Mastercard, yeni temel modeliyle dolandırıcılığı yakından takip ediyor.
Özet
Mastercard'ın LTM (Large Table Model) mimarisi, geleneksel dil modellerinden farklı olarak yapılandırılmamış veriler yerine çok boyutlu veri tablolarındaki ilişkileri öğrenir ve bunu saf makine öğrenimine yaklaştırır. Bu model, ham verilerden tahmin edilebilir ilişkileri çıkararak önceden tanımlanmış kurallarla tespit edilemeyen anormal kalıpları belirleyebilir. LTM, Mastercard için mevcut iş akışlarını artıran bir 'içgörü motoru' olarak konumlandırılmıştır ve siber güvenlik, özellikle dolandırıcılık tespiti alanında ilk aktif uygulama alanıdır. Pilot sonuçlar, LTM'nin geleneksel yöntemlere göre iyileşmiş performans gösterdiğini ve şirketin hibrit sistemler uygulamayı hedeflediğini belirtmektedir.
LTM mimarisi, yapılandırılmamış girdiler üzerinde eğitilen ve bir dizideki bir sonraki jetonu (genellikle hatalı bir şekilde kelime olarak tanımlanır) tahmin ederek çalışan büyük dil modellerininkinden farklıdır. Mastercard'ın LTM'si, çok boyutlu veri tablolarındaki alanlar arasındaki ilişkileri inceleyerek teknolojinin tanımını yapay zekadan çok saf makine öğrenimine yaklaştırır.
Büyük tablo modeli, hangi ilişkilerin tahmin edilebilir olduğunu ham girdilerden tam olarak öğrenir, böylece önceden tanımlanmış kurallarla yakalanamayan anormal kalıpları tanımlayabilir.
Şirket, LTM'yi mevcut ürünlerde kullanılabilecek ve mevcut iş akışlarını artıran bir 'içgörü motoru' olarak tanımlamaktadır. Müşterilerle etkileşimde bulunan bir modelin (genellikle bir LLM) operasyonel riski, iç karar vermenin bir parçası olan bir modelinkinden farklıdır.
LTM için teknik altyapı Nvidia ve Databricks'ten gelmektedir; Nvidia hesaplama platformunu sağlarken, Databricks veri mühendisliği ve model geliştirmeyle ilgilenmektedir.
Mastercard'da siber güvenlik, teknolojinin aktif olarak devreye alındığı ilk alandır. Birçok kurum gibi Mastercard da işlem verilerini inceleyen çeşitli dolandırıcılık tespit sistemleri çalıştırmaktadır. Bunlar, şüpheli davranışı neyin oluşturduğunu tanımlamak için başlangıçta ve devam eden bir zayıflatma için insan girdisi gerektirir. Bunlar, işlem sıklığında ani artışlar veya kullanıcıların kısa bir süre içinde dünyanın farklı yerlerinden alışveriş yapmasını içerebilir.
Şirket, ilk sonuçların belirli vakalarda geleneksel teknikler üzerindeki performansta iyileşme olduğunu gösterdiğini belirtiyor. Geleneksel modeller kullanılarak anomali olarak işaretlenebilecek yüksek değerli, düşük frekanslı satın almalar örneğini gösteriyorlar, ancak yeni modelin meşru olayları benzerlerine göre daha doğru bir şekilde ayırt edebildiği görülüyor.
Şirket, yerleşik prosedürleri yeni modelle birleştiren hibrit sistemler uygulamayı planlıyor; bu, faaliyet gösterdiği düzenleyici seviyeleri yansıtan bir dikkat derecesidir. Tek bir modelin tüm senaryolarda iyi performans göstermesinin olası olmadığını kabul ediyor, bu nedenle LTM bu alandaki araçlar arasındaki yerini alacaktır.
Modelin sadakat programlarındaki faaliyeti tarayabileceği, portföy yönetiminde ve iç analizlerde, yani büyük hacimli yapılandırılmış verilerin bulunduğu alanlarda kullanılabileceği iddia ediliyor. Mevcut operasyonlarda, şirketler genellikle her göreve uyarlanmış birçok model uygular, ancak bu, birden çok eğitim maliyeti ve doğrulama ve izleme çabaları içerebilir. Farklı görevler için ince ayar yapılabilen tek bir temel model, süreçleri basitleştirebilir ve maliyetleri düşük tutabilir.
Çok işlevli LTM yaklaşımının elbette bir riski vardır: Geniş ölçüde dağıtılmış bir modeldeki bir arıza sistem çapında sonuçlara yol açabilir, bu da Mastercard'ın teknolojisini mevcut tespit sistemlerinin yanında uygulama stratejisini bir dereceye kadar açıklar – en azından şimdilik.
Mastercard, model üzerinde kullanılan verilerin ölçeğini ve genel karmaşıklığını artırmayı umuyor. Ayrıca p