Mastercard ha lanzado un innovador modelo de tablas grandes (LTM), diseñado específicamente para combatir el fraude en transacciones digitales. Este modelo se entrena con datos transaccionales en lugar de texto o imágenes, lo que le permite abordar eficazmente los problemas de seguridad y autenticidad en los pagos electrónicos.

La compañía ha utilizado miles de millones de transacciones de tarjetas para desarrollar este modelo, con planes de expandir el volumen de datos a cientos de miles de millones en el futuro. Los conjuntos de datos incluyen eventos de pago y datos asociados, como la ubicación del comerciante, los flujos de autorización, incidentes de fraude, devoluciones y actividades de lealtad.

Mastercard asegura que se eliminaron los identificadores personales antes de comenzar el entrenamiento del modelo, lo que permite que la tecnología se enfoque en patrones de comportamiento sin comprometer la identidad de los usuarios. Al excluir datos personales, se minimizan los riesgos de privacidad que suelen asociarse con otras formas de inteligencia artificial en el sector financiero.

La riqueza y escala de los datos permiten al modelo inferir patrones valiosos para el comercio, a pesar de la ausencia de información específica por usuario. Aunque la anonimización puede eliminar señales útiles para la evaluación de riesgos, Mastercard sostiene que el uso de grandes volúmenes de datos de comportamiento compensa esta pérdida.

El modelo LTM se distingue de los modelos de lenguaje grandes (LLM), ya que se centra en las relaciones entre campos en tablas de datos multidimensionales. Esto se asemeja más a un aprendizaje puramente automático que a una inteligencia artificial convencional. El LTM aprende de entradas en bruto para identificar patrones anómalos que no son capturados por reglas predefinidas.

Mastercard describe el LTM como un motor de insights que puede integrarse en productos existentes, mejorando flujos de trabajo ya establecidos. La infraestructura técnica del LTM proviene de Nvidia y Databricks, donde Nvidia proporciona la plataforma de computación y Databricks se encarga de la ingeniería de datos y el desarrollo del modelo.

El área de ciberseguridad de Mastercard es la primera en implementar esta tecnología. Al igual que muchas instituciones, la compañía cuenta con varios sistemas de detección de fraude que analizan datos transaccionales. Estos sistemas requieren intervención humana para definir qué comportamientos son sospechosos, como un aumento repentino en la frecuencia de transacciones o compras realizadas en diferentes partes del mundo en un corto período.

Los primeros resultados indican que el rendimiento del nuevo modelo supera a las técnicas convencionales en casos específicos. Por ejemplo, las compras de alto valor y baja frecuencia, que tradicionalmente se marcaban como anomalías, ahora pueden ser identificadas con mayor precisión gracias al nuevo modelo.

Mastercard planea implementar sistemas híbridos que combinen procedimientos establecidos con el nuevo modelo, una estrategia cautelosa que refleja los niveles regulatorios bajo los cuales opera. La compañía reconoce que ningún modelo único podrá desempeñarse bien en todas las situaciones, por lo que el LTM se sumará a las herramientas disponibles en este ámbito.

El modelo también puede analizar actividades en programas de lealtad, ser utilizado en la gestión de carteras y para análisis internos, áreas que manejan grandes volúmenes de datos estructurados. Actualmente, las empresas suelen utilizar múltiples modelos adaptados a cada tarea, lo que conlleva altos costos de entrenamiento y validación. Un único modelo de base que pueda ajustarse a diversas tareas podría simplificar estos procesos y reducir costos.

Sin embargo, el enfoque de un LTM multifuncional conlleva riesgos: una falla en un modelo ampliamente desplegado podría tener consecuencias a gran escala. Esto explica en parte la estrategia de Mastercard de aplicar su tecnología junto a los sistemas de detección existentes, al menos por el momento. La empresa espera aumentar la escala de los datos utilizados por el modelo y su sofisticación general, además de planear el acceso a API y SDK para que los equipos internos puedan desarrollar nuevas aplicaciones.

El blog de Mastercard enfatiza las responsabilidades de datos que conlleva el LTM, mencionando la privacidad, la transparencia, la explicabilidad del modelo y la auditabilidad. Se anticipa un escrutinio regulatorio para cualquier sistema que influya en decisiones de crédito o resultados de fraude, además de las prácticas de datos involucradas en la operación del LTM.

Los modelos de tablas grandes podrían marcar el inicio de una nueva generación de sistemas de inteligencia artificial en la infraestructura bancaria y de pagos. Sin embargo, las evidencias hasta ahora se limitan a informes de proveedores, por lo que las afirmaciones sobre el rendimiento no deben considerarse concluyentes. La robustez en condiciones adversas, los costos a largo plazo post-entrenamiento y la aceptación regulatoria son cuestiones que determinarán la adopción de estos modelos.