Mastercard creó un modelo fundacional tabular para combatir el fraude en pagos

Mastercard ha presentado un nuevo tipo de modelo de fundación para infraestructura de pagos — un modelo tabular grande entrenado no en texto, sino en arrays de datos transaccionales. La empresa espera utilizarlo para detectar fraudes con mayor precisión y verificar la autenticidad de operaciones en pagos digitales.

Cómo funciona el LTM

A diferencia de los LLMs, que trabajan con datos no estructurados y predicen el siguiente token, los LTMs se entrenan en tablas con un gran número de características. El conjunto de datos de Mastercard incluye miles de millones de transacciones de tarjeta, y la empresa planea escalar el volumen a cientos de miles de millones de registros en el futuro. El entrenamiento utilizó no solo los propios pagos, sino también campos relacionados: geografía del comerciante, cadenas de autorización, casos de fraude confirmados, devoluciones de cargo y actividad de programas de lealtad. La tarea del modelo es encontrar relaciones de comportamiento entre características y notar anomalías que no están cubiertas por reglas preescritas.

Mastercard enfatiza específicamente que los identificadores personales fueron eliminados de los datos antes del entrenamiento. Según el diseño de la empresa, el modelo debe analizar no la identidad del titular de la tarjeta, sino la naturaleza del comportamiento dentro del flujo de transacciones. Esto reduce algunos de los riesgos de privacidad que típicamente acompañan a los sistemas de IA en finanzas, aunque sí elimina algunas señales que podrían ser potencialmente útiles para la evaluación del riesgo. La empresa cree que la pérdida de precisión puede ser compensada por la escala de la muestra y la riqueza del contexto.

Nvidia y Databricks proporcionaron la plataforma técnica para el proyecto.

Dónde se implementará el modelo

La primera zona de implementación fue la ciberseguridad y el antifraude. Mastercard ya cuenta con varios sistemas que rastrean transacciones sospechosas, pero muchos de ellos dependen de ajustes manuales: los analistas establecen patrones como un aumento abrupto en la frecuencia de compras o transacciones desde diferentes países en poco tiempo. El LTM debe complementar estos mecanismos y ver mejor combinaciones complejas de características sin un conjunto rígido de reglas.

Según la empresa, el efecto es particularmente notable en compras raras y costosas, que los modelos tradicionales frecuentemente marcan como sospechosas incluso cuando la transacción es legítima.

Pero la empresa ve otros escenarios para el modelo dentro de la infraestructura de pagos:

• análisis de actividad en programas de lealtad
• análisis interno de carteras y transacciones
• apoyo para soluciones en sistemas de ciberseguridad
• creación de nuevas aplicaciones internas a través de API y SDK

La empresa no planea reemplazar inmediatamente las herramientas existentes con un único modelo. En cambio, el plan actual es construir sistemas híbridos donde el LTM funciona junto con procedimientos y detectores ya comprobados. Este enfoque cauteloso es comprensible: en la industria de pagos, los errores son costosos y los requisitos regulatorios son elevados. Sin embargo, un modelo de fundación unificado que pueda ajustarse para diferentes escenarios podría potencialmente reducir los costos de entrenamiento de docenas de modelos separados, su validación, monitoreo y mantenimiento.

Riesgos y limitaciones

El enfoque tiene sus puntos débiles. Si un modelo multifuncional se generaliza ampliamente y comienza a cometer errores sistemáticos, las consecuencias podrían afectar múltiples productos o procesos a la vez. Por lo tanto, Mastercard aún no está colocando el LTM en el rol de único árbitro de transacciones disputadas.

Una pregunta adicional es la explicabilidad de las decisiones: en antifraude y procesos de crédito, no es suficiente que una empresa simplemente reciba una señal de riesgo; también necesita mostrar por qué el sistema funcionó de esa manera. Sin transparencia y auditoría, tales modelos son más difíciles de defender ante reguladores y cumplimiento interno.

También hay preguntas más prácticas a las que el mercado aún no ha recibido respuestas independientes. Los reclamos sobre eficacia provienen de la propia Mastercard, por lo que no pueden considerarse prueba final de las ventajas del LTM sobre enfoques convencionales de ML. Sigue siendo poco claro cómo se comportará el modelo bajo ataque, cuánto costará operarlo a largo plazo después del entrenamiento y qué tan dispuestos estarán los reguladores a aceptar esta clase de sistemas en infraestructura financiera crítica. Estos factores, no solo la calidad en las pruebas, determinarán el ritmo de adopción.

Lo que esto significa

Mastercard demuestra que la próxima ola de IA en finanzas puede construirse no alrededor de chatbots, sino alrededor de modelos de fundación para datos tabulares. Si el LTM realmente reduce los falsos positivos y simplifica el trabajo con múltiples escenarios antifraude, los bancos y proveedores de pagos comenzarán a invertir más activamente en tales sistemas en lugar de un conjunto de modelos estrechos para cada tarea.