Mastercard تطوّر نموذجًا تأسيسيًا للبيانات الجدولية لمكافحة الاحتيال في المدفوعات

قدّمت Mastercard نوعًا جديدًا من النماذج التأسيسية (foundation models) للبنية التحتية للمدفوعات، هو النموذج الجدولي الضخم (large tabular model - LTM)، وقد دُرّب على مجموعات ضخمة من بيانات المعاملات لا على النصوص. وتراهن الشركة على أن يساعدها هذا النموذج في رصد الاحتيال بدقة أكبر والتحقق من صحة العمليات في المدفوعات الرقمية.

كيف يعمل LTM

على عكس نماذج اللغة الكبيرة (LLM) التي تعمل على بيانات غير منظمة وتتنبأ بالرمز (token) التالي، يتدرب LTM على جداول تضم عددًا كبيرًا من السمات. وتشمل مجموعة بيانات Mastercard مليارات العمليات بالبطاقات، وتخطط الشركة مستقبلًا لرفع الحجم إلى مئات المليارات من السجلات.

ولم يقتصر التدريب على المدفوعات نفسها، بل شمل أيضًا حقولًا مرتبطة بها: الموقع الجغرافي للتاجر، وسلاسل التفويض، وحالات الاحتيال المؤكدة، والمبالغ المستردة (chargebacks)، والنشاط في برامج الولاء. ومهمة النموذج أن يكتشف الروابط السلوكية بين السمات، وأن يلتقط الحالات الشاذة التي لا تغطيها القواعد المكتوبة مسبقًا.

وتؤكد Mastercard بشكل خاص أن المعرّفات الشخصية أُزيلت من البيانات قبل التدريب. وبحسب تصور الشركة، ينبغي أن يحلل النموذج طبيعة السلوك داخل تدفق العمليات، لا هوية حامل البطاقة. ويخفف ذلك جزءًا من مخاطر الخصوصية التي ترافق عادةً أنظمة الذكاء الاصطناعي في القطاع المالي، وإن كان يحذف في المقابل بعض الإشارات التي قد تفيد في تقييم المخاطر. وترى الشركة أن فقدان الدقة يمكن تعويضه بضخامة العينة وغنى السياق.

ووفّرت Nvidia وDatabricks المنصة التقنية للمشروع.

أين سيُطبَّق النموذج

كان أول مجال للنشر هو الأمن السيبراني ومكافحة الاحتيال. لدى Mastercard بالفعل عدة أنظمة تراقب العمليات المشبوهة، لكن كثيرًا منها يعتمد على ضبط يدوي: إذ يحدد المحللون أنماطًا مثل الارتفاع الحاد في وتيرة الشراء أو تنفيذ معاملات من دول مختلفة خلال وقت قصير. ويُفترض أن يكمّل LTM هذه الآليات، وأن يرصد التركيبات المعقدة من السمات دون الحاجة إلى مجموعة قواعد صارمة.

وبحسب الشركة، يظهر الأثر بوضوح خاص في المشتريات النادرة والمرتفعة القيمة، التي تصنفها النماذج التقليدية كثيرًا على أنها مشبوهة حتى لو كانت العملية مشروعة. لكن الشركة ترى للنموذج سيناريوهات أخرى داخل البنية التحتية للمدفوعات:

• تحليل النشاط في برامج الولاء
• التحليلات الداخلية للمحافظ والعمليات
• دعم القرارات في أنظمة الأمن السيبراني
• إنشاء تطبيقات داخلية جديدة عبر API وSDK

ولا تنوي الشركة استبدال الأدوات القائمة بنموذج واحد دفعة واحدة. بل تقوم الخطة الحالية على بناء أنظمة هجينة يعمل فيها LTM جنبًا إلى جنب مع الإجراءات وأجهزة الكشف المجرّبة. وهذا الحذر مفهوم: فالأخطاء في صناعة المدفوعات مكلفة، ومتطلبات الجهات التنظيمية مرتفعة. في المقابل، فإن نموذجًا تأسيسيًا واحدًا يمكن ضبطه لسيناريوهات مختلفة قد يقلل تكاليف تدريب عشرات النماذج المنفصلة والتحقق منها ومراقبتها وصيانتها.

المخاطر والقيود

للنهج نقاط ضعف أيضًا. فإذا انتشر نموذج متعدد الوظائف على نطاق واسع ثم بدأ يخطئ بشكل منهجي، فقد تمتد العواقب إلى عدة منتجات أو عمليات في آن واحد. ولذلك لا تجعل Mastercard LTM حتى الآن الحكم الوحيد في العمليات المتنازع عليها.

ومن المسائل الإضافية قابلية تفسير القرارات: ففي مكافحة الاحتيال والعمليات الائتمانية لا يكفي أن تحصل الجهة على إشارة مخاطرة، بل عليها أن تبيّن لماذا تصرّف النظام على هذا النحو تحديدًا. ومن دون الشفافية وقابلية التدقيق، يصعب الدفاع عن هذه النماذج أمام الجهات التنظيمية ووحدات الامتثال الداخلية.

وهناك أسئلة عملية أخرى لم تحصل السوق بعد على إجابات مستقلة عنها. فالتصريحات حول الفاعلية صادرة عن Mastercard نفسها، ولذلك لا يمكن اعتبارها دليلًا نهائيًا على تفوق LTM على أساليب تعلم الآلة (ML) المعتادة. ولا يزال غير واضح تمامًا كيف سيتصرف النموذج تحت الهجوم، وكم ستبلغ تكلفة تشغيله الطويل بعد التدريب، ومدى استعداد الجهات التنظيمية لقبول هذه الفئة من الأنظمة في بنية مالية حرجة. وهذه العوامل، لا جودة الأداء في الاختبارات وحدها، هي التي ستحدد وتيرة التبني.

ماذا يعني ذلك

تُظهر Mastercard أن الموجة المقبلة من الذكاء الاصطناعي في القطاع المالي قد لا تُبنى حول روبوتات الدردشة، بل حول نماذج تأسيسية للبيانات الجدولية. وإذا نجح LTM فعلًا في خفض الإنذارات الكاذبة وتبسيط العمل مع عدة سيناريوهات لمكافحة الاحتيال، فسيبدأ البنوك ومزودو خدمات الدفع في الاستثمار بجدية أكبر في هذه الأنظمة، بدلًا من مجموعة نماذج ضيقة لكل مهمة على حدة.