أنشأت Mastercard نموذجًا تأسيسيًا جدوليًا لمكافحة الاحتيال في المدفوعات

Mastercard представила новый тип foundation-модели для платежной инфраструктуры — large tabular model, обученную не на тексте, а на массивах транзакционных данных. Компания рассчитывает с её помощью точнее выявлять мошенничество и проверять подлинность операций в цифровых платежах.

Как устроена LTM В отличие от LLM, которые работают с

неструктурированными данными и предсказывают следующий токен, LTM обучается на таблицах с большим количеством признаков. В датасет Mastercard вошли миллиарды карточных операций, а в перспективе объём хотят нарастить до сотен миллиардов записей. В обучении использовали не только сами платежи, но и связанные поля: географию продавца, цепочки авторизации, подтверждённые случаи фрода, чарджбэки и активность в программах лояльности.

Задача модели — находить поведенческие связи между признаками и замечать аномалии, которые не покрывают заранее прописанные правила. Mastercard отдельно подчёркивает, что перед обучением из данных убрали персональные идентификаторы. По задумке компании, модель должна анализировать не личность держателя карты, а характер поведения внутри потока операций.

Это снижает часть рисков для приватности, которые обычно сопровождают AI-системы в финансах, хотя и убирает некоторые сигналы, потенциально полезные для оценки риска. Компания считает, что потерю точности можно компенсировать масштабом выборки и богатством контекста. Техническую платформу для проекта дали Nvidia и Databricks.

Где применят модель Первой зоной развёртывания стали кибербезопасность и антифрод.

У Mastercard уже есть несколько систем, которые отслеживают подозрительные операции, но многие из них зависят от ручной настройки: аналитики задают паттерны вроде резкого роста частоты покупок или транзакций из разных стран за короткое время. LTM должна дополнить эти механизмы и лучше видеть сложные комбинации признаков без жёсткого набора правил. По словам компании, особенно заметен эффект в редких и дорогих покупках, которые традиционные модели часто помечают как подозрительные, даже если операция легитимна.

Но компания видит для модели и другие сценарии внутри платежной инфраструктуры: анализ активности в программах лояльности внутреннюю аналитику по портфелям и операциям поддержку решений в системах кибербезопасности создание новых внутренних приложений через API и SDK Компания не собирается сразу заменять существующие инструменты одной моделью. Наоборот, текущий план — строить гибридные системы, где LTM работает вместе с уже проверенными процедурами и детекторами. Такой осторожный подход понятен: в платежной индустрии ошибки дорого стоят, а требования регуляторов высоки.

Зато единая foundation-модель, которую можно донастраивать под разные сценарии, потенциально уменьшает расходы на обучение десятков отдельных моделей, их валидацию, мониторинг и поддержку.

Риски и ограничения У подхода есть и слабые места.

Если многофункциональная модель получает широкое распространение и начинает ошибаться системно, последствия могут затронуть сразу несколько продуктов или процессов. Поэтому Mastercard пока не выводит LTM в режим единственного арбитра по спорным операциям. Дополнительный вопрос — объяснимость решений: в антифроде и кредитных процессах бизнесу мало просто получить сигнал риска, нужно ещё показать, почему система сработала именно так.

Без прозрачности и аудируемости такие модели сложнее защитить перед регуляторами и внутренним комплаенсом. Есть и более практичные вопросы, на которые рынок пока не получил независимых ответов. Заявления об эффективности исходят от самой Mastercard, поэтому их нельзя считать окончательным доказательством преимущества LTM над обычными ML-подходами.

Не до конца ясно, как модель поведёт себя под атакой, сколько будет стоить её длительная эксплуатация после обучения и насколько охотно регуляторы примут такой класс систем в критической финансовой инфраструктуре. Именно эти факторы, а не только качество на тестах, определят темп внедрения.

Что это значит

Mastercard показывает, что следующая волна AI в финансах может строиться не вокруг чат-ботов, а вокруг foundation-моделей для табличных данных. Если LTM действительно снизит ложные срабатывания и упростит работу с несколькими антифрод-сценариями, банки и платёжные провайдеры начнут активнее вкладываться в подобные системы вместо набора узких моделей под каждую задачу.