Что такое фундаментальные транзакционные модели в финансовой сфере?

Это масштабные ИИ-системы, обученные на миллиардах финансовых событий, таких как платежи, переводы и взаимодействия с продуктами. Они позволяют банкам и платежным системам формировать целостное понимание финансового поведения клиентов.

Почему финансовые организации переходят на единые ИИ-модели?

Переход обусловлен необходимостью преодолеть ограничения разрозненных, узкоспециализированных алгоритмов, которые не дают полной картины. Единые модели помогают эффективнее масштабировать ИИ и снижать сложность архитектуры, опираясь на собственные данные.

Как фундаментальные модели улучшают обнаружение мошенничества?

В отличие от традиционных систем, эти модели интерпретируют поведение в контексте, анализируя время, устройство, геолокацию и предыдущую активность. Это позволяет выявлять сложные закономерности и скрытые сигналы мошенничества, недоступные для простых алгоритмов.

Какую роль играет архитектура трансформеров в этих моделях?

Применение архитектуры трансформеров к табличным данным является ключевым технологическим достижением. Оно позволяет извлекать глубокие сигналы и взаимосвязи из миллиардов финансовых событий, значительно сокращая время на конструирование признаков.

Какие компании уже используют фундаментальные транзакционные модели?

Среди пионеров внедрения — Revolut, который создал семейство моделей PRAGMA, Mastercard, разрабатывающая большую табличную модель для платежей, а также Adyen и Stripe, применяющие их для оптимизации конверсии и предотвращения мошенничества.

Эволюция финансового ИИ: переход к фундаментальным транза...

Суть

Финансовый сектор переживает структурный сдвиг в подходах к искусственному интеллекту. Крупнейшие игроки рынка начинают отказываться от множества разрозненных, узкоспециализированных алгоритмов в пользу единых фундаментальных транзакционных моделей (transaction foundation models). Этот переход позволяет банкам и платежным системам формировать целостное понимание финансового поведения потребителей, опираясь исключительно на собственные проприетарные данные.

Контекст

Годами финансовые учреждения создавали ИИ-системы под конкретные задачи: отдельные модели для выявления мошенничества, оценки кредитных рисков, систем рекомендаций и управления рисками. Хотя такой подход был эффективным на ранних этапах, сегодня он ограничен изолированностью систем. Изолированные базы данных не позволяют организациям видеть полную картину.

По мере роста объемов корпоративных данных увеличивается и разрыв между тем, что учреждения потенциально знают, и тем, что их ИИ способен проанализировать. Согласно отчету NVIDIA о состоянии ИИ в финансовых услугах, 65% учреждений уже используют ИИ, а почти 90% внедряют или оценивают его потенциал. Однако масштабирование ИИ приводит к росту сложности, и фрагментированная архитектура моделей становится главным ограничивающим фактором.

Financial services payments visual.

Детали

Решение проблемы индустрия нашла в применении архитектуры трансформеров к табличным данным. Фундаментальные транзакционные модели — это масштабные ИИ-системы, обученные на миллиардах финансовых событий (платежах, переводах, взаимодействиях с продуктами).

Примеры внедрения уже показывают значительные результаты:

Revolut в сотрудничестве с NVIDIA создал PRAGMA — семейство фундаментальных моделей на базе трансформеров, обученных на 24 миллиардах событий от 26 миллионов пользователей. Единая модель теперь превосходит сильные узкоспециализированные алгоритмы в кредитном скоринге и выявлении мошенничества.
Mastercard разрабатывает собственную большую табличную модель для платежей, которая обучается на миллиардах анонимизированных транзакций и призвана снизить зависимость от множества локальных ИИ-моделей на разных рынках.
Adyen обрабатывает платежи на сумму 1 триллион долларов, используя фундаментальные модели и обучение с подкреплением для максимизации конверсии и минимизации рисков.
Stripe благодаря аналогичному подходу заблокировал мошеннические операции на сумму около 112 миллиардов долларов за прошлый год.

Анализ

NVIDIA Enables the Next Era Of Physical AI Research With Agent Skills For Autonomous Vehicles, Robotics And Vision AI

Традиционная модель выявления мошенничества оценивает изолированные сигналы. Фундаментальная модель интерпретирует поведение в контексте: время, устройство, геолокация и предыдущая активность формируют смысл происходящего. Платеж в полночь означает одно, если он первый за месяц, и совершенно другое — если он четвертый за 10 минут с незнакомого устройства в новом городе.

Ключевое технологическое достижение здесь — перенос мощи трансформеров на табличные данные. Это позволяет извлекать сигналы, которые ранее были невидимы для традиционных алгоритмов. Кроме того, это радикально меняет процесс разработки. По словам представителей Revolut, время, затрачиваемое на конструирование признаков (feature engineering), сократилось с нескольких месяцев до нуля.

Перспектива

Почти половина финансовых компаний уже оценивают или используют агентный ИИ (agentic AI). По мере того как эти системы начнут самостоятельно совершать транзакции — управлять подписками, маршрутизировать платежи, делать покупки — природа финансового поведения изменится.

Транзакционные данные становятся главным конкурентным преимуществом, которое невозможно скопировать. Данные уже существуют, архитектура доказала свою эффективность, а инфраструктура готова к масштабированию. Появление доступных шаблонов разработки, таких как решение от NVIDIA, означает, что в ближайшие годы создание собственных фундаментальных моделей станет стандартом не только для технологических гигантов, но и для традиционных банков среднего звена.