Mastercard satser på AI til tabeller og svindelmønstre

De fleste AI-historier handler om tekst, chat og billeder. Mastercard går en anden vej. Selskabet har bygget en såkaldt large tabular model, en model der er trænet på transaktionsdata i stedet for sprog. Ifølge AI News er den trænet på milliarder af korttransaktioner, og planen er at udvide til hundredvis af milliarder. Dataene omfatter blandt andet købshændelser, butiksplacering, godkendelsesforløb, svindelsager, chargebacks og loyalitetsaktivitet.

💡 Nøgletal

Mastercard siger, at modellen allerede er trænet på milliarder af transaktioner og skal vokse til hundredvis af milliarder.

De personlige identifikatorer er fjernet før træning.

Første driftsscenarie er svindel og cybersikkerhed.

Det er vigtigt, fordi mange organisationer lige nu prøver at presse generative sprogmodeller ind i opgaver, hvor problemet i virkeligheden er strukturerede data. En betalingsstrøm, et skadesforløb eller en indkøbslog er ikke først og fremmest et tekstproblem. Det er et mønsterproblem. Mastercard siger, at modellen kan finde sammenhænge, som faste regler ikke fanger, og at den især ser lovende ud i situationer, hvor traditionelle systemer får for mange falske alarmer. Eksemplet fra kilden er store, sjældne køb, som ofte bliver markeret som mistænkelige, selv når de er legitime.

Mastercard lægger heller ikke op til et stort spring direkte til fuld automatik. Selskabet vil køre modellen sammen med eksisterende systemer, netop fordi fejl i en model, der bliver brugt bredt, kan få store konsekvenser. Det er den rigtige læsning af historien. Det interessante er ikke, at endnu en virksomhed kalder noget for en foundation model. Det interessante er, at de bruger AI som et lag oven på drift, hvor data er store, ensartede og følsomme.

Den tekniske stak kommer fra Nvidia og Databricks, og Mastercard vil senere åbne for API-adgang og SDK'er til interne teams. Det gør historien mere konkret. Målet er ikke bare en smartere alarmklokke, men et system som flere forretningsområder kan bygge videre på.

For danske banker, pensionsselskaber, kommuner og styrelser er pointen klar. Hvis jeres vigtigste data ligger i tabeller, sagsfelter og logdata, er næste skridt måske ikke en chatbot. Det kan være en model, der finder afvigelser i transaktioner, refusioner eller kontrolspor. Men kravet bliver hårdt: datafelter skal være rene, ændringer skal kunne forklares, og beslutninger skal kunne revideres. Her er der mere at lære af denne historie end af endnu en smart tekstassistent.