Знайомтесь з новою генеративною моделлю штучного інтелекту від Mastercard

Генеративний штучний інтелект повністю змінив світ чат-ботів. Розмова з роботом — це не наукова фантастика, це просто те, що ми робимо.

Ми вважаємо, що ця ж технологія покоління штучного інтелекту не просто змінить чат — вона змінить і комерцію. Це зробить платежі швидшими, досвід роздрібної торгівлі персоналізованішим, а інструменти кібербезпеки точнішими.

Щоб втілити це бачення в життя, наші команди досліджували та створювали нову базову модель, яка являє собою масштабну модель штучного інтелекту, що може бути використана як основа для широкого кола застосувань. Ми навчаємо нашу базову модель на унікальних наборах даних Mastercard, починаючи з мільярдів транзакцій.

Щоб захистити конфіденційність користувачів, ми видаляємо всі персональні дані з цих транзакцій. Після аналізу достатньої кількості цих анонімізованих транзакцій ця модель може почати прогнозувати майбутні транзакції.

Така модель прогнозування значною мірою така ж, як працюють сучасні чат-боти, причому чат-бот передбачає, яким має бути наступне слово в реченні. Ми плануємо використовувати цю нову базову модель — не для створення чат-бота, — а як механізм аналізу, який зробить багато наших інструментів та послуг ще кращими, від кіберзахисту до програм лояльності та інструментів для малого бізнесу.

І ми виконуємо цю роботу, використовуючи можливості Nvidia та Databricks, двох найбільших імен у сфері штучного інтелекту сьогодні. Ми вже бачимо вагомі результати і раді представити нашу роботу під час конференції Nvidia GTC 2026.

Найпопулярніші чат-боти сьогодні, такі як Claude та ChatGPT, створені з використанням моделей великих мов програмування, або LLM, які навчаються на величезних обсягах неструктурованих даних, таких як текст, відео та фотографії. Наша нова базова модель — це інший тип нейронної мережі глибокого навчання, яка називається великою табличною моделлю або LTM, і яка навчається на структурованих даних, таких як великомасштабні таблиці або набори даних.

Ми навчаємо останню версію нашої LTM на мільярдах анонімізованих транзакцій. Наш план полягає в тому, щоб розширити цю роботу, включивши сотні мільярдів платіжних транзакцій, а також додаткові типи наборів даних, включаючи дані про місцезнаходження продавців, дані про шахрайство, дані про авторизацію, дані про повернення платежів та дані програм лояльності. Ця робота базується на передовій платформі прискорених обчислень Nvidia. Використовуючи повнофункціональну прискорену платформу штучного інтелекту Nvidia, ми можемо обробляти ці дані з безпрецедентною швидкістю.

Оскільки ми навчатимемо модель на більшій кількості даних та більшій кількості видів даних, вона зможе надавати більше аналітичних даних та прогнозувати майбутні транзакції з більшою точністю.

Одна з перших сфер, на якій ми зосереджуємося, — це кібербезпека. Наша компанія вже створила багато найкращих кіберінструментів у галузі, щоб зробити комерцію безпечнішою. Ми вважаємо, що додавання можливостей цієї нової базової моделі до наших поточних інструментів зробить їх ще сильнішими.

Щоб створити наші існуючі моделі штучного інтелекту в кібербезпеці, наші фахівці з обробки даних починають із необроблених даних про транзакції. Потім вони збагачують ці дані додатковими функціями, щоб вказати, що ці моделі повинні аналізувати та позначати. Наприклад, спеціаліст з обробки даних може додати функцію, яка допоможе нашим моделям штучного інтелекту виявляти раптове зростання чиєїсь купівельної активності, що дозволить моделі виявляти та зупиняти шахрайство.

Для порівняння, наша нова базова модель аналізує ті самі дані з дуже обмеженим людським втручанням як відправною точкою, більш незалежно вивчаючи важливі характеристики даних. Таким чином, LTM може виявляти нові зв'язки в даних, які людина може не знайти самостійно.

Під час нашого тестування ми вже бачили, що ця нова модель перевершує стандартні галузеві методи машинного навчання, що дає нам багатообіцяючі ранні ознаки. Наприклад, дуже дорогі, але дуже рідкісні покупки, як-от обручка, як правило, активують поточні моделі та призводять до багатьох хибнопозитивних результатів. У наших експериментах наша базова модель може краще ідентифікувати ці легітимні транзакції, при цьому модель здатна навчатися на відносно слабких сигналах у даних.

Ми плануємо створити гібридні системи кібербезпеки, які поєднуватимуть найкраще з наших поточних моделей штучного інтелекту та цієї нової LTM. Це має допомогти нам розвинути та забезпечити майбутнє нашої кіберзахисту.

Цей приклад кібербезпеки є лише одним із потенційних результатів цього дослідження. Ми вважаємо, що нову базову модель також можна використовувати для вдосконалення програм лояльності та винагород, моделей персоналізації, оптимізації портфеля та інструментів аналізу даних.

Крім того, для роботи нашої мережі нам зараз потрібно створювати, навчати та підтримувати тисячі моделей штучного інтелекту, кожна для різних ринків, варіантів використання або клієнтів. Ця нова LTM може become достатньо гнучкою, щоб допомогти нам значно скоротити необхідність підтримки такої великої кількості різних моделей.

Ми активізуємо нашу роботу з розширення можливостей нашого LTM. Ми прагнемо додати алгоритмічної складності архітектурі моделі, щоб вона могла отримувати більше інформації з необроблених даних. Крім того, ми розробляємо API та інструменти, щоб надати командам Mastercard доступ до цієї нової базової моделі, щоб вони могли створювати нові додатки на її основі.

Ми також продовжимо тісну співпрацю з Nvidia та Databricks для просування всієї цієї розробницької роботи.

Як завжди, ми продовжуватимемо будувати цю нову модель, дотримуючись наших принципів відповідальності за дані, зосереджуючись на конфіденційності користувачів, надійному управлінні та контролі, а також прозорості.

З кожним кроком уперед, як і зі стрімким розвитком чат-ботів сьогодні, ми починаємо бачити потенціал, який ця базова модель може мати для нашої галузі — привносячи більше інтелекту, безпеки та швидкості в платежі та комерцію.