnalité qui aide nos modèles d’IA à identifier une hausse soudaine de l’activité d’achat de quelqu’un, ce qui permet au modèle de détecter et d’arrêter la fraude.
En comparaison, notre nouveau modèle de base analyse les mêmes données avec une contribution humaine très limitée comme point de départ, apprenant de manière plus indépendante quelles sont les caractéristiques importantes des données. De cette manière, le LTM pouvait identifier de nouvelles connexions dans les données qu’un humain ne trouverait peut-être pas seul.
Lors de nos tests, nous avons déjà constaté que ce nouveau modèle surpasse les techniques standard d’apprentissage automatique de l’industrie, ce qui nous donne des signes prometteurs dès les débuts. Par exemple, des achats très coûteux mais très rares — comme lorsqu’une bague de mariage est acquise — ont tendance à déclencher des modèles actuels et à provoquer de nombreux faux positifs. Dans nos expériences, notre modèle fondamental peut mieux identifier ces transactions légitimes, le modèle étant capable d’apprendre à partir de signaux relativement faibles dans les données.
Nous prévoyons de construire des systèmes hybrides de cybersécurité qui combinent le meilleur de nos modèles d’IA actuels et ce nouveau LTM. Cela devrait nous aider à renforcer et à sécuriser nos défenses cybernétiques pour l’avenir.
Cet exemple de cybersécurité n’est qu’un des résultats potentiels de cette recherche. Nous pensons que le nouveau modèle de fondation peut également être utilisé pour améliorer les programmes de fidélité et de récompenses, les modèles de personnalisation, l’optimisation de portefeuille et les outils d’analyse de données.
De plus, pour faire fonctionner notre réseau, nous devons actuellement construire, entraîner et maintenir des milliers de modèles d’IA, chacun pour différents marchés, cas d’utilisation ou clients. Ce nouveau LTM pourrait devenir suffisamment flexible pour nous aider à réduire considérablement le nombre de modèles différents à entretenir.
Nous intensifions notre travail pour étendre les capacités de nos LTM. Nous cherchons à ajouter une sophistication algorithmique à l’architecture du modèle afin qu’il puisse obtenir davantage d’informations à partir des données brutes. De plus, nous développons des API et des boîtes à outils pour permettre aux équipes de Mastercard d'accéder à ce nouveau modèle de base, afin qu'elles puissent créer de nouvelles applications à partir de celui-ci.
Nous poursuivrons également notre collaboration étroite avec Nvidia et Databricks pour faire avancer tout ce travail de développement.
Comme toujours, nous continuerons à développer ce nouveau modèle selon nos principes de responsabilité des données, en mettant l’accent sur la confidentialité des utilisateurs, une gouvernance robuste, des contrôles et de la transparence.
À chaque pas en avant, tout comme le développement rapide des chatbots aujourd’hui, nous commençons à voir le potentiel que ce modèle fondamental pourrait avoir pour notre secteur — apportant plus d’intelligence, de sécurité et de rapidité dans les paiements et le commerce.