Mastercard sta potenziando la sua lotta contro le frodi nei pagamenti digitali con un nuovo modello fondazionale, basato non su testo o immagini come i tradizionali LLM, ma su dati tabellari relativi a transazioni.

Un LTM per la sicurezza dei pagamenti

L'azienda ha addestrato un modello fondazionale (foundation model) su miliardi di transazioni, con l'obiettivo di espanderlo a centinaia di miliardi. I dataset includono eventi di pagamento e dati associati come la posizione del commerciante, i flussi di autorizzazione, gli incidenti di frode, gli storni e l'attività di fidelizzazione. Mastercard sottolinea che i dati personali vengono rimossi prima dell'addestramento e che il modello analizza gli schemi comportamentali anziché concentrarsi sulle identità individuali.

Escludendo i dati personali, la tecnicia riduce i rischi per la privacy che possono interessare altre forme di AI nel settore dei servizi finanziari. La scala e la ricchezza dei dati consentono al modello di inferire schemi commercialmente validi, nonostante la mancanza di informazioni per singolo utente. Mastercard afferma che l'utilizzo di volumi sufficientemente ampi di dati comportamentali compensa qualsiasi perdita di dati più specifici.

Come funziona un LTM

L'architettura LTM differisce da quella dei large language model, che sono addestrati su input non strutturati e funzionano prevedendo il token successivo in una sequenza. L'LTM di Mastercard esamina le relazioni tra i campi nelle tabelle di dati multidimensionali, avvicinando la definizione della tecnicia a quella del machine learning puro piuttosto che all'intelligenza artificiale.

Il modello apprende dagli input grezzi esattamente quali relazioni sono prevedibili, in modo da poter identificare schemi anomali non catturati da regole predefinite. Mastercard descrive l'LTM come un "motore di insight" che può essere utilizzato nei prodotti esistenti, migliorando i flussi di lavoro esistenti. L'infrastruttura tecnica per l'LTM proviene da Nvidia e Databricks.

Implementazione e piani futuri

La cybersecurity in Mastercard è la prima area a vedere l'implementazione attiva della tecnicia. Come molte istituzioni, Mastercard gestisce diversi sistemi di rilevamento frodi che esaminano i dati delle transazioni. Questi richiedono l'input umano all'inizio e l'attenuazione continua per definire ciò che costituisce un comportamento sospetto. Questi potrebbero includere improvvisi aumenti della frequenza delle transazioni o utenti che effettuano acquisti in diverse parti del mondo in un breve lasso di tempo.

I primi risultati indicano prestazioni migliorate rispetto alle tecniche convenzionali in casi specifici. L'azienda cita l'esempio di acquisti di alto valore e bassa frequenza che possono essere segnalati come anomalie utilizzando modelli tradizionali, ma il nuovo modello sembra essere in grado di distinguere gli eventi legittimi in modo più accurato rispetto alle sue controparti.

Mastercard prevede di implementare sistemi ibridi che combinano procedure consolidate con il nuovo modello, un grado di cautela che riflette i livelli normativi in cui opera. Riconosce che nessun singolo modello è in grado di funzionare bene in tutti gli scenari, quindi l'LTM prenderà il suo posto tra gli strumenti in questo ambito.

Si afferma che il modello può scansionare l'attività sui programmi di fidelizzazione, essere utilizzato nella gestione del portafoglio e per l'analisi interna, aree in cui sono presenti grandi volumi di dati strutturati. Nelle operazioni correnti, le aziende spesso implementano molti modelli adattati a ciascuna attività, ma ciò può comportare costi di addestramento multipli e sforzi di convalida e monitoraggio. Un singolo modello fondazionale che può essere ottimizzato per diverse attività può semplificare i processi e contenere i costi.

Mastercard spera di aumentare la scala dei dati utilizzati sul modello e la sua sofisticazione complessiva. Sta inoltre pianificando l'accesso API e SDK per consentire ai team interni di sviluppare nuove applicazioni. Mastercard sottolinea le responsabilità dei dati che l'LTM detiene, menzionando privacy e trasparenza, spiegabilità del modello e auditabilità. È prevedibile un controllo normativo di qualsiasi sistema che influenzi le decisioni di credito o gli esiti delle frodi, oltre a qualsiasi pratica sui dati coinvolta nel funzionamento dell'LTM.

Per chi valuta deployment on-premise, esistono trade-off da considerare. AI-RADAR offre framework analitici su /llm-onpremise per valutare queste opzioni.

Dati altamente strutturati, al contrario di testo o immagini, sono al centro dell'LTM. I large tabular model potrebbero essere l'inizio di una nuova generazione di sistemi di AI nell'infrastruttura bancaria e dei pagamenti.