Mastercard stawia na LTM: algorytmy przeanalizują miliardy transakcji zamiast słów

Architektura danych zamiast semantyki

W świecie zdominowanym przez duże modele językowe (LLM) Mastercard wykonuje krok w stronę bardziej sformalizowanej struktury. Spółka ogłosiła rozwój autorskiego modelu typu Large Tabular Model (LTM), który zamiast na tekstach czy obrazach, trenuje się na gigantycznym zbiorze miliardów operacji kartowych. To strategiczne przesunięcie akcentu z generatywnej sztucznej inteligencji na głębokie uczenie maszynowe oparte na danych tabelarycznych.

System, zbudowany przy współpracy z Nvidią i Databricks, operuje na wielowymiarowych relacjach między polami, takimi jak lokalizacja sprzedawcy, przepływy autoryzacyjne czy historia incydentów oszustw. W przeciwieństwie do modeli GPT, które przewidują kolejny token w tekście, LTM Mastercarda szuka anomalii w logice transakcyjnej, potrafiąc wyłapać subtelne powiązania, których nie sposób opisać sztywnymi regułami programistycznymi.

Prywatność przez anonimizację behawioralną

Jednym z kluczowych wyzwań przy budowie modeli SI w sektorze finansowym jest ochrona danych wrażliwych. Mastercard podszedł do tego problemu radykalnie: proces uczenia odbywa się na danych pozbawionych indywidualnych identyfikatorów. Zamiast śledzić konkretną osobę, model analizuje czyste wzorce behawioralne. Choć krytycy mogliby podnieść argument, że usunięcie danych osobowych osłabia zdolności predykcyjne, firma przekonuje, że skala danych – docelowo liczona w setkach miliardów rekordów – z nawiązką rekompensuje brak szczegółowych profili użytkowników.

Skuteczność w trudnych przypadkach

Nowe podejście ma rozwiązać problem tak zwanych fałszywych alarmów (false positives). Tradycyjne systemy bezpieczeństwa często blokują nietypowe, lecz legalne transakcje opiewające na wysokie kwoty, tylko dlatego, że zdarzają się rzadko. Pierwsze testy LTM wykazują, że model ten znacznie lepiej radzi sobie z odróżnianiem realnego zagrożenia od sporadycznych zakupów premium, co bezpośrednio przekłada się na komfort posiadaczy kart.

Mastercard nie planuje jednak natychmiastowej wymiany starych systemów na jeden wszechpotężny algorytm. Firma wdraża systemy hybrydowe, łącząc sprawdzone procedury z nową technologią. To ostrożne podejście wynika z rygorów regulacyjnych oraz świadomości, że błąd w modelu o tak dużej skali mógłby mieć konsekwencje dla całego ekosystemu płatniczego.

Fundament pod bankowość przyszłości

Ambicje giganta wykraczają poza samo zwalczanie cyberprzestępczości. LTM docelowo ma stać się uniwersalnym silnikiem analitycznym wykorzystywanym w zarządzaniu portfelami, programach lojalnościowych i wewnętrznej analityce biznesowej. Zamiast utrzymywać dziesiątki wyspecjalizowanych mikromodeli, Mastercard dąży do stworzenia jednego fundamentu (foundation model), który można dowolnie dostrajać do różnych zadań, co znacząco obniży koszty operacyjne.

Należy jednak pamiętać, że na obecnym etapie większość optymistycznych raportów pochodzi bezpośrednio od dostawcy technologii. Sukces LTM będzie zależał nie tylko od mocy obliczeniowej dostarczanej przez Nvidię, ale przede wszystkim od odporności modelu na ataki adwersarialne i akceptacji ze strony organów nadzorczych, które coraz wnikliwiej przyglądają się „czarnym skrzynkom” algorytmów decyzyjnych w bankowości.