Mastercard crea un modelo fundacional tabular para combatir el fraude en los pagos

Mastercard ha presentado un nuevo tipo de modelo fundacional para la infraestructura de pagos: un gran modelo tabular (LTM, por sus siglas en inglés) entrenado no con texto, sino con grandes volúmenes de datos transaccionales. La compañía espera que le permita detectar el fraude con más precisión y comprobar la autenticidad de las operaciones en los pagos digitales.

Cómo funciona el LTM

A diferencia de los LLM, que trabajan con datos no estructurados y predicen el siguiente token, un LTM se entrena con tablas que contienen muchas variables. El conjunto de datos de Mastercard incluye miles de millones de operaciones con tarjeta, y la empresa quiere ampliarlo con el tiempo hasta cientos de miles de millones de registros. En el entrenamiento se usaron no solo los pagos, sino también campos relacionados: la geografía del comercio, las cadenas de autorización, los casos de fraude confirmados, los contracargos y la actividad en programas de fidelización. La tarea del modelo es encontrar vínculos de comportamiento entre variables y detectar anomalías que las reglas predefinidas no cubren.

Mastercard subraya que antes del entrenamiento se eliminaron los identificadores personales de los datos. Según el planteamiento de la compañía, el modelo debe analizar no la identidad del titular de la tarjeta, sino la naturaleza del comportamiento dentro del flujo de operaciones. Esto reduce parte de los riesgos para la privacidad que suelen acompañar a los sistemas de IA en finanzas, aunque también elimina algunas señales potencialmente útiles para evaluar el riesgo. La empresa considera que la pérdida de precisión puede compensarse con la escala de la muestra y la riqueza del contexto.

Nvidia y Databricks aportaron la plataforma técnica del proyecto.

Dónde se aplicará el modelo

Las primeras áreas de despliegue son la ciberseguridad y la prevención del fraude. Mastercard ya cuenta con varios sistemas que vigilan operaciones sospechosas, pero muchos dependen de una configuración manual: los analistas definen patrones como un aumento brusco de la frecuencia de compras o transacciones desde distintos países en poco tiempo. El LTM debe complementar estos mecanismos y ver mejor las combinaciones complejas de variables, sin un conjunto rígido de reglas.

Según la compañía, el efecto es especialmente notable en compras poco habituales y caras, que los modelos tradicionales suelen marcar como sospechosas aunque la operación sea legítima.

La empresa también ve otros usos del modelo dentro de la infraestructura de pagos:

• análisis de la actividad en programas de fidelización
• analítica interna de carteras y operaciones
• apoyo a decisiones en sistemas de ciberseguridad
• creación de nuevas aplicaciones internas mediante API y SDK

Mastercard no pretende sustituir de inmediato las herramientas existentes por un único modelo. Su plan actual es construir sistemas híbridos en los que el LTM trabaje junto con procedimientos y detectores ya probados. Esta cautela es comprensible: en la industria de pagos los errores salen caros y los requisitos regulatorios son altos. En cambio, un único modelo fundacional que se pueda ajustar para distintos escenarios podría reducir el coste de entrenar decenas de modelos independientes, así como de validarlos, monitorizarlos y mantenerlos.

Riesgos y limitaciones

El enfoque también tiene puntos débiles. Si un modelo multifuncional se extiende ampliamente y empieza a fallar de forma sistemática, las consecuencias pueden afectar a varios productos o procesos a la vez. Por eso Mastercard todavía no convierte el LTM en el único árbitro de las operaciones disputadas.

Otra cuestión es la explicabilidad: en la prevención del fraude y en los procesos de crédito no basta con recibir una señal de riesgo; hay que mostrar por qué el sistema reaccionó así. Sin transparencia ni capacidad de auditoría, estos modelos son más difíciles de defender ante los reguladores y el área interna de cumplimiento.

Hay además preguntas más prácticas que el mercado aún no ha visto respondidas de forma independiente. Las afirmaciones sobre su eficacia proceden de la propia Mastercard, por lo que no pueden considerarse una prueba definitiva de la ventaja del LTM sobre los enfoques convencionales de aprendizaje automático. No está del todo claro cómo se comportará el modelo ante un ataque, cuánto costará mantenerlo a largo plazo tras el entrenamiento ni con qué disposición aceptarán los reguladores esta clase de sistemas en una infraestructura financiera crítica. Estos factores, y no solo la calidad en las pruebas, determinarán el ritmo de adopción.

Qué significa

Mastercard muestra que la próxima oleada de IA en finanzas podría construirse no en torno a los chatbots, sino en torno a modelos fundacionales para datos tabulares. Si el LTM realmente reduce los falsos positivos y simplifica el trabajo con varios escenarios antifraude, los bancos y los proveedores de pagos empezarán a invertir con más decisión en este tipo de sistemas en lugar de en un conjunto de modelos específicos para cada tarea.