Mastercard a créé un modèle de fondation tabulaire pour lutter contre la fraude aux paiements

Mastercard a présenté un nouveau type de modèle de fondation pour l'infrastructure de paiement — un grand modèle tabulaire entraîné non pas sur du texte, mais sur des arrays de données transactionnelles. L'entreprise espère l'utiliser pour détecter les fraudes plus précisément et vérifier l'authenticité des opérations dans les paiements numériques.

Comment fonctionne le LTM

Contrairement aux LLMs, qui travaillent avec des données non structurées et prédisent le prochain token, les LTMs s'entraînent sur des tableaux avec un grand nombre de caractéristiques. L'ensemble de données de Mastercard comprend des milliards de transactions par carte, et l'entreprise prévoit d'augmenter le volume à des centaines de milliards d'enregistrements à l'avenir. L'entraînement a utilisé non seulement les paiements eux-mêmes, mais aussi les champs connexes : géographie du commerçant, chaînes d'autorisation, cas de fraude confirmés, rétrofacturations et activité dans les programmes de fidélité. La tâche du modèle est de trouver des relations comportementales entre les caractéristiques et de remarquer les anomalies qui ne sont pas couvertes par des règles prédéfinies.

Mastercard souligne spécifiquement que les identificateurs personnels ont été supprimés des données avant l'entraînement. Selon la conception de l'entreprise, le modèle doit analyser non pas l'identité du titulaire de la carte, mais la nature du comportement au sein du flux de transactions. Cela réduit certains des risques de confidentialité qui accompagnent généralement les systèmes d'IA en finance, bien qu'il supprime certains signaux qui pourraient être potentiellement utiles pour l'évaluation des risques. L'entreprise croit que la perte de précision peut être compensée par l'ampleur de l'échantillon et la richesse du contexte.

Nvidia et Databricks ont fourni la plateforme technique pour le projet.

Où le modèle sera déployé

La première zone de déploiement est devenue la cybersécurité et la lutte contre la fraude. Mastercard dispose déjà de plusieurs systèmes qui suivent les transactions suspectes, mais beaucoup d'entre eux dépendent du réglage manuel : les analystes définissent des modèles comme une augmentation soudaine de la fréquence des achats ou des transactions en provenance de différents pays en peu de temps. Le LTM devrait compléter ces mécanismes et mieux voir les combinaisons complexes de caractéristiques sans ensemble rigide de règles.

Selon l'entreprise, l'effet est particulièrement notable dans les achats rares et coûteux, que les modèles traditionnels signalent souvent comme suspects même lorsque la transaction est légitime.

Mais l'entreprise voit d'autres scénarios pour le modèle au sein de l'infrastructure de paiement :

• analyse de l'activité dans les programmes de fidélité
• analyse interne des portefeuilles et des transactions
• soutien aux solutions dans les systèmes de cybersécurité
• création de nouvelles applications internes via API et SDK

L'entreprise n'a pas l'intention de remplacer immédiatement les outils existants par un seul modèle. Au contraire, le plan actuel est de construire des systèmes hybrides où le LTM fonctionne avec les procédures et détecteurs déjà éprouvés. Cette approche prudente est compréhensible : dans l'industrie des paiements, les erreurs sont coûteuses et les exigences réglementaires sont élevées. Cependant, un modèle de fondation unifié qui peut être ajusté pour différents scénarios pourrait potentiellement réduire les coûts de formation de dizaines de modèles séparés, leur validation, surveillance et maintenance.

Risques et limitations

L'approche a ses points faibles. Si un modèle multifonctionnel se généralise largement et commence à faire des erreurs systématiques, les conséquences pourraient affecter plusieurs produits ou processus à la fois. Par conséquent, Mastercard ne met pas encore le LTM au rôle d'unique arbitre des transactions contestées.

Une question supplémentaire est l'explicabilité des décisions : dans la lutte contre la fraude et les processus de crédit, il ne suffit pas pour une entreprise de simplement recevoir un signal de risque ; ils doivent également montrer pourquoi le système a fonctionné de cette façon. Sans transparence et auditabilité, de tels modèles sont plus difficiles à défendre face aux régulateurs et à la conformité interne.

Il y a aussi des questions plus pratiques auxquelles le marché n'a pas encore reçu de réponses indépendantes. Les affirmations concernant l'efficacité proviennent de Mastercard elle-même, elles ne peuvent donc pas être considérées comme une preuve définitive des avantages du LTM par rapport aux approches ML conventionnelles. Il reste peu clair comment le modèle se comportera lors d'une attaque, combien il coûtera de l'exploiter à long terme après l'entraînement et à quel point les régulateurs seront disposés à accepter cette classe de systèmes dans l'infrastructure financière critique. Ces facteurs, pas seulement la qualité des tests, détermineront le rythme d'adoption.

Ce que cela signifie

Mastercard montre que la prochaine vague d'IA en finance pourrait être construite non autour de chatbots, mais autour de modèles de fondation pour les données tabulaires. Si le LTM réduit vraiment les faux positifs et simplifie le travail avec plusieurs scénarios de lutte contre la fraude, les banques et les fournisseurs de paiement commenceront à investir plus activement dans de tels systèmes au lieu d'un ensemble de modèles étroits pour chaque tâche.