17 maart 2026
Generatieve AI heeft de wereld van chatbots volledig veranderd. Praten met een robot is geen sciencefiction, het is gewoon iets wat we doen.
Wij geloven dat dezezelfde gen-AI technologie niet alleen chat zal transformeren — maar ook de handel zal transformeren. Het zal betalingen sneller maken, winkelervaringen persoonlijker maken en cyberbeveiligingstools preciezer maken.
Om deze visie waar te maken, hebben onze teams onderzoek gedaan naar en gebouwd aan een nieuw fundamentmodel, een grootschalig AI-model dat als basis kan dienen voor een breed scala aan toepassingen. We trainen ons basismodel op de unieke datasets van Mastercard, te beginnen met miljarden transacties.
Om de privacy van gebruikers te beschermen, verwijderen we alle persoonsgegevens uit deze transacties. Na het analyseren van voldoende van deze geanonimiseerde transacties kan dit model toekomstige transacties gaan voorspellen.
Dit soort voorspellingsmodel is grotendeels hetzelfde als hoe de huidige chatbots werken, waarbij de chatbot voorspelt wat het volgende woord in een zin moet zijn. We zijn van plan dit nieuwe foundation-model te gebruiken — niet om een chatbot te bouwen — maar als een inzichtsmotor die veel van onze tools en diensten nog beter zal maken, van cyberverdediging tot loyaliteitsprogramma's en kleine bedrijfstools.
En we doen dit werk met gebruik van de mogelijkheden van Nvidia en Databricks, twee van de grootste namen in AI van vandaag. We zien al sterke resultaten en we zijn enthousiast om ons werk te presenteren tijdens de Nvidia GTC 2026-conferentie.
De populairste chatbots van vandaag, zoals Claude en ChatGPT, worden gebouwd met grote taalmodellen, of LLM's, die getraind zijn op enorme hoeveelheden ongestructureerde data, zoals tekst, video en foto's. Ons nieuwe basismodel is een ander soort deep learning neuraal netwerk, een groot tabulair model of LTM genoemd, dat wordt getraind op gestructureerde data, zoals grootschalige tabellen of datasets.
We trainen de nieuwste versie van onze LTM op miljarden geanonimiseerde transacties. Ons plan is om dit werk op te schalen met honderden miljarden betalingstransacties, evenals extra soorten datasets, waaronder locatiegegevens van handelaren, fraudegegevens, autorisatiegegevens, chargeback-gegevens en loyaliteitsprogrammagegevens. Dit werk wordt aangedreven door Nvidia's geavanceerde versnelde computerplatform. Door gebruik te maken van Nvidia's full-stack versnelde AI-platform kunnen we deze data met ongekende snelheden verwerken.
Naarmate we het model trainen op meer data en meer soorten data, zal het meer inzichten kunnen bieden en toekomstige transacties met grotere nauwkeurigheid kunnen voorspellen.
Een van de eerste gebieden waarop we ons richten is cyberbeveiliging. Ons bedrijf heeft al veel van de beste cybertools in de sector ontwikkeld om handel veiliger te maken. Wij geloven dat het toevoegen van de mogelijkheden van dit nieuwe basismodel aan onze huidige tools hen nog sterker zal maken.
Om onze bestaande cybersecurity-AI-modellen te bouwen, beginnen onze datawetenschappers met ruwe transactiegegevens. Vervolgens verrijken ze deze data met extra functies om aan te geven wat die modellen moeten analyseren en markeren. Een datawetenschapper kan bijvoorbeeld een functie toevoegen die onze AI-modellen helpt een plotselinge piek in iemands aankoopactiviteit te identificeren, waardoor het model fraude kan detecteren en stoppen.
Ter vergelijking: ons nieuwe foundationmodel analyseert dezelfde data met zeer beperkte menselijke input als uitgangspunt, waarbij we onafhankelijker leren wat de belangrijke kenmerken van de data zijn. Op deze manier zou de LTM nieuwe verbindingen in de data kunnen identificeren die een mens misschien niet zelf zou vinden.
In onze tests hebben we al gezien dat dit nieuwe model beter presteert dan standaard machine learning-technieken in de industrie, wat ons veelbelovende vroege signalen geeft. Bijvoorbeeld, zeer dure maar zeer zeldzame aankopen — zoals wanneer iemand een trouwring koopt — triggeren huidige modellen en veroorzaken veel valse positieven. In onze experimenten kan ons basismodel deze legitieme transacties beter identificeren, waarbij het model kan leren van relatief zwakke signalen in de data.
We zijn van plan hybride cybersecuritysystemen te bouwen die het beste van onze huidige AI-modellen en deze nieuwe LTM combineren. Dit zou ons moeten helpen onze cyberverdediging op te bouwen en toekomstbestendig te maken.
Dit voorbeeld van cyberbeveiliging is slechts één mogelijk resultaat van dit onderzoek. Wij geloven dat het nieuwe basismodel ook kan worden gebruikt om loyaliteits- en beloningsprogramma's, personalisatiemodellen, portfolio-optimalisatie en data-analysetools te verbeteren.
Daarnaast moeten we om ons netwerk te beheren momenteel duizenden AI-modellen bouwen, trainen en onderhouden, elk voor verschillende markten, gebruikssituaties of klanten. Deze nieuwe LTM zou flexibel genoeg kunnen worden om ons te helpen het onderhoud van zoveel verschillende modellen aanzienlijk te verminderen.
We breiden ons werk op om de capaciteiten van onze LTM uit te breiden. We willen algoritmische verfijning toevoegen aan de architectuur van het model, zodat het meer inzichten uit ruwe data kan krijgen. Daarnaast ontwikkelen we API's en toolkits om teams binnen Mastercard toegang te geven tot dit nieuwe basismodel, zodat ze daarop nieuwe applicaties kunnen bouwen.
We zullen ook onze nauwe samenwerking met Nvidia en Databricks voortzetten om al dit ontwikkelingswerk vooruit te helpen.
Zoals altijd zullen we dit nieuwe model blijven bouwen volgens onze principes van gegevensverantwoordelijkheid, met de nadruk op gebruikersprivacy, robuust bestuur en controles en transparantie.
Met elke stap vooruit, net als de snelle ontwikkeling van chatbots tegenwoordig, beginnen we het potentieel te zien dat dit basismodel voor onze sector kan hebben — het brengen van meer intelligentie, veiligheid en snelheid in betalingen en handel.