Mastercard innove avec un modèle IA pour contrer la fraude numérique

Mastercard innove avec un modèle IA pour contrer la fraude numérique

Un modèle fondamental pour la sécurité des paiements

Mastercard a récemment introduit un modèle tabulaire avancé, conçu pour analyser des données de transaction à grande échelle afin de renforcer la sécurité et l'authenticité dans le domaine des paiements numériques. Contrairement aux modèles de langage qui se concentrent sur le texte ou les images, ce modèle est spécifiquement entraîné sur des données transactionnelles. Actuellement, il est basé sur l'analyse de milliards de transactions par carte, avec l'ambition de couvrir des centaines de milliards à l'avenir.

Les données utilisées pour entraîner ce modèle incluent divers événements liés aux paiements, tels que :

• La localisation des commerçants
• Les processus d'autorisation
• Les incidents de fraude
• Les rétrofacturations
• L'activité liée aux programmes de fidélité

Mastercard assure que toutes les informations personnelles sont retirées avant l'entraînement du modèle, ce qui permet de se concentrer sur les schémas comportementaux plutôt que sur les identités individuelles. Cette approche vise à réduire les risques de confidentialité, un problème souvent associé à d'autres formes d'intelligence artificielle dans le secteur financier. Bien que l'anonymisation puisse supprimer certains signaux potentiellement utiles pour l'évaluation des risques, Mastercard soutient que l'ampleur des données comportementales compense largement cette perte.

Comprendre le modèle tabulaire large (LTM)

Le modèle tabulaire large (LTM) de Mastercard se distingue des grands modèles de langage (LLM) par son approche. Alors que les LLM se basent sur des données non structurées pour prédire des séquences de mots, le LTM examine les relations entre différents champs dans des tables de données multidimensionnelles. Cette méthode est plus proche de l'apprentissage automatique pur que de l'intelligence artificielle traditionnelle.

En analysant des données brutes, le LTM apprend à identifier des relations prévisibles, ce qui lui permet de détecter des schémas anormaux qui ne seraient pas capturés par des règles prédéfinies. Mastercard décrit ce modèle comme un "moteur d'insights" capable d'enrichir les produits existants et d'améliorer les flux de travail actuels. L'infrastructure technique du LTM repose sur les technologies de Nvidia pour la plateforme de calcul, et de Databricks pour l'ingénierie des données et le développement du modèle.

Déploiement et applications pratiques

La cybersécurité est le premier domaine où Mastercard a déployé activement cette technologie. Comme beaucoup d'autres institutions, Mastercard utilise plusieurs systèmes de détection de fraude qui analysent les données transactionnelles. Ces systèmes nécessitent une intervention humaine initiale et une surveillance continue pour définir ce qui constitue un comportement suspect.

Parmi les comportements surveillés, on trouve :

• Des augmentations soudaines du nombre de transactions
• Des achats effectués par un même utilisateur dans différentes régions du monde en peu de temps

Les premiers résultats montrent que ce modèle améliore les performances par rapport aux techniques traditionnelles dans certains cas. Par exemple, il semble mieux distinguer les transactions légitimes des anomalies dans le cas d'achats de grande valeur mais peu fréquents. Mastercard prévoit d'intégrer ce modèle dans des systèmes hybrides, combinant des méthodes établies avec cette nouvelle technologie, afin de respecter les normes réglementaires strictes.

Le modèle pourrait également être utilisé pour analyser l'activité des programmes de fidélité, la gestion de portefeuille, et d'autres analyses internes, là où les données structurées sont abondantes. Actuellement, les entreprises utilisent souvent plusieurs modèles adaptés à chaque tâche, ce qui peut entraîner des coûts de formation et de validation élevés. Un modèle fondamental unique, ajustable pour différentes tâches, pourrait simplifier ces processus et réduire les coûts.

Enjeux et perspectives d'avenir

L'approche multifonctionnelle du LTM comporte des risques : un échec dans un modèle largement déployé pourrait avoir des conséquences systémiques. C'est pourquoi Mastercard applique prudemment cette technologie aux systèmes de détection existants pour l'instant.

Mastercard envisage d'élargir l'échelle des données utilisées et d'améliorer la sophistication du modèle. Elle prévoit également de fournir des API et des SDK pour permettre aux équipes internes de développer de nouvelles applications. Le respect de la confidentialité, la transparence, l'explicabilité et l'auditabilité des modèles sont des responsabilités clés mentionnées par Mastercard.

Tout système influençant les décisions de crédit ou les résultats de fraude sera soumis à un examen réglementaire. Les données hautement structurées, plutôt que le texte ou les images, sont au cœur du LTM. Les modèles tabulaires pourraient marquer le début d'une nouvelle ère pour les systèmes d'IA dans le secteur bancaire et des paiements.

Les preuves actuelles reposent principalement sur les rapports des fournisseurs, donc les affirmations de performance doivent être prises avec précaution. La robustesse face à des conditions adverses, les coûts à long terme après l'entraînement, et l'acceptation réglementaire sont des défis que ces modèles devront surmonter. Ces facteurs détermineront le rythme et l'étendue de leur adoption, mais Mastercard semble confiante dans le potentiel de ces innovations.