يقدم Mastercard نظام الذكاء الاصطناعي التوليدي المبني على بيانات المعاملات لتعزيز الأمان والرؤى والتخصيص

باختصار

تقوم شركة ماستركارد، وهي شركة تكنولوجيا وشبكة مدفوعات عالمية، بتطوير نموذج أساسي للذكاء الاصطناعي التوليدي مدرب على بيانات المعاملات المجهولة الهوية لتحسين الرؤى، وكشف الاحتيال، وخدمات الدفع مع الحفاظ على خصوصية المستخدم.

طرحت شركة التكنولوجيا وشبكة المدفوعات العالمية ماستركارد نظام ذكاء اصطناعي توليدي مصمم كنموذج أساسي واسع النطاق لدعم مجموعة واسعة من التطبيقات. يتم تدريب النموذج على مجموعات بيانات مملوكة مستمدة من مليارات المعاملات المالية، مع إزالة المعرفات الشخصية للحفاظ على خصوصية المستخدم. من خلال تحليل الأنماط المجهولة الهوية داخل هذه البيانات، يُصمم النظام لتوليد رؤى وتوقع سلوك المعاملات المستقبلية.

يعتمد النهج على مبدأ مشابه لأنظمة الذكاء الاصطناعي الحواري الحديثة، التي تتنبأ بالكلمات التالية في تسلسل، على الرغم من أن النموذج هنا لا يُستخدم لإنشاء حوارات. بدلاً من ذلك، يُطوّر كنظام تحليلي لتعزيز الخدمات الحالية، بما في ذلك تدابير الأمن السيبراني، وبرامج ولاء العملاء، وأدوات للشركات الصغيرة.

يتم تطوير النظام بدعم من مزودي البنية التحتية الحاسوبية والبيانات الرئيسيين، مثل نفيديا وDatabricks، مما يتيح معالجة واسعة النطاق وتسريع تدريب النموذج. أشارت الشركة إلى أن نتائج هذا العمل من المتوقع أن تُعرض في مؤتمر صناعي قادم.

نموذج ذكاء اصطناعي أساسي مبني على بيانات معاملات منظمة لتعزيز المدفوعات والأمان

يختلف الهيكل الأساسي عن نماذج اللغة الكبيرة المستخدمة عادة، والتي تُدرّب على بيانات غير منظمة مثل النصوص والصور والفيديو. بدلاً من ذلك، ينتمي هذا النموذج إلى فئة تُعرف بالنماذج الجدولية الكبيرة، والتي تُدرّب على مجموعات بيانات منظمة في جداول. تتضمن عملية التدريب بيانات المعاملات على نطاق واسع، مع خطط للتوسع إلى مجموعات بيانات أوسع مثل معلومات مواقع التجار، ومؤشرات الاحتيال، وسجلات التفويض، وبيانات استرداد الرسوم، ونشاط برامج الولاء.

الهدف من توسيع نطاق البيانات هو تحسين قدرة النموذج على التعرف على الأنماط وتوليد توقعات أكثر دقة. أحد المجالات الرئيسية للتطبيق هو الأمن السيبراني، حيث تُستخدم الأنظمة الحالية للكشف عن الاحتيال ومنعه. من المتوقع أن يعزز دمج هذا النموذج القدرات الحالية من خلال تحسين التعرف على الأنماط وتقليل الإيجابيات الكاذبة.

عادةً، تعتمد نماذج الأمن السيبراني الحالية على ميزات مصممة يدوياً من قبل علماء البيانات لتسليط الضوء على إشارات محددة داخل بيانات المعاملات، مثل التغيرات المفاجئة في سلوك الإنفاق. بالمقابل، يُصمم النظام الجديد ليتعلم هذه الأنماط بأقل قدر من الهندسة اليدوية للميزات، مما يسمح له بتحديد العلاقات في البيانات التي قد لا تكون واضحة باستخدام الطرق التقليدية.

تشير الاختبارات الأولية إلى أداء محسّن مقارنة بأساليب التعلم الآلي التقليدية، خاصة في تقليل الإيجابيات الكاذبة في سيناريوهات المعاملات المشروعة والنادرة. أظهر النظام القدرة على التمييز بشكل أفضل بين النشاط غير المعتاد ولكنه صالح، والسلوك المحتمل أن يكون احتياليًا.

تشمل التطبيقات المحتملة الأخرى تحسين أنظمة التخصيص، وتحسين برامج المكافآت، وتحليل المحافظ بشكل أكثر تقدمًا، وتطوير قدرات التحليل البياناتي. من المتوقع أيضًا أن يقلل النموذج من الحاجة إلى صيانة عدد كبير من النماذج المتخصصة عبر مناطق واستخدامات مختلفة.

تشمل خطط التطوير المستقبلية توسيع قدرات النموذج، وتحسين هيكله، وإضافة واجهات برمجة التطبيقات وأدوات المطورين لتمكين استخدام أوسع عبر المؤسسة. من المتوقع أن يدعم التعاون المستمر مع شركاء التكنولوجيا التقدم المستمر.

يتم تطوير المبادرة وفقًا لمبادئ حوكمة البيانات المعتمدة، مع التركيز على حماية الخصوصية، والاستخدام المسؤول للبيانات، والشفافية. مع تقدم التطوير، من المتوقع أن يساهم النموذج في زيادة الكفاءة، وتحسين الأمان، وتعزيز الذكاء في أنظمة المدفوعات والتجارة.