mastercard innove avec un modèle tabulaire pour sécurité des paiements

Mastercard : Un Modèle Tabulaire pour la Sécurité des Paiements

Mastercard a développé un important modèle tabulaire (LTM) conçu pour s'entraîner sur des données de transaction, plutôt que sur du texte ou des images, afin d'améliorer la sécurité et l'authenticité des paiements numériques.

La société a entraîné un modèle de base sur des milliards de transactions par carte, avec l'intention de passer à des centaines de milliards à terme. Les ensembles de données incluent des événements de paiement et des données associées telles que l'emplacement des commerçants, les flux d'autorisation, les incidents de fraude, les rétrofacturations et les activités de fidélité. Mastercard indique que les identifiants personnels sont supprimés avant le début de l'entraînement, et que le modèle analyse les comportements plutôt que les identités individuelles.

En excluant les données personnelles, la technologie réduit les risques pour la confidentialité, souvent problématiques pour d'autres formes d'IA dans le secteur financier. L'échelle et la richesse des données permettent au modèle de déduire des motifs commercialement précieux – malgré l'absence d'informations par utilisateur, a précisé la société dans un récemment blog post. Bien que l'anonymisation élimine certains signaux utiles pour l'évaluation des risques, Mastercard affirme qu'un volume suffisamment large de données comportementales compense la perte de données riches.

Qu'est-ce qu'un LTM (Modèle Tabulaire Large) ?

L'architecture d'un LTM diffère de celle des grands modèles de langage, qui sont entraînés sur des entrées non structurées et qui prédisent le prochain élément dans une séquence. Le LTM de Mastercard examine les relations entre les champs dans des tableaux de données multi-dimensionnels, s'apparentant davantage à l'apprentissage machine pur qu'à l'intelligence artificielle.

Le modèle tabulaire large apprend à partir d'entrées brutes quelles relations sont prévisibles, afin de pouvoir identifier des schémas anormaux non capturés par des règles préétablies.

La société décrit le LTM comme un 'moteur d'informations' pouvant être utilisé dans des produits existants, renforçant les workflows actuels. Le risque opérationnel d'un modèle interagissant avec les clients (souvent un LLM) diffère de celui d'un modèle utilisé pour la prise de décision interne.

L'infrastructure technique du LTM provient de Nvidia et Databricks, le premier fournissant la plate-forme de calcul et le second gérant l'ingénierie des données et le développement du modèle.

Où verrons-nous un LTM en action ?

La cybersécurité chez Mastercard est le premier domaine à bénéficier de cette technologie. Comme de nombreuses institutions, Mastercard exploite plusieurs systèmes de détection de fraude analysant les données de transactions. Ceux-ci nécessitent une intervention humaine pour définir les comportements suspects, comme des augmentations soudaines de fréquence de transactions ou des achats effectués dans différentes régions du monde en peu de temps.

Les premiers résultats indiquent une amélioration par rapport aux techniques conventionnelles dans certains cas, selon la société. Par exemple, des achats de grande valeur mais peu fréquents peuvent être signalés comme des anomalies par les modèles traditionnels, mais le nouveau modèle semble être capable de distinguer les événements légitimes avec plus de précision.

La société envisage de déployer des systèmes hybrides associant des procédures éprouvées avec le nouveau modèle, reflet de la prudence imposée par le cadre réglementaire sous lequel elle opère. Mastercard reconnaît qu'aucun modèle unique ne peut bien fonctionner dans tous les scénarios, si bien que le LTM viendra compléter la panoplie d'outils existants.

Il est affirmé que le modèle peut analyser les activités sur les programmes de fidélité, être utilisé en gestion de portefeuille et pour l'analyse interne, des domaines où le volume de données structurées est important. Actuellement, les entreprises déploient souvent de nombreux modèles adaptés à chaque tâche, ce qui implique de multiples coûts d'entraînement, de validation et de suivi. Un modèle de base unique pouvant être ajusté pour différentes tâches pourrait simplifier les processus et réduire les coûts.

Risques et plans futurs

Il existe bien sûr un risque pour l'approche multi-fonction du LTM : une défaillance dans un modèle largement déployé pourrait avoir des conséquences systémiques. Cela explique en partie la stratégie de Mastercard de combiner sa technologie avec les systèmes existants de détection - du moins pour l'instant.

Mastercard espère augmenter l'échelle des données utilisées dans le modèle et sa sophistication globale. Elle prévoit également un accès API et des SDK pour permettre aux équipes internes de créer de nouvelles applications.

Le post sur le blog souligne la responsabilité des données que détient le LTM, en mentionnant la confidentialité, la transparence, l'explicabilité et l'auditabilité du modèle. Une surveillance réglementaire de tout système influençant les décisions de crédit ou les résultats de fraude est attendue en plus des pratiques de données impliquées dans le fonctionnement du LTM.

Les données hautement structurées, par opposition au texte ou aux images, sont au cœur du LTM. Les modèles tabulaires géants pourraient être le début d'une nouvelle génération de systèmes d'IA dans les infrastructures bancaires et de paiements. Les preuves restent limitées aux rapports des fournisseurs, si bien que toute revendication de performance ne doit pas nécessairement être considérée comme concluante.

La robustesse sous conditions adverses, les coûts à long terme après formation et l'acceptation réglementaire sont des enjeux où les modèles tabulaires peuvent échouer ou prospérer. Ces facteurs détermineront le rythme et l'étendue de l'adoption, mais c'est un domaine où Mastercard place certains de ses paris pour le moment.

Source de l'image : “Oversight” par la Page Officielle des United States Marine Corps est sous licence CC BY-NC 2.0.

Envie d'en savoir plus sur l'IA et les Big Data avec des leaders du secteur? Consultez l'AI & Big Data Expo se tenant à Amsterdam, Californie et Londres. Cet événement complet fait partie du TechEx et est co-organisé avec d'autres événements technologiques majeurs. Cliquez ici pour plus d'informations.

AI News est alimenté par TechForge Media. Découvrez d'autres événements et webinaires technologiques à venir ici.

L'article Mastercard surveille la fraude avec un nouveau modèle fondamental est apparu en premier sur AI News.

@ReservoirLive