Mastercard crée un modèle de fondation tabulaire contre la fraude aux paiements

Mastercard a présenté un nouveau type de modèle de fondation pour l'infrastructure de paiement : un grand modèle tabulaire (LTM, pour large tabular model), entraîné non pas sur du texte mais sur de vastes ensembles de données transactionnelles. L'entreprise compte s'en servir pour repérer plus précisément la fraude et vérifier l'authenticité des opérations dans les paiements numériques.

Comment fonctionne le LTM

Contrairement aux LLM, qui travaillent sur des données non structurées et prédisent le jeton suivant, un LTM s'entraîne sur des tables comportant un grand nombre de variables. Le jeu de données de Mastercard comprend des milliards d'opérations par carte, et l'entreprise veut à terme le porter à des centaines de milliards d'enregistrements. L'entraînement a utilisé non seulement les paiements eux-mêmes, mais aussi des champs associés : la géographie du commerçant, les chaînes d'autorisation, les cas de fraude confirmés, les rétrofacturations et l'activité dans les programmes de fidélité. La tâche du modèle consiste à trouver des liens comportementaux entre les variables et à repérer les anomalies que les règles prédéfinies ne couvrent pas.

Mastercard souligne que les identifiants personnels ont été retirés des données avant l'entraînement. Dans l'esprit 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 d'opérations. Cela réduit une partie des risques pour la vie privée qui accompagnent habituellement les systèmes d'IA dans la finance, même si cela supprime aussi certains signaux potentiellement utiles pour évaluer le risque. L'entreprise estime que la perte de précision peut être compensée par la taille de l'échantillon et la richesse du contexte.

Nvidia et Databricks ont fourni la plateforme technique du projet.

Où le modèle sera utilisé

Les premiers domaines de déploiement sont la cybersécurité et la lutte contre la fraude. Mastercard dispose déjà de plusieurs systèmes qui surveillent les opérations suspectes, mais beaucoup dépendent d'un paramétrage manuel : les analystes définissent des schémas comme une hausse brutale de la fréquence d'achats ou des transactions depuis plusieurs pays en peu de temps. Le LTM doit compléter ces mécanismes et mieux voir les combinaisons complexes de variables, sans jeu de règles rigide.

Selon l'entreprise, l'effet est particulièrement marqué sur les achats rares et coûteux, que les modèles traditionnels signalent souvent comme suspects alors que l'opération est légitime.

L'entreprise voit aussi d'autres usages du modèle au sein de l'infrastructure de paiement :

• analyse de l'activité dans les programmes de fidélité
• analyses internes des portefeuilles et des opérations
• aide à la décision dans les systèmes de cybersécurité
• création de nouvelles applications internes via API et SDK

Mastercard ne compte pas remplacer immédiatement les outils existants par un seul modèle. Le plan actuel consiste plutôt à bâtir des systèmes hybrides, où le LTM travaille avec des procédures et des détecteurs éprouvés. Cette prudence se comprend : dans le secteur des paiements, les erreurs coûtent cher et les exigences réglementaires sont élevées. En revanche, un modèle de fondation unique, adaptable à différents scénarios, pourrait réduire le coût d'entraînement de dizaines de modèles distincts, ainsi que celui de leur validation, de leur supervision et de leur maintenance.

Risques et limites

L'approche a aussi ses points faibles. Si un modèle polyvalent se généralise puis se met à commettre des erreurs systématiques, les conséquences peuvent toucher plusieurs produits ou processus à la fois. C'est pourquoi Mastercard ne fait pas encore du LTM l'arbitre unique des opérations contestées.

L'explicabilité des décisions pose une autre question : en matière de lutte contre la fraude et de crédit, il ne suffit pas à l'entreprise de recevoir un signal de risque, elle doit aussi montrer pourquoi le système a réagi ainsi. Sans transparence ni auditabilité, ces modèles sont plus difficiles à défendre devant les régulateurs et la conformité interne.

Il existe aussi des questions plus pratiques, auxquelles le marché n'a pas encore reçu de réponses indépendantes. Les affirmations sur l'efficacité émanent de Mastercard elle-même ; elles ne peuvent donc pas être considérées comme une preuve définitive de la supériorité du LTM sur les approches classiques de machine learning. On ne sait pas encore tout à fait comment le modèle se comportera face à une attaque, combien coûtera son exploitation à long terme après l'entraînement, ni dans quelle mesure les régulateurs accepteront cette catégorie de systèmes dans une infrastructure financière critique. Ces facteurs, et pas seulement la qualité mesurée lors des tests, détermineront le rythme d'adoption.

Ce que cela signifie

Mastercard montre que la prochaine vague d'IA dans la finance pourrait s'organiser non pas autour des chatbots, mais autour de modèles de fondation pour les données tabulaires. Si le LTM réduit réellement les faux positifs et simplifie le traitement de plusieurs scénarios antifraude, les banques et les prestataires de paiement investiront plus activement dans ce type de systèmes, plutôt que dans un assemblage de modèles étroits pour chaque tâche.