Mastercard cria modelo fundacional tabular para combater fraudes em pagamentos

A Mastercard apresentou um novo tipo de modelo fundacional para a infraestrutura de pagamentos: um grande modelo tabular (LTM, na sigla em inglês), treinado não com texto, mas com grandes volumes de dados transacionais. A empresa espera usá-lo para identificar fraudes com mais precisão e verificar a autenticidade das operações em pagamentos digitais.

Como funciona o LTM

Ao contrário dos LLMs, que trabalham com dados não estruturados e preveem o próximo token, o LTM é treinado com tabelas que têm muitas variáveis. O conjunto de dados da Mastercard inclui bilhões de operações de cartão, e a empresa pretende ampliá-lo, no futuro, para centenas de bilhões de registros. No treinamento, foram usados não apenas os pagamentos em si, mas também campos relacionados: geografia do lojista, cadeias de autorização, casos de fraude confirmados, chargebacks e atividade em programas de fidelidade. A tarefa do modelo é encontrar relações de comportamento entre as variáveis e notar anomalias que as regras predefinidas não cobrem.

A Mastercard ressalta que os identificadores pessoais foram removidos dos dados antes do treinamento. Pela proposta da empresa, o modelo deve analisar não a identidade do titular do cartão, mas a natureza do comportamento dentro do fluxo de operações. Isso reduz parte dos riscos de privacidade que costumam acompanhar sistemas de IA em finanças, embora também elimine alguns sinais potencialmente úteis para avaliar risco. A empresa acredita que a perda de precisão pode ser compensada pela escala da amostra e pela riqueza de contexto.

A Nvidia e a Databricks forneceram a plataforma técnica do projeto.

Onde o modelo será aplicado

As primeiras áreas de implantação são cibersegurança e antifraude. A Mastercard já tem vários sistemas que monitoram operações suspeitas, mas muitos dependem de configuração manual: analistas definem padrões como aumento brusco na frequência de compras ou transações de países diferentes em pouco tempo. O LTM deve complementar esses mecanismos e enxergar melhor combinações complexas de variáveis, sem um conjunto rígido de regras.

Segundo a empresa, o efeito é mais visível em compras raras e caras, que os modelos tradicionais costumam marcar como suspeitas mesmo quando a operação é legítima.

A empresa também vê outros usos do modelo na infraestrutura de pagamentos:

• análise da atividade em programas de fidelidade
• análises internas de carteiras e operações
• apoio a decisões em sistemas de cibersegurança
• criação de novos aplicativos internos por meio de API e SDK

A Mastercard não pretende substituir de imediato as ferramentas existentes por um único modelo. O plano atual é construir sistemas híbridos, em que o LTM funcione junto com procedimentos e detectores já testados. A cautela é compreensível: no setor de pagamentos, erros custam caro e as exigências regulatórias são altas. Por outro lado, um único modelo fundacional, que pode ser ajustado para diferentes cenários, tem potencial de reduzir o custo de treinar dezenas de modelos separados, além de validá-los, monitorá-los e mantê-los.

Riscos e limitações

A abordagem também tem pontos fracos. Se um modelo multifuncional se espalha amplamente e passa a errar de forma sistemática, as consequências podem atingir vários produtos ou processos ao mesmo tempo. Por isso, a Mastercard ainda não coloca o LTM como árbitro único de operações contestadas.

Outra questão é a explicabilidade: em antifraude e em processos de crédito, não basta ao negócio receber um sinal de risco; é preciso mostrar por que o sistema reagiu daquela forma. Sem transparência e auditabilidade, esses modelos são mais difíceis de defender perante reguladores e a área interna de compliance.

Há ainda perguntas mais práticas, para as quais o mercado ainda não obteve respostas independentes. As afirmações sobre eficácia vêm da própria Mastercard, então não podem ser tratadas como prova definitiva da vantagem do LTM sobre abordagens convencionais de machine learning. Não está totalmente claro como o modelo se comportará sob ataque, quanto custará operá-lo a longo prazo após o treinamento e com que boa vontade os reguladores aceitarão essa classe de sistemas em infraestrutura financeira crítica. Esses fatores, e não apenas a qualidade nos testes, vão determinar o ritmo de adoção.

O que isso significa

A Mastercard mostra que a próxima onda de IA em finanças pode ser construída não em torno de chatbots, mas de modelos fundacionais para dados tabulares. Se o LTM realmente reduzir os falsos positivos e simplificar o trabalho com vários cenários antifraude, bancos e provedores de pagamento passarão a investir com mais força nesse tipo de sistema, em vez de num conjunto de modelos específicos para cada tarefa.