萬事達卡推出基於交易資料的生成式人工智慧系統，以增強安全性、洞察力和個人化服務

科技公司與全球支付網絡 萬事達卡 推出了一款生成式人工智慧系統，該系統被設計為大規模基礎模型，旨在支援廣泛的應用。該模型基於從數十億筆支付交易中提取的專有資料集進行訓練，所有個人識別資訊均已移除以保護用戶隱私。透過分析這些數據中的匿名模式，該系統旨在產生洞察並預測未來的交易行為。

這種方法與現代對話式人工智慧系統有異曲同工之妙，後者能夠預測序列中的後續詞語，但此模型並非用於生成對話。相反，它被開發為一個分析引擎，旨在增強現有服務，包括網路安全措施、客戶忠誠度計劃以及面向小型企業的工具。

該系統是在包括英偉達和Databricks在內的主要運算和資料基礎設施提供者的支援下開發的，能夠實現大規模處理和加速模型訓練。該公司表示，預計這項研究成果將在即將召開的產業會議上公佈。

基於結構化交易資料建構的基礎人工智慧模型，旨在提升支付安全性和安全性。

此模型的底層架構與常用的基於非結構化資料（例如文字、圖像和視訊）訓練的大型語言模型有所不同。相反，該模型屬於大型表格模型，這類模型基於以表格形式組織的結構化資料集進行訓練。訓練過程已大規模整合了交易數據，並計劃擴展到更廣泛的數據集，例如商家位置資訊、詐欺指標、授權記錄、拒付數據和會員計畫活動數據。

資料範圍的擴大旨在提升模型識別模式和產生更準確預測的能力。其主要應用領域之一是網路安全，目前已有系統用於偵測和預防詐欺。新模型的整合有望透過改進模式識別和減少誤報來增強這些能力。

目前的網路安全模型通常依賴資料科學家創建的工程特徵，以突出顯示交易資料中的特定訊號，例如消費行為的突然變化。相較之下，新系統旨在透過最少的人工特徵工程來學習這些模式，從而識別出傳統方法可能無法立即發現的資料關係。

初步測試表明，與傳統的機器學習方法相比，該系統性能有所提升，尤其是在涉及合法但罕見交易的場景下，能夠有效減少誤報。該系統已展現出更好地區分異常但合法的活動和潛在詐欺行為的能力。

該模型的其他潛在應用包括增強個人化系統、優化獎勵計劃、改進投資組合分析以及提升數據分析能力。此外，該模型有望減少在不同地區和用例中維護大量專用模型的需求。

未來的發展計畫包括擴展模型的功能、完善其架構，並引入應用程式介面和開發者工具，使其在整個組織內得到更廣泛的應用。與技術合作夥伴的持續合作有望支持這些持續進步。

該計劃的製定遵循既定的資料治理原則，強調隱私保護、負責任的資料使用和透明度。隨著開發的推進，該模型有望提升支付和商業系統的效率、安全性和智慧化水準。