Mastercard criou um modelo fundacional tabular para combater fraudes em pagamentos

Mastercard apresentou um novo tipo de modelo de fundação para infraestrutura de pagamentos — um modelo tabular grande treinado não em texto, mas em arrays de dados transacionais. A empresa espera usá-lo para detectar fraudes com mais precisão e verificar a autenticidade de operações em pagamentos digitais.

Como funciona o LTM

Diferentemente dos LLMs, que trabalham com dados não estruturados e predizem o próximo token, os LTMs são treinados em tabelas com um grande número de características. O dataset da Mastercard inclui bilhões de transações de cartão, e a empresa planeja escalar o volume para centenas de bilhões de registros no futuro. O treinamento usou não apenas os pagamentos em si, mas também campos relacionados: geografia do comerciante, cadeias de autorização, casos de fraude confirmados, chargebacks e atividade de programa de fidelidade. A tarefa do modelo é encontrar relações comportamentais entre características e notar anomalias que não são cobertas por regras pré-escritas.

A Mastercard enfatiza especificamente que identificadores pessoais foram removidos dos dados antes do treinamento. De acordo com o design da empresa, o modelo deve analisar não a identidade do titular do cartão, mas a natureza do comportamento dentro do fluxo de transações. Isso reduz alguns dos riscos de privacidade que tipicamente acompanham sistemas de IA em finanças, embora remova alguns sinais que poderiam ser potencialmente úteis para avaliação de risco. A empresa acredita que a perda de precisão pode ser compensada pela escala da amostra e riqueza do contexto.

Nvidia e Databricks forneceram a plataforma técnica para o projeto.

Onde o modelo será implantado

A primeira zona de implantação se tornou cibersegurança e antifraude. A Mastercard já possui vários sistemas que rastreiam transações suspeitas, mas muitos deles dependem de ajustes manuais: analistas definem padrões como um aumento acentuado na frequência de compras ou transações de diferentes países em pouco tempo. O LTM deve complementar esses mecanismos e ver melhor combinações complexas de características sem um conjunto rígido de regras.

De acordo com a empresa, o efeito é particularmente notável em compras raras e caras, que modelos tradicionais frequentemente marcam como suspeitas mesmo quando a transação é legítima.

Mas a empresa vê outros cenários para o modelo dentro da infraestrutura de pagamentos:

• análise de atividade de programa de fidelidade
• análise interna de portfólios e transações
• suporte para soluções em sistemas de cibersegurança
• criação de novos aplicativos internos via API e SDK

A empresa não planeja substituir imediatamente ferramentas existentes por um único modelo. Em vez disso, o plano atual é construir sistemas híbridos onde o LTM funciona junto com procedimentos e detectores já comprovados. Esta abordagem cautelosa é compreensível: na indústria de pagamentos, erros são custosos e os requisitos regulatórios são altos. No entanto, um modelo de fundação unificado que possa ser ajustado para diferentes cenários poderia potencialmente reduzir os custos de treinamento de dezenas de modelos separados, sua validação, monitoramento e manutenção.

Riscos e limitações

A abordagem tem seus pontos fracos. Se um modelo multifuncional se torna amplamente implantado e começa a fazer erros sistemáticos, as consequências poderiam afetar múltiplos produtos ou processos de uma vez. Portanto, a Mastercard ainda não coloca o LTM no papel de único árbitro de transações disputadas.

Uma pergunta adicional é a explicabilidade das decisões: em processos antifraude e de crédito, não é suficiente para uma empresa simplesmente receber um sinal de risco; eles também precisam mostrar por que o sistema funcionou daquela forma. Sem transparência e auditabilidade, tais modelos são mais difíceis de defender perante reguladores e conformidade interna.

Há também perguntas mais práticas às quais o mercado ainda não recebeu respostas independentes. As afirmações sobre eficácia vêm da própria Mastercard, então não podem ser consideradas prova final das vantagens do LTM sobre abordagens convencionais de ML. Permanece pouco claro como o modelo se comportará sob ataque, quanto custará operá-lo a longo prazo após o treinamento e quão dispostos os reguladores estarão para aceitar esta classe de sistemas em infraestrutura financeira crítica. Esses fatores, e não apenas qualidade em testes, determinarão 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 em torno de modelos de fundação para dados tabulares. Se o LTM realmente reduzir falsos positivos e simplificar o trabalho com múltiplos cenários antifraude, bancos e provedores de pagamento começarão a investir mais ativamente em tais sistemas em vez de um conjunto de modelos estreitos para cada tarefa.