NVIDIA توضح كيفية بناء نموذج أساس للمعاملات لتحليل مالي

نشرت NVIDIA مادة على مدونة NVIDIA Developer Blog في يونيو 2026 حول كيف يمكن لشركات القطاع المالي بناء transaction foundation model خاصة بهم — نموذج مدرب على تدفقات معاملات بنكية لاكتشاف الاحتيال وتحليل سلوك العملاء.

ما هو transaction foundation model

وفقاً لمنطق NVIDIA، كل دفعة وتحويل وخصم في شبكة مالية حديثة يشفر نمط سلوك إنساني — أحد أغنى الإشارات من حيث النسيج المتاح للعمل. فكرة transaction foundation model قريبة من فكرة نماذج اللغة الكبيرة: بدلاً من النص، يتم تدريب النموذج على سلاسل المعاملات، ويتعلم التنبؤ بالخطوة التالية في السلسلة، وفي عملية التعلم يلتقط الأنماط المخفية — النموذجية وغير النموذجية لنفقات عميل معين.

• تم نشر المادة على مدونة NVIDIA Developer Blog في يونيو 2026
• الموضوع هو بناء foundation-model مباشرة على بيانات البنك أو نظام الدفع المعاملاتية
• الهدف المعلن هو اكتشاف أكثر دقة للاحتيال المالي وفهم سلوك العملاء
• المادة موجهة لمهندسي البيانات وفرق ML في الشركات المالية

لماذا تحتاج البنوك إلى نموذج آخر

تم بناء أنظمة المراقبة الكلاسيكية للاحتيال في البنوك لسنوات على قواعد يدوية ومصنفات ضيقة مدربة على نوع معين من الاحتيال. يقدم نهج foundation-models، الذي تم اختباره أولاً على النصوص والصور، ثم على البيانات الجينومية ومتعددة الأنماط، منطقاً مختلفاً: نموذج واحد كبير، مدرب مسبقاً على مجموعة ضخمة من المعاملات غير المسماة، ثم ضبطها لمهام محددة — التصحيح، كشف غسل الأموال، تخصيص الخدمات. بالنسبة للبنوك، هذه فرصة لتقليل عدد النماذج المتخصصة المنفصلة التي تضطر إلى الحفاظ عليها بالتوازي.

كيف يتعلق هذا بنماذج اللغة الكبيرة المألوفة بالفعل

لقد أثبت منطق foundation-models قيمته بالفعل في النصوص والصور والأكواد: نموذج مدرب على حجم ضخم من البيانات بدون وضع العلامات اليدويين، ثم ضبطه لعشرات المهام الضيقة بدلاً من حل كل واحدة بنموذج منفصل من الصفر. ظلت البيانات المالية جانباً من هذا النهج لفترة طويلة — جزئياً لأن هناك متطلبات صارمة للسرية، وجزئياً لأن سلاسل المعاملات لا تناسب جيداً صيغ التدريب المألوفة لنماذج النصوص. تصف مادة NVIDIA بالضبط كيفية التغلب على هذا القيد: يتم تحويل المعاملة إلى نوع من "الرموز"، وتاريخ عمليات العميل يصبح سلسلة يتعلم النموذج تحليلها تقريباً بنفس الطريقة التي يحلل بها نموذج اللغة سلسلة من الكلمات.

سؤال عملي منفصل للبنوك هو مكان تدريب وتشغيل نموذج كهذا فيزيائياً. نظراً لأن بيانات المعاملات من بين أكثر الفئات حساسة من المعلومات التي يهتم بها أي منظم، تركز مادة NVIDIA على سيناريو يتم فيه تدريب النموذج وتشغيله ضمن البنية التحتية الخاصة بالبنك بدلاً من نقله إلى خدمة سحابية خارجية.

ماذا يعني هذا

Foundation-models، التي كانت مرتبطة في السابق بشكل أساسي بالنصوص والصور، تصل إلى البيانات المعاملاتية — واحدة من أكثر فئات المعلومات إغلاقاً وحساسية في الأعمال. إذا تم اعتماد نهج NVIDIA، فلن تضطر البنوك إلى تدريب نموذج منفصل من الصفر لكل مهمة جديدة — كشف الاحتيال والتصحيح والتخصيص — وسيكون إغلاق البيانات ليس مشكلة، لأن النموذج يمكن تدريبه ونشره ضمن البنية التحتية الخاصة بالبنك.