Mastercard Introduce Sistema de IA Generativa Construido Sobre Datos de Transacciones para Impulsar Seguridad, Información y Personalización

En Resumen

Mastercard está desarrollando un modelo base de IA generativa entrenado con datos de transacciones anonimizados para mejorar la inteligencia, la detección de fraudes y los servicios de pago, preservando la privacidad del usuario.

La compañía tecnológica y red de pagos global Mastercard presentó un sistema de IA generativa diseñado como un modelo base a gran escala destinado a soportar una amplia gama de aplicaciones. El modelo se está entrenando con conjuntos de datos propios derivados de miles de millones de transacciones de pago, eliminando los identificadores personales para proteger la privacidad del usuario. Al analizar patrones anonimizados en estos datos, el sistema está diseñado para generar insights y anticipar comportamientos futuros en las transacciones.

Este enfoque se asemeja a los sistemas modernos de IA conversacional, que predicen las palabras siguientes en una secuencia, aunque en este caso el modelo no está destinado a generar diálogos. En cambio, se está desarrollando como un motor analítico para mejorar servicios existentes, incluyendo medidas de ciberseguridad, programas de fidelidad y herramientas para pequeñas empresas.

El sistema se desarrolla con el apoyo de importantes proveedores de infraestructura de computación y datos, como Nvidia y Databricks, lo que permite un procesamiento a gran escala y una aceleración en el entrenamiento del modelo. La compañía ha indicado que los resultados de este trabajo se presentarán en una próxima conferencia del sector.

Modelo de IA Base Construido Sobre Datos Estructurados de Transacciones para Mejorar Pagos y Seguridad

La arquitectura subyacente difiere de los modelos de lenguaje grande comúnmente utilizados, que se entrenan con datos no estructurados como texto, imágenes y videos. En cambio, este modelo pertenece a una categoría conocida como modelos tabulares grandes, que se entrenan con conjuntos de datos estructurados organizados en tablas. El proceso de entrenamiento incorpora datos de transacciones a gran escala, con planes de ampliar a conjuntos de datos más amplios como información de ubicación de comerciantes, indicadores de fraude, registros de autorizaciones, datos de devoluciones y actividad en programas de fidelidad.

El alcance ampliado de los datos busca mejorar la capacidad del modelo para identificar patrones y generar predicciones más precisas. Una de las áreas principales de aplicación es la ciberseguridad, donde los sistemas existentes ya se usan para detectar y prevenir fraudes. La integración de este nuevo modelo se espera que fortalezca estas capacidades mediante un mejor reconocimiento de patrones y una reducción en falsos positivos.

Los modelos de ciberseguridad actuales suelen depender de características diseñadas por científicos de datos para resaltar señales específicas en los datos de transacciones, como cambios bruscos en el comportamiento de gasto. En contraste, el nuevo sistema está diseñado para aprender estos patrones con una mínima ingeniería manual de características, permitiéndole identificar relaciones en los datos que quizás no sean evidentes mediante métodos tradicionales.

Las pruebas iniciales sugieren un rendimiento mejorado en comparación con enfoques tradicionales de aprendizaje automático, especialmente en la reducción de falsos positivos en escenarios con transacciones legítimas pero poco comunes. El sistema ha demostrado una mayor capacidad para distinguir entre actividades inusuales pero válidas y comportamientos potencialmente fraudulentos.

Otras aplicaciones potenciales incluyen mejoras en sistemas de personalización, optimización de programas de recompensas, análisis de portafolios y capacidades avanzadas de análisis de datos. También se espera que el modelo reduzca la necesidad de mantener numerosos modelos especializados en diferentes regiones y casos de uso.

Los planes para futuros desarrollos incluyen ampliar las capacidades del modelo, perfeccionar su arquitectura e introducir interfaces de programación de aplicaciones y herramientas para desarrolladores que permitan un uso más amplio en toda la organización. Se espera que la colaboración continua con socios tecnológicos apoye los avances en curso.

La iniciativa se desarrolla en línea con principios establecidos de gobernanza de datos, enfatizando la protección de la privacidad, el uso responsable de los datos y la transparencia. A medida que progresa el desarrollo, se espera que el modelo contribuya a aumentar la eficiencia, mejorar la seguridad y potenciar la inteligencia en los sistemas de pagos y comercio.