أنشأت Mastercard نموذجًا تأسيسيًا جدوليًا لمكافحة الاحتيال في المدفوعات

قدمت ماستركارد نوعاً جديداً من نموذج الأساس لبنية المدفوعات — نموذج جدولي كبير تم تدريبه ليس على النصوص، بل على مصفوفات من البيانات المعاملاتية. تأمل الشركة استخدامه للكشف عن الاحتيال بدقة أكبر والتحقق من أصالة العمليات في المدفوعات الرقمية.

كيفية عمل نموذج البيانات الجدولية الكبير

على عكس نماذج اللغة الكبيرة، التي تعمل مع البيانات غير المنظمة وتتنبأ بالرمز التالي، فإن نماذج البيانات الجدولية الكبيرة يتم تدريبها على جداول تحتوي على عدد كبير من الميزات. تتضمن مجموعة بيانات ماستركارد مليارات المعاملات البطاقية، وتخطط الشركة لتوسيع الحجم إلى مئات المليارات من السجلات في المستقبل. استخدم التدريب ليس فقط المدفوعات نفسها، بل أيضاً الحقول ذات الصلة: جغرافيا التاجر، سلاسل المصادقة، حالات الاحتيال المؤكدة، رد المبالغ المدفوعة وأنشطة برامج الولاء. تتمثل مهمة النموذج في إيجاد العلاقات السلوكية بين الميزات وملاحظة الشذوذ الذي لا تغطيه القواعس المكتوبة مسبقاً.

تؤكد ماستركارد بشكل خاص على أن معرّفات شخصية تم حذفها من البيانات قبل التدريب. وفقاً لتصميم الشركة، يجب أن يحلل النموذج ليس هوية حامل البطاقة، بل طبيعة السلوك داخل تدفق المعاملات. يقلل هذا من بعض مخاطر الخصوصية التي تصاحب عادة أنظمة الذكاء الاصطناعي في المالية، على الرغم من أنه يزيل بعض الإشارات التي قد تكون مفيدة بشكل محتمل لتقييم المخاطر. تعتقد الشركة أن فقدان الدقة يمكن تعويضه بحجم العينة وثراء السياق.

وفّرت Nvidia و Databricks المنصة التقنية للمشروع.

حيث سيتم نشر النموذج

أصبحت منطقة النشر الأولى الأمان السيبراني ومكافحة الاحتيال. تمتلك ماستركارد بالفعل عدة أنظمة تتبع المعاملات المريبة، لكن الكثير منها يعتمد على الضبط اليدوي: يحدد المحللون أنماطاً مثل الزيادة الحادة في تكرار الشراء أو المعاملات من دول مختلفة في فترة زمنية قصيرة. يجب أن يكمل نموذج البيانات الجدولية الكبير هذه الآليات ويرى بشكل أفضل مجموعات معقدة من الميزات دون مجموعة صارمة من القواعد.

وفقاً للشركة، التأثير ملحوظ بشكل خاص في عمليات الشراء النادرة والمكلفة، والتي غالباً ما تضع النماذج التقليدية علامات عليها كمريبة حتى عندما تكون المعاملة مشروعة.

لكن الشركة ترى سيناريوهات أخرى للنموذج داخل بنية المدفوعات:

• تحليل النشاط في برامج الولاء
• التحليلات الداخلية للمحافظ والمعاملات
• الدعم لحلول في أنظمة الأمن السيبراني
• إنشاء تطبيقات داخلية جديدة عبر API و SDK

لا تخطط الشركة لاستبدال الأدوات الموجودة على الفور بنموذج واحد. بدلاً من ذلك، الخطة الحالية هي بناء أنظمة هجينة حيث يعمل نموذج البيانات الجدولية الكبير جنباً إلى جنب مع الإجراءات والكاشفات المثبتة بالفعل. هذا النهج الحذر مفهوم: في صناعة المدفوعات، الأخطاء مكلفة والمتطلبات التنظيمية عالية. ومع ذلك، قد يقلل نموذج أساس موحد يمكن ضبطه لسيناريوهات مختلفة من تكاليف تدريب عشرات النماذج المنفصلة والتحقق منها والمراقبة والصيانة.

المخاطر والقيود

للنهج نقاط ضعيفة. إذا أصبح نموذج متعدد الوظائف منتشراً على نطاق واسع وبدأ في ارتكاب أخطاء منهجية، فقد تؤثر العواقب على عدة منتجات أو عمليات في نفس الوقت. لذلك، ماستركارد لم تضع بعد نموذج البيانات الجدولية الكبير في دور حكم وحيد للمعاملات المتنازع عليها.

سؤال إضافي هو إمكانية شرح القرارات: في مكافحة الاحتيال وعمليات الائتمان، لا يكفي للشركة أن تتلقى ببساطة إشارة خطر؛ تحتاج أيضاً إلى إظهار السبب الذي جعل النظام يعمل بهذه الطريقة. بدون الشفافية والقابلية للتدقيق، يصعب الدفاع عن هذه النماذج أمام المنظمين والامتثال الداخلي.

توجد أيضاً أسئلة عملية أكثر لم يتلق السوق إجابات مستقلة عليها حتى الآن. المطالبات حول الفعالية تأتي من ماستركارد نفسها، لذا لا يمكن اعتبارها إثباتاً نهائياً لمزايا نموذج البيانات الجدولية الكبير على مناهج التعلم الآلي التقليدية. يبقى غير واضح كيف سيتصرف النموذج تحت الهجوم، وكم سيكلف تشغيله على المدى الطويل بعد التدريب، وإلى أي مدى سيكون المنظمون مستعدين لقبول هذه الفئة من الأنظمة في البنية التحتية المالية الحرجة. هذه العوامل، وليس فقط جودة الاختبار، ستحدد وتيرة الاعتماد.

ما يعنيه هذا

تُظهر ماستركارد أن الموجة التالية من الذكاء الاصطناعي في المالية قد لا تُبنى حول روبوتات الدردشة، بل حول نماذج أساس لبيانات جدولية. إذا قلل نموذج البيانات الجدولية الكبير حقاً الإنذارات الكاذبة وسهّل العمل مع سيناريوهات مكافحة الاحتيال المتعددة، فإن البنوك وموفري الدفع سيبدآن الاستثمار بنشاط أكبر في مثل هذه الأنظمة بدلاً من مجموعة نماذج ضيقة لكل مهمة.