Lernen Sie Mastercards neues generatives KI-Modell kennen

Generative KI hat die Welt der Chatbots komplett verändert. Mit einem Roboter zu sprechen ist keine Science-Fiction, sondern etwas, das wir einfach tun.

Wir glauben, dass diese Gen-KI-Technologie nicht nur den Chat revolutionieren wird, sondern den gesamten Handel. Es wird Zahlungen beschleunigen, das Einkaufserlebnis individueller gestalten und Cybersicherheitstools präziser machen.

Um diese Vision zu verwirklichen, haben unsere Teams ein neues Fundamentmodell erforscht und entwickelt. Dabei handelt es sich um ein groß angelegtes KI-Modell, das als Basis für eine breite Palette von Anwendungen dienen kann. Wir trainieren unser Basismodell mit den einzigartigen Datensätzen von Mastercard, beginnend mit Milliarden von Transaktionen.

Zum Schutz der Privatsphäre der Nutzer entfernen wir alle personenbezogenen Daten aus diesen Transaktionen. Nach der Analyse einer ausreichenden Anzahl dieser anonymisierten Transaktionen kann dieses Modell beginnen, zukünftige Transaktionen vorherzusagen.

Dieses Vorhersagemodell ist im Wesentlichen das gleiche wie die Funktionsweise heutiger Chatbots, bei denen der Chatbot vorhersagt, welches Wort als nächstes in einem Satz stehen sollte. Wir planen, dieses neue Fundamentmodell nicht zum Bau eines Chatbots zu nutzen, sondern als Erkenntnismaschine, die viele unserer Tools und Services noch besser machen wird, von Cyberabwehr über Treueprogramme bis hin zu Tools für kleine Unternehmen.

Und wir nutzen dabei die Kompetenzen von Nvidia und Databricks, zwei der größten Namen im Bereich KI heutzutage. Wir sehen bereits starke Ergebnisse und freuen uns darauf, unsere Arbeit auf der Nvidia GTC 2026 Konferenz zu präsentieren.

Die heutzutage beliebtesten Chatbots, wie beispielsweise Claude und ChatGPT, basieren auf großen Sprachmodellen (LLMs), die mit riesigen Mengen unstrukturierter Daten wie Texten, Videos und Fotos trainiert werden. Unser neues Basismodell ist eine andere Art von neuronalem Netzwerk für Deep Learning, ein sogenanntes Large Tabular Model (LTM), das mit strukturierten Daten wie großen 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 durch Nvidias fortschrittliche Plattform für beschleunigtes Rechnen ermöglicht. Durch die Nutzung der umfassenden, beschleunigten KI-Plattform von Nvidia sind wir in der Lage, diese Daten in beispielloser Geschwindigkeit zu verarbeiten.

Wenn wir das Modell mit mehr Daten und verschiedenen Datentypen trainieren, wird es in der Lage sein, mehr Erkenntnisse zu liefern und zukünftige Transaktionen genauer vorherzusagen.

Einer der ersten Bereiche, auf die wir uns konzentrieren, ist die 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 Funktionen dieses neuen Fundamentmodells in unsere bestehenden Tools diese noch leistungsfähiger machen wird.

Um unsere bestehenden KI-Modelle für Cybersicherheit zu erstellen, beginnen unsere Datenwissenschaftler mit Rohdaten aus Transaktionen. Anschließend reichern sie diese Daten mit zusätzlichen Merkmalen an, um anzugeben, was diese Modelle analysieren und kennzeichnen sollen. Ein Datenwissenschaftler könnte beispielsweise eine Funktion hinzufügen, die unseren KI-Modellen hilft, einen plötzlichen Anstieg der Kaufaktivität einer Person zu erkennen, wodurch das Modell Betrug aufdecken und unterbinden kann.

Im Vergleich dazu analysiert unser neues Basismodell die gleichen Daten mit sehr begrenztem menschlichem Input als Ausgangspunkt und lernt so selbstständiger, welche wichtigen Merkmale die Daten aufweisen. Auf diese Weise könnte das LTM neue Zusammenhänge in den Daten identifizieren, die ein Mensch möglicherweise nicht von selbst finden würde.

In unseren Tests hat sich dieses neue Modell bereits als besser erwiesen als branchenübliche Machine-Learning-Verfahren, was uns vielversprechende erste Anzeichen liefert. Beispielsweise lösen sehr teure, aber sehr seltene Käufe – etwa beim Kauf eines Eherings – heutzutage häufig Fehlalarme aus und führen zu vielen Fehlalarmen. In unseren Experimenten konnte unser Basismodell diese legitimen Transaktionen besser identifizieren, da das Modell auch aus relativ schwachen Signalen in den Daten lernen konnte.

Wir planen, hybride Cybersicherheitssysteme zu entwickeln, die das Beste aus unseren aktuellen KI-Modellen und diesem neuen LTM kombinieren. Dies sollte uns helfen, unsere Cyberabwehr aufzubauen und zukunftssicher zu gestalten.

Dieses Beispiel zur Cybersicherheit ist nur ein mögliches Ergebnis dieser Forschung. Wir glauben, dass das neue Fundamentmodell auch zur Verbesserung von Loyalitäts- und Prämienprogrammen, Personalisierungsmodellen, Portfoliooptimierung und Datenanalysetools genutzt werden kann.

Darüber hinaus müssen wir für den Betrieb unseres Netzwerks derzeit Tausende von KI-Modellen erstellen, trainieren und warten, jedes für einen anderen Markt, Anwendungsfall oder Kunden. 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 Bemühungen, die Fähigkeiten unseres LTM auszubauen. Wir wollen die Architektur des Modells algorithmisch verfeinern, damit es aus den 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 weiterhin eng mit Nvidia und Databricks zusammenarbeiten, um diese Entwicklungsarbeiten voranzutreiben.

Wie immer werden wir dieses neue Modell weiterhin gemäß unseren Grundsätzen der Datenverantwortung aufbauen und uns dabei auf den Datenschutz der Nutzer, eine solide Governance und Kontrollen sowie Transparenz konzentrieren.

Mit jedem Fortschritt, ähnlich der rasanten Entwicklung von Chatbots heutzutage, beginnen wir das Potenzial dieses grundlegenden Modells für unsere Branche zu erkennen – es bringt mehr Intelligenz, Sicherheit und Geschwindigkeit in den Zahlungsverkehr und den Handel.