17. mars 2026
Generativ AI forandret chatbotenes verden fullstendig. Nå er ikke det å snakke med en robot sci-fi, det er bare noe vi gjør.
Vi tror at denne samme generasjonen AI-teknologi ikke bare vil forvandle chat – den vil forvandle handel. Det vil gjøre betalinger raskere, detaljhandelsopplevelser mer personlige og nettsikkerhetsverktøy mer presise.
For å realisere denne visjonen har teamene våre forsket på og bygget en ny grunnleggende modell, en storskala AI-modell som kan brukes som grunnlag for et bredt spekter av applikasjoner. Vi trener vår grunnleggende modell på Mastercards unike datasett, og starter med milliarder av transaksjoner.
For å beskytte brukernes personvern fjerner vi alle personopplysninger fra disse transaksjonene. Etter å ha analysert nok av disse anonymiserte transaksjonene, kan denne modellen begynne å forutsi fremtidige transaksjoner.
Denne typen prediksjonsmodell er i stor grad den samme som hvordan dagens chatboter fungerer, der chatboten forutsier hva det neste ordet skal være i en setning. Vi planlegger å bruke denne nye fundamentmodellen – ikke til å bygge en chatbot – men som en innsiktsmotor som vil gjøre mange av verktøyene og tjenestene våre enda bedre, fra cyberforsvar til lojalitetsprogrammer og verktøy for små bedrifter.
Og vi gjør dette arbeidet ved å utnytte muligheter fra Nvidia og Databricks, to av de største navnene innen AI i dag. Vi ser allerede sterke resultater, og vi gleder oss til å vise frem arbeidet vårt under Nvidia GTC 2026-konferansen.
De mest populære chatbotene i dag, som Claude og ChatGPT, er bygget ved hjelp av store språkmodeller, eller LLM-er, som er trent på enorme mengder ustrukturert data, som tekst, video og bilder. Vår nye grunnleggende modell er en annen type dyp læringsnevralt nettverk, kalt en stor tabellmodell, eller LTM, som er trent på strukturerte data, for eksempel storskala tabeller eller datasett.
Vi trener den nyeste versjonen av vår LTM på milliarder av anonymiserte transaksjoner. Planen vår er å trappe opp dette arbeidet til å omfatte hundrevis av milliarder betalingstransaksjoner, samt flere typer datasett, inkludert data om selgers lokasjon, svindeldata, autorisasjonsdata, tilbakeføringsdata og lojalitetsprogramdata. Dette arbeidet drives av Nvidias avanserte akselererte databehandlingsplattform. Ved å utnytte Nvidias fullstack-akselererte AI-plattform, kan vi behandle disse dataene med enestående hastigheter.
Etter hvert som vi trener modellen på flere data og flere typer data, vil den kunne gi mer innsikt og forutsi fremtidige transaksjoner med større nøyaktighet.
Et av de første områdene vi fokuserer på er cybersikkerhet. Vårt selskap har allerede bygget mange av de beste cyberverktøyene i bransjen for å gjøre handel sikrere. Vi tror at det å legge til denne nye fundamentmodellens funksjoner i våre nåværende verktøy vil gjøre dem enda sterkere.
For å bygge våre eksisterende AI-modeller for cybersikkerhet, starter dataforskerne våre med rådata for transaksjoner. Deretter beriker de disse dataene med tilleggsfunksjoner for å indikere hva disse modellene skal analysere og flagge. For eksempel kan en dataforsker legge til en funksjon som hjelper AI-modellene våre med å identifisere en plutselig økning i noens kjøpsaktivitet, noe som gjør at modellen kan oppdage og stoppe svindel.
Til sammenligning analyserer vår nye grunnlagsmodell de samme dataene med svært begrenset menneskelig innspill som utgangspunkt, og lærer mer uavhengig hva de viktigste egenskapene til dataene er. På denne måten kunne LTM identifisere nye sammenhenger i dataene som et menneske kanskje ikke ville funnet på egenhånd.
I testingen vår har vi allerede sett at denne nye modellen overgår standard maskinlæringsteknikker i bransjen, noe som gir oss lovende tidlige tegn. For eksempel har svært dyre, men svært sjeldne kjøp – som når noen kjøper en giftering – en tendens til å utløse dagens modeller og forårsake mange falske positiver. I våre eksperimenter kan vår grunnleggende modell bedre identifisere disse legitime transaksjonene, der modellen kan lære av relativt svake signaler i dataene.
Vi planlegger å bygge hybride cybersikkerhetssystemer som kombinerer det beste fra både våre nåværende AI-modeller og denne nye langsiktige plattformen. Dette skal hjelpe oss med å bygge opp og fremtidssikre vårt cyberforsvar.
Dette eksemplet på cybersikkerhet er bare ett mulig resultat av denne forskningen. Vi tror at den nye grunnlagsmodellen også kan brukes til å forbedre lojalitets- og belønningsprogrammer, personaliseringsmodeller, porteføljeoptimalisering og dataanalyseverktøy.
I tillegg må vi bygge, trene og vedlikeholde tusenvis av AI-modeller for å drive nettverket vårt, hver for forskjellige markeder, brukstilfeller eller kunder. Denne nye LTM-en kan bli fleksibel nok til å hjelpe oss med å redusere vedlikeholdet av så mange forskjellige modeller betraktelig.
Vi trapper opp arbeidet vårt for å utvide LTM-ens muligheter. Vi ønsker å legge til algoritmisk raffinement til modellens arkitektur, slik at den kan få mer innsikt fra rådata. I tillegg utvikler vi API-er og verktøysett for å gi team på tvers av Mastercard tilgang til denne nye grunnleggende modellen, slik at de kan bygge nye applikasjoner på toppen av den.
Vi vil også fortsette vårt tette samarbeid med Nvidia og Databricks for å fremme alt dette utviklingsarbeidet.
Som alltid vil vi fortsette å bygge denne nye modellen i henhold til våre prinsipper for dataansvar, med fokus på brukernes personvern, robust styring og kontroll samt åpenhet.
Med hvert skritt fremover, akkurat som den raske utviklingen av chatboter i dag, begynner vi å se potensialet denne grunnleggende modellen kan ha for vår bransje – å bringe mer intelligens, sikkerhet og hastighet inn i betalinger og handel.