Mastercard stawia na LTM. Jak Large Tabular Models zmieniają walkę z oszustwami
W sektorze technologii finansowych uwaga opinii publicznej skupia się zazwyczaj na generatywnej sztucznej inteligencji i modelach językowych. Tymczasem Mastercard wykonuje ruch w zupełnie innym kierunku, prezentując fundamenty technologii Large Tabular Model (LTM). To rozwiązanie, które zamiast przetwarzać nieustrukturyzowane dane tekstowe, operuje na gigantycznych zbiorach danych tabelarycznych. Fundamentem systemu jest analiza miliardów operacji kartowych, co pozwala na identyfikację subtelnych wzorców behawioralnych, często niewidocznych dla klasycznych systemów eksperckich.
Architektura relacji zamiast przewidywania słów
Kluczowa różnica między popularnym LLM a wdrożonym przez Mastercard modelem LTM leży w strukturze wejściowej. Modele językowe szkolą się na sekwencjach tokenów, próbując przewidzieć kolejny element zdania. LTM natomiast analizuje wielowymiarowe tabele danych, badając korelacje między polami, takimi jak lokalizacja sprzedawcy, przepływy autoryzacyjne czy historia incydentów oszukańczych. To podejście zbliża technologię bardziej do czystego uczenia maszynowego niż do klasycznej sztucznej inteligencji w rozumieniu asystentów cyfrowych.
Dzięki współpracy z Nvidia i Databricks, Mastercard stworzył infrastrukturę zdolną do uczenia się bezpośrednio z surowych danych. Pozwala to modelowi na samodzielne definiowanie, które relacje są przewidywalne, a które stanowią anomalię. W efekcie system potrafi wykrywać niestandardowe zachowania bez konieczności wcześniejszego definiowania sztywnych reguł przez człowieka, co od lat było wąskim gardłem systemów cyberbezpieczeństwa.
Prywatność przez design i eliminacja szumu
Jednym z najciekawszych aspektów projektu jest podejście do danych osobowych. Mastercard twierdzi, że jeszcze przed rozpoczęciem procesów szkoleniowych wszystkie identyfikatory osobiste są usuwane. Zamiast śledzić konkretnego klienta, model skupia się wyłącznie na wzorcach zachowań. Jest to pragmatyczna odpowiedź na rosnące wymogi regulacyjne dotyczące ochrony prywatności. Choć sceptycy mogliby argumentować, że anonimizacja osłabia sygnały istotne dla oceny ryzyka, firma utrzymuje, że skala danych – docelowo liczona w setkach miliardów transakcji – z nawiązką kompensuje brak informacji o konkretnych użytkownikach.
Wdrożenie w cieniu tradycji
Cyberbezpieczeństwo jest pierwszym poligonem doświadczalnym dla nowej technologii. Wczesne testy wskazują, że LTM radzi sobie znacznie lepiej w specyficznych scenariuszach, takich jak zakupy o wysokiej wartości przy niskiej częstotliwości występowania, które tradycyjne modele często błędnie oznaczają jako podejrzane. Mastercard nie zamierza jednak od razu zastępować starych systemów nowym rozwiązaniem. Firma promuje model hybrydowy, w którym LTM działa równolegle z istniejącymi procedurami.
Taka ostrożność jest uzasadniona. Skoncentrowanie wielu funkcji w jednym modelu bazowym niesie ze sobą ryzyko systemowe – ewentualny błąd algorytmu mógłby odbić się szerokim echem w całej infrastrukturze płatniczej. Z tego powodu LTM jest prezentowany jako „silnik analityczny”, który w przyszłości ma zostać udostępniony wewnętrznym zespołom poprzez API i zestawy SDK, umożliwiając optymalizację nie tylko bezpieczeństwa, ale także programów lojalnościowych czy zarządzania portfelem transakcyjnym.
Wyzwania i przyszłość modeli tabelarycznych
Choć zapowiedzi brzmią obiecująco, należy pamiętać, że obecnie opieramy się głównie na raportach dostawcy. Prawdziwym testem dla LTM będzie odporność na ataki typu adversarial oraz koszty utrzymania modelu w długim terminie. Ponadto, każda technologia wpływająca na decyzje kredytowe lub blokowanie środków musi zmierzyć się z surową kontrolą regulacyjną w zakresie wyjaśnialności algorytmów (explainability). Jeśli jednak model tabelaryczny Mastercard potwierdzi swoją skuteczność, może to oznaczać nową erę w bankowości, gdzie skomplikowana sieć dedykowanych mikromodeli zostanie zastąpiona przez wydajniejsze, wielozadaniowe fundamenty AI.
