17 Μαρτίου 2026
Η γενετική τεχνητή νοημοσύνη άλλαξε εντελώς τον κόσμο των chatbots. Τώρα, το να μιλάμε σε ένα ρομπότ δεν είναι επιστημονική φαντασία, είναι απλώς κάτι που κάνουμε.
Πιστεύουμε ότι αυτή η ίδια τεχνολογία τεχνητής νοημοσύνης γενιάς δεν θα μεταμορφώσει μόνο το chat — θα μεταμορφώσει και το εμπόριο. Θα κάνει τις πληρωμές ταχύτερες, τις εμπειρίες λιανικής πιο εξατομικευμένες και τα εργαλεία κυβερνοασφάλειας πιο ακριβή.
Για να υλοποιηθεί αυτό το όραμα, οι ομάδες μας ερευνούν και κατασκευάζουν ένα νέο μοντέλο βάσης, το οποίο είναι ένα μοντέλο τεχνητής νοημοσύνης μεγάλης κλίμακας που μπορεί να χρησιμοποιηθεί ως βάση για ένα ευρύ φάσμα εφαρμογών. Εκπαιδεύουμε το βασικό μας μοντέλο στα μοναδικά σύνολα δεδομένων της Mastercard, ξεκινώντας με δισεκατομμύρια συναλλαγές.
Για την προστασία του απορρήτου των χρηστών, αφαιρούμε όλα τα προσωπικά δεδομένα από αυτές τις συναλλαγές. Αφού αναλύσει αρκετές από αυτές τις ανώνυμες συναλλαγές, αυτό το μοντέλο μπορεί να αρχίσει να προβλέπει μελλοντικές συναλλαγές.
Αυτό το είδος μοντέλου πρόβλεψης είναι σε μεγάλο βαθμό το ίδιο με τον τρόπο λειτουργίας των σημερινών chatbot, με το chatbot να προβλέπει ποια θα πρέπει να είναι η επόμενη λέξη σε μια πρόταση. Σχεδιάζουμε να χρησιμοποιήσουμε αυτό το νέο μοντέλο βάσης — όχι για να δημιουργήσουμε ένα chatbot — αλλά ως μια μηχανή συλλογής πληροφοριών που θα βελτιώσει πολλά από τα εργαλεία και τις υπηρεσίες μας, από την κυβερνοάμυνα μέχρι τα προγράμματα επιβράβευσης και τα εργαλεία για μικρές επιχειρήσεις.
Και κάνουμε αυτή τη δουλειά αξιοποιώντας τις δυνατότητες της Nvidia και της Databricks, δύο από τα μεγαλύτερα ονόματα στην Τεχνητή Νοημοσύνη σήμερα. Βλέπουμε ήδη ισχυρά αποτελέσματα και είμαστε ενθουσιασμένοι που θα παρουσιάσουμε την εργασία μας κατά τη διάρκεια του συνεδρίου Nvidia GTC 2026.
Τα πιο δημοφιλή chatbots σήμερα, όπως το Claude και το ChatGPT, κατασκευάζονται χρησιμοποιώντας μεγάλα γλωσσικά μοντέλα ή LLM, τα οποία εκπαιδεύονται σε τεράστιες ποσότητες αδόμητων δεδομένων, όπως κείμενο, βίντεο και φωτογραφίες. Το νέο μας βασικό μοντέλο είναι ένα διαφορετικό είδος νευρωνικού δικτύου βαθιάς μάθησης, που ονομάζεται μεγάλο πινακοποιημένο μοντέλο ή LTM, το οποίο εκπαιδεύεται σε δομημένα δεδομένα, όπως πίνακες ή σύνολα δεδομένων μεγάλης κλίμακας.
Εκπαιδεύουμε την τελευταία έκδοση του LTM μας σε δισεκατομμύρια ανώνυμες συναλλαγές. Το σχέδιό μας είναι να εντείνουμε αυτό το έργο ώστε να περιλαμβάνει εκατοντάδες δισεκατομμύρια συναλλαγές πληρωμών, καθώς και πρόσθετους τύπους συνόλων δεδομένων, συμπεριλαμβανομένων δεδομένων τοποθεσίας εμπόρων, δεδομένων απάτης, δεδομένων εξουσιοδότησης, δεδομένων αντιστροφής χρέωσης και δεδομένων προγραμμάτων επιβράβευσης. Αυτή η εργασία υποστηρίζεται από την προηγμένη πλατφόρμα επιταχυνόμενων υπολογισμών της Nvidia. Αξιοποιώντας την πλήρως επιταχυνόμενη πλατφόρμα τεχνητής νοημοσύνης της Nvidia, είμαστε σε θέση να επεξεργαζόμαστε αυτά τα δεδομένα με πρωτοφανείς ταχύτητες.
Καθώς εκπαιδεύουμε το μοντέλο σε περισσότερα δεδομένα και περισσότερα είδη δεδομένων, θα είναι σε θέση να παρέχει περισσότερες πληροφορίες και να προβλέπει μελλοντικές συναλλαγές με μεγαλύτερη ακρίβεια.
Ένας από τους πρώτους τομείς στους οποίους εστιάζουμε είναι η κυβερνοασφάλεια. Η εταιρεία μας έχει ήδη κατασκευάσει πολλά από τα καλύτερα κυβερνοεργαλεία στον κλάδο για να κάνει το εμπόριο πιο ασφαλές. Πιστεύουμε ότι η προσθήκη των δυνατοτήτων αυτού του νέου μοντέλου βάσης στα τρέχοντα εργαλεία μας θα τα κάνει ακόμη πιο ισχυρά.
Για να δημιουργήσουμε τα υπάρχοντα μοντέλα τεχνητής νοημοσύνης στον κυβερνοχώρο, οι επιστήμονες δεδομένων μας ξεκινούν με ακατέργαστα δεδομένα συναλλαγών. Στη συνέχεια, εμπλουτίζουν αυτά τα δεδομένα με πρόσθετα χαρακτηριστικά για να υποδείξουν τι πρέπει να αναλύσουν και να επισημάνουν αυτά τα μοντέλα. Για παράδειγμα, ένας επιστήμονας δεδομένων θα μπορούσε να προσθέσει μια λειτουργία που βοηθά τα μοντέλα τεχνητής νοημοσύνης μας να εντοπίζουν μια ξαφνική αύξηση στη δραστηριότητα αγορών κάποιου, η οποία επιτρέπει στο μοντέλο να ανιχνεύει και να σταματά την απάτη.
Συγκριτικά, το νέο μας μοντέλο βάσης αναλύει τα ίδια δεδομένα με πολύ περιορισμένη ανθρώπινη συμμετοχή ως σημείο εκκίνησης, μαθαίνοντας πιο ανεξάρτητα ποια είναι τα σημαντικά χαρακτηριστικά των δεδομένων. Με αυτόν τον τρόπο, το LTM θα μπορούσε να εντοπίσει νέες συνδέσεις στα δεδομένα που ένας άνθρωπος μπορεί να μην βρει μόνος του.
Στις δοκιμές μας, έχουμε ήδη δει αυτό το νέο μοντέλο να ξεπερνά τις τυπικές τεχνικές μηχανικής μάθησης του κλάδου, δίνοντάς μας πολλά υποσχόμενα πρώτα σημάδια. Για παράδειγμα, πολύ ακριβές αλλά πολύ σπάνιες αγορές — όπως όταν κάποιος αγοράζει μια βέρα — τείνουν να ενεργοποιούν τα τρέχοντα μοντέλα σήμερα και να προκαλούν πολλά ψευδώς θετικά αποτελέσματα. Στα πειράματά μας, το βασικό μας μοντέλο μπορεί να αναγνωρίσει καλύτερα αυτές τις νόμιμες συναλλαγές, με το μοντέλο να είναι σε θέση να μαθαίνει από σχετικά αδύναμα σήματα στα δεδομένα.
Σχεδιάζουμε να κατασκευάσουμε υβριδικά συστήματα κυβερνοασφάλειας που θα συνδυάζουν τα καλύτερα τόσο των τρεχόντων μοντέλων τεχνητής νοημοσύνης μας όσο και αυτού του νέου LTM. Αυτό θα πρέπει να μας βοηθήσει να οικοδομήσουμε και να προετοιμάσουμε για το μέλλον την κυβερνοάμυνά μας.
Αυτό το παράδειγμα κυβερνοασφάλειας είναι μόνο ένα πιθανό αποτέλεσμα αυτής της έρευνας. Πιστεύουμε ότι το νέο μοντέλο βάσης μπορεί επίσης να χρησιμοποιηθεί για τη βελτίωση των προγραμμάτων επιβράβευσης και επιβράβευσης, των μοντέλων εξατομίκευσης, της βελτιστοποίησης χαρτοφυλακίου και των εργαλείων ανάλυσης δεδομένων.
Επιπλέον, για τη λειτουργία του δικτύου μας, χρειάζεται να δημιουργήσουμε, να εκπαιδεύσουμε και να συντηρήσουμε χιλιάδες μοντέλα Τεχνητής Νοημοσύνης, το καθένα για διαφορετικές αγορές, περιπτώσεις χρήσης ή πελάτες. Αυτό το νέο LTM θα μπορούσε να γίνει αρκετά ευέλικτο ώστε να μας βοηθήσει να μειώσουμε σημαντικά την ανάγκη συντήρησης τόσων πολλών διαφορετικών μοντέλων.
Εντείνουμε τις εργασίες μας για να επεκτείνουμε τις δυνατότητες του LTM μας. Επιδιώκουμε να προσθέσουμε αλγοριθμική πολυπλοκότητα στην αρχιτεκτονική του μοντέλου, ώστε να μπορεί να αποκομίσει περισσότερες πληροφορίες από τα ακατέργαστα δεδομένα. Επιπλέον, αναπτύσσουμε API και κιτ εργαλείων για να δώσουμε σε ομάδες σε όλη την Mastercard πρόσβαση σε αυτό το νέο βασικό μοντέλο, ώστε να μπορούν να δημιουργούν νέες εφαρμογές πάνω σε αυτό.
Θα συνεχίσουμε επίσης τη στενή μας συνεργασία με την Nvidia και την Databricks για να προωθήσουμε όλο αυτό το έργο ανάπτυξης.
Όπως πάντα, θα συνεχίσουμε να κατασκευάζουμε αυτό το νέο μοντέλο ακολουθώντας τις αρχές μας για την ευθύνη δεδομένων, εστιάζοντας στο απόρρητο των χρηστών, την ισχυρή διακυβέρνηση και τους ελέγχους, καθώς και τη διαφάνεια.
Με κάθε βήμα προς τα εμπρός, όπως ακριβώς και με την ραγδαία ανάπτυξη των chatbots σήμερα, αρχίζουμε να βλέπουμε τις δυνατότητες που θα μπορούσε να έχει αυτό το βασικό μοντέλο για τον κλάδο μας — φέρνοντας περισσότερη ευφυΐα, ασφάλεια και ταχύτητα στις πληρωμές και το εμπόριο.