Foto: NVIDIA Blog
Financijske institucije već godinama razvijaju različite AI sustave za otkrivanje prijevara, kreditno odlučivanje, preporuke i procjenu rizika, ali NVIDIA navodi da ih sve veći broj takvih zasebnih modela ograničava zbog fragmentiranih sustava. U objavi se ističe da se dio industrije zato okreće tranziciji prema transakcijskim temeljnim modelima, odnosno transformerima koji mogu učiti jedinstvenu reprezentaciju ponašanja korisnika na temelju vlasničkih podataka.
NVIDIA u izvješću State of AI in Financial Services za 2026. navodi da 65 posto institucija sada koristi AI, da ih gotovo 90 posto AI već primjenjuje ili procjenjuje, te da gotovo sve održavaju ili povećavaju ulaganja. Kako se AI širi, raste i složenost, a upravo bi fragmentirane arhitekture modela mogle postati ograničavajući faktor. Tvrtka opisuje transakcijske temeljne modele kao velike AI sustave trenirane na milijardama financijskih događaja, uključujući plaćanja, transfere, interakcije s proizvodima i bihevioralne signale.
Prema NVIDIA-i, razlika u odnosu na tradicionalne modele za prijevare je u tome što temeljni model ne promatra izolirani signal, nego ponašanje u kontekstu. U primjeru koji navodi tvrtka, uplata u ponoć dobiva drukčije značenje ako je riječ o četvrtoj transakciji u 10 minuta, na nepoznatom uređaju i u gradu iz kojeg korisnik prije nije transaktirao. NVIDIA dodaje da takav pristup može poboljšati performanse kroz više zadataka jer transformer arhitektura na tabličnim podacima može izdvojiti signale koje klasični algoritmi nisu vidjeli.
Kao primjer se navodi Revolut, koji je u suradnji s NVIDIA-om izgradio PRAGMA, obitelj transformer-based temeljenih modela treniranih na 24 milijarde događaja i 26 milijuna korisničkih zapisa u više od 100 zemalja. Model je pokretan NVIDIA-inim AI stackom, uključujući Hopper GPU-ove, biblioteku cuDF i open modele Nemotron, uz Nebius cloud. NVIDIA navodi da jedan temeljni model u tom slučaju nadmašuje snažne modele specifične za zadatak u područjima kao što su kreditno bodovanje, detekcija prijevara i preporuke proizvoda, uz smanjenu potrebu za ručno izrađenim značajkama. Tadas Kriščiūnas iz Revoluta kaže da se vrijeme potrebno za feature engineering smanjuje s tjedana ili mjeseci na nulu.
NVIDIA sada nudi i primjer za razvoj pod nazivom Build Your Own Transaction Foundation Model, koji timovima omogućuje da počnu graditi transformer embeddings na tabličnim transakcijskim podacima i da ih uključe u postojeće procese bez ponovnog građenja sustava od početka. Mastercard, kako navodi NVIDIA, razvija vlastiti veliki tablični temeljni model za plaćanja, treniran na milijardama anonimiziranih transakcija i zamišljen tako da s vremenom može skalirati na stotine milijardi zapisa iz dodatnih skupova podataka, uključujući prijevare, autorizacije, chargeback, lokaciju trgovca i podatke o lojalnosti. Rješenje je izrađeno uz sposobnosti NVIDIA-e, AWS-a i Databricksa, a rana testiranja pokazuju da nadmašuje standardne tehnike strojnog učenja u više područja, uključujući kibernetičku sigurnost, prijevare, lojalnost, personalizaciju, optimizaciju portfelja i analitiku.
U objavi se navodi i da je Adyen implementirao transakcijske temeljne modele u velikom opsegu, uz obradu 1 bilijun dolara plaćanja. Tvrtka koristi reinforcement learning kako bi povećala konverziju i smanjila rizik za trgovce. NVIDIA pritom citira Dhruva Ghulatija iz Adyena, koji kaže da i fractional poboljšanja poput povećanja autorizacije od 0,1 posto mogu značiti velik dodatni gross merchandise value i znatno smanjenje troškova.
NVIDIA također navodi da 42 posto financijskih tvrtki već koristi ili procjenjuje agentic AI, a Stripe na platformi NVIDIA i AWS gradi modele koji trebaju razumjeti puni kontekst transakcijskog ponašanja, umjesto da reagiraju na pojedinačne signale. U objavi se dodaje i da je Stripe prošle godine blokirao gotovo 112 milijardi dolara prijevara te ostvario prosječno smanjenje od 38 posto u jednom od pokazatelja, no u dostupnom dijelu objave završetak te rečenice nije naveden.
Vezane vijesti
