NVIDIA объяснила, как создать transaction foundation model для финансовой аналитики

NVIDIA в июне 2026 года опубликовала в блоге NVIDIA Developer Blog материал о том, как компании из финансового сектора могут построить собственную transaction foundation model — модель, обученную на потоках банковских транзакций, для выявления мошенничества и анализа поведения клиентов.

Что такое transaction foundation model

По логике NVIDIA, каждый платёж, перевод и списание в современной финансовой сети кодирует паттерн человеческого поведения — один из самых богатых по фактуре сигналов, доступных бизнесу. Идея transaction foundation model близка к идее больших языковых моделей: вместо текста модель обучается на последовательностях транзакций, учится предсказывать следующий шаг в цепочке и в процессе обучения улавливает скрытые закономерности — типичные и нетипичные для конкретного клиента траты.

• Материал опубликован NVIDIA Developer Blog в июне 2026 года
• Тема — построение foundation-модели непосредственно на транзакционных данных банка или платёжной системы
• Заявленная цель — более точное выявление финансового мошенничества и понимание поведения клиентов
• Материал адресован дата-инженерам и ML-командам финансовых компаний

Зачем банкам ещё одна модель

Классические системы фрод-мониторинга в банках годами строились на ручных правилах и узких классификаторах, обученных под конкретный тип мошенничества. Подход foundation-моделей, обкатанный сначала на тексте и изображениях, а затем на геномных и мультимодальных данных, предлагает другую логику: одна большая модель, предобученная на огромном массиве транзакций без разметки, затем дообучается под конкретные задачи — скоринг, обнаружение отмывания денег, персонализацию предложений. Для банков это шанс снизить число отдельных узкоспециализированных моделей, которые приходится поддерживать параллельно.

Как это соотносится с уже привычными LLM

Логика foundation-моделей уже доказала себя в тексте, изображениях и коде: одна модель, обученная на огромном объёме данных без ручной разметки, затем дообучается под десятки узких задач вместо того, чтобы каждую из них решать отдельной моделью с нуля. Финансовые данные долгое время оставались в стороне от этого подхода — отчасти из-за строгих требований к конфиденциальности, отчасти из-за того, что транзакционные последовательности плохо укладываются в привычные форматы обучения текстовых моделей. Материал NVIDIA описывает именно то, как обойти это ограничение: транзакция превращается в своего рода «токен», а история операций клиента — в последовательность, которую модель учится анализировать примерно так же, как языковая модель анализирует последовательность слов.

Отдельный практический вопрос для банков — где физически обучать и запускать такую модель. Поскольку транзакционные данные относятся к наиболее чувствительной категории информации, о которой заботится любой регулятор, материал NVIDIA ориентирован на сценарий, при котором модель обучается и работает внутри собственной инфраструктуры банка, а не передаётся во внешний облачный сервис.

Что это значит

Foundation-модели, ранее ассоциировавшиеся в основном с текстом и изображениями, добираются до транзакционных данных — одной из самых закрытых и чувствительных категорий информации в бизнесе. Если подход NVIDIA приживётся, банкам не придётся с нуля обучать отдельную модель под каждую новую задачу — фрод, скоринг, персонализацию, а закрытость данных не станет проблемой, потому что модель можно обучать и разворачивать внутри инфраструктуры самого банка.