Mastercard Introduz Sistema de IA Generativa Baseado em Dados de Transações para Potenciar Segurança, Insights e Personalização

Resumido

Mastercard está a desenvolver um modelo de IA generativa baseado em dados de transações anonimizados para melhorar insights, deteção de fraudes e serviços de pagamento, preservando a privacidade do utilizador.

A empresa de tecnologia e rede global de pagamentos Mastercard apresentou um sistema de IA generativa concebido como um modelo de base de grande escala, destinado a suportar uma vasta gama de aplicações. O modelo está a ser treinado com conjuntos de dados proprietários derivados de bilhões de transações de pagamento, com identificadores pessoais removidos para proteger a privacidade do utilizador. Ao analisar padrões anonimizados nestes dados, o sistema é projetado para gerar insights e antecipar comportamentos futuros de transação.

A abordagem faz uma comparação com os sistemas modernos de IA conversacional, que prevêem as palavras seguintes numa sequência, embora neste caso o modelo não seja destinado à geração de diálogos. Em vez disso, está a ser desenvolvido como uma ferramenta analítica para melhorar os serviços existentes, incluindo medidas de cibersegurança, programas de fidelidade de clientes e ferramentas para pequenas empresas.

O sistema está a ser desenvolvido com o apoio de grandes fornecedores de infraestrutura de computação e dados, incluindo Nvidia e Databricks, permitindo processamento em larga escala e treino acelerado do modelo. A empresa indicou que os resultados deste trabalho deverão ser apresentados numa próxima conferência do setor.

Modelo de IA de Base Construído com Dados Estruturados de Transações para Melhorar Pagamentos e Segurança

A arquitetura subjacente difere dos modelos de linguagem de grande escala normalmente utilizados, que são treinados com dados não estruturados, como texto, imagens e vídeos. Em vez disso, este modelo pertence à categoria conhecida como modelos tabulares de grande escala, treinados com conjuntos de dados estruturados organizados em tabelas. O processo de treino incorpora dados de transações em grande escala, com planos de expandir para conjuntos de dados mais amplos, como informações de localização de comerciantes, indicadores de fraude, registos de autorização, dados de chargeback e atividades de programas de fidelidade.

O aumento do escopo de dados visa melhorar a capacidade do modelo de identificar padrões e gerar previsões mais precisas. Uma das principais áreas de aplicação é a cibersegurança, onde os sistemas existentes já são utilizados para detectar e prevenir fraudes. A integração deste novo modelo deverá reforçar essas capacidades através de uma melhor deteção de padrões e redução de falsos positivos.

Os modelos atuais de cibersegurança geralmente dependem de características criadas por cientistas de dados para destacar sinais específicos dentro dos dados de transações, como mudanças súbitas no comportamento de gastos. Em contraste, o novo sistema é projetado para aprender esses padrões com mínima engenharia manual de características, permitindo identificar relações nos dados que podem não ser imediatamente evidentes através de métodos tradicionais.

Testes iniciais sugerem uma performance melhorada em comparação com abordagens convencionais de aprendizagem automática, especialmente na redução de falsos positivos em cenários de transações legítimas mas pouco comuns. O sistema demonstrou a capacidade de distinguir melhor entre atividades incomuns mas válidas e comportamentos potencialmente fraudulentos.

Aplicações adicionais potenciais incluem melhorias em sistemas de personalização, otimização de programas de recompensas, análises de portfólio e capacidades avançadas de análise de dados. Espera-se também que o modelo reduza a necessidade de manter um grande número de modelos especializados em diferentes regiões e casos de uso.

Os planos para desenvolvimento futuro incluem a expansão das capacidades do modelo, o aprimoramento da sua arquitetura e a introdução de interfaces de programação de aplicações (APIs) e ferramentas para desenvolvedores, permitindo uma utilização mais ampla na organização. A colaboração contínua com parceiros tecnológicos deverá apoiar avanços constantes.

A iniciativa está a ser desenvolvida de acordo com princípios estabelecidos de governação de dados, enfatizando a proteção da privacidade, o uso responsável dos dados e a transparência. À medida que o desenvolvimento avança, espera-se que o modelo contribua para maior eficiência, segurança aprimorada e inteligência reforçada nos sistemas de pagamentos e comércio.