Познакомьтесь с новой генеративной моделью искусственного интеллекта Mastercard

Генеративный ИИ полностью изменил мир чат-ботов. Разговаривать с роботом — это не научная фантастика, это просто то, что мы делаем.

Мы считаем, что эта же технология генеративного искусственного интеллекта изменит не только чат — она преобразит коммерцию. Это сделает платежи быстрее, розничный опыт — персонализированным, а инструменты кибербезопасности — более точными.

Чтобы воплотить это видение, наши команды исследуют и создают новую базовую модель — крупномасштабную модель ИИ, которая может служить основой для широкого спектра приложений. Мы обучаем нашу базовую модель на уникальных массивах данных Mastercard, начиная с миллиардов транзакций.

Для защиты конфиденциальности пользователей мы удаляем все персональные данные из этих транзакций. После достаточного анализа этих анонимных транзакций эта модель может начать предсказывать будущие транзакции.

Такая модель предсказания во многом похожа на то, как работают современные чат-боты: чат-бот предсказывает, какое слово должно быть в предложении. Мы планируем использовать эту новую модель фундамента — не для создания чат-бота — а как аналитический движок, который сделает многие наши инструменты и сервисы ещё лучше — от киберзащиты до программ лояльности и инструментов малого бизнеса.

И мы выполняем эту работу, используя возможности Nvidia и Databricks — двух крупнейших имён в области искусственного интеллекта сегодня. Мы уже видим сильные результаты и рады представить нашу работу на конференции Nvidia GTC 2026.

Самые популярные сегодня чат-боты, такие как Claude и ChatGPT, построены с использованием крупных языковых моделей (LLM), которые обучаются на огромных объёмах неструктурированных данных, таких как текст, видео и фотографии. Наша новая базовая модель — это другой тип нейронной сети глубокого обучения, называемой большой табличной моделью или LTM, которая обучается на структурированных данных, таких как крупномасштабные таблицы или наборы данных.

Мы обучаем последнюю версию нашего LTM на миллиардах анонимных транзакций. Наш план — расширить эту работу, включив сотни миллиардов платежных транзакций, а также дополнительные типы наборов данных, включая данные о местоположении продавцов, данные о мошенничестве, данные авторизации, данные о возврате платежей и данные программ лояльности. Эта работа реализована на базе передовой ускоренной вычислительной платформы Nvidia. Используя ускоренную платформу Nvidia fullstack, мы можем обрабатывать эти данные с беспрецедентной скоростью.

По мере обучения модели на большем количестве данных и различных видах данных она сможет предоставлять больше инсайтов и прогнозировать будущие транзакции с большей точностью.

Одна из первых областей, на которой мы сосредоточимся, — это кибербезопасность. Наша компания уже создала многие из лучших киберинструментов в отрасли, чтобы сделать коммерцию более безопасной. Мы считаем, что добавление возможностей этой новой модели фундамента в наши текущие инструменты сделает их ещё сильнее.

Для создания существующих моделей ИИ в области кибербезопасности наши специалисты по данным начинают с необработанных данных о транзакциях. Затем они обогащают эти данные дополнительными функциями, указывающими, что модели должны анализировать и отмечать. Например, дата-сайентист может добавить функцию, которая помогает нашим моделям ИИ выявлять внезапный всплеск покупательной активности, что позволяет модели выявлять и останавливать мошенничество.

Для сравнения, наша новая базовая модель анализирует одни и те же данные с очень ограниченным участием человека в качестве отправной точки, усваивая более независимо важные характеристики данных. Таким образом, LTM мог выявлять новые связи в данных, которые человек не мог бы найти самостоятельно.

В наших тестах мы уже увидели, что эта новая модель превосходит стандартные отраслевые методы машинного обучения, что даёт нам обнадёживающие ранние признаки. Например, очень дорогие, но редкие покупки — например, когда кто-то покупает обручальное кольцо — обычно вызывают актуальные модели и вызывают множество ложных срабатываний. В наших экспериментах наша базовая модель может лучше идентифицировать эти легитимные транзакции, при этом модель способна учиться на относительно слабых сигналах в данных.

Мы планируем создать гибридные системы кибербезопасности, которые объединят лучшее из наших текущих моделей ИИ и нового LTM. Это должно помочь нам укрепить и сделать нашу киберзащиту на будущее.

Этот пример кибербезопасности — лишь один из возможных результатов этого исследования. Мы считаем, что новая модель фундамента также может использоваться для улучшения программ лояльности и вознаграждений, моделей персонализации, оптимизации портфеля и инструментов аналитики данных.

Кроме того, для управления нашей сетью нам сейчас необходимо создать, обучить и поддерживать тысячи моделей ИИ, каждая из которых подходит для разных рынков, сценариев использования или клиентов. Этот новый LTM может Become достаточно гибким, чтобы помочь нам значительно сократить необходимость поддерживать так много различных моделей.

Мы наращиваем нашу работу по расширению возможностей нашего LTM. Мы стремимся добавить алгоритмическую сложность в архитектуру модели, чтобы она могла получать больше информации из исходных данных. Кроме того, мы разрабатываем API и наборы инструментов, чтобы предоставить командам Mastercard доступ к этой новой базовой модели, чтобы они могли создавать новые приложения на ее основе.

Мы также продолжим тесное сотрудничество с Nvidia и Databricks, чтобы продвинуть всю эту разработку.

Как всегда, мы продолжим развивать эту новую модель, следуя нашим принципам ответственности за данные, сосредотачиваясь на конфиденциальности пользователей, надёжном управлении, контроле и прозрачности.

С каждым шагом вперёд, как и стремительное развитие чат-ботов сегодня, мы начинаем видеть потенциал, который эта базовая модель может дать нашей отрасли — привнося больше интеллекта, безопасности и скорости в платежи и коммерцию.