A inovação na inteligência artificial aplicada ao setor financeiro acaba de ganhar um novo marco com a introdução de uma tecnologia desenvolvida pela Mastercard focada especificamente em dados estruturados. Em vez de utilizar os modelos de linguagem de grande escala, conhecidos pela sigla LLM, que processam vastas quantidades de texto para gerar conteúdo, a companhia criou um modelo tabular de grande escala, ou LTM. Essa solução foi treinada especificamente com registros de transações financeiras, permitindo que a infraestrutura de pagamentos digitais da empresa responda com mais eficiência a desafios críticos de segurança e autenticidade em um ambiente global.
Diferente dos modelos de linguagem que operam prevendo o próximo elemento de uma sequência em dados não estruturados, o LTM explora as correlações complexas entre diversos campos em tabelas multidimensionais. O treinamento desse sistema baseou-se em bilhões de transações processadas, com o objetivo de alcançar escalas ainda maiores futuramente. O conjunto de informações utilizado para o aprendizado do modelo inclui eventos de pagamento, localização de estabelecimentos comerciais, fluxos de autorização, registros de fraudes, contestações e atividades relacionadas a programas de fidelidade, garantindo uma base robusta para a análise comportamental.
Um aspecto fundamental desse desenvolvimento é a estratégia de privacidade adotada pela organização. Antes de qualquer etapa de treinamento, os identificadores pessoais foram removidos, permitindo que a inteligência artificial foque exclusivamente na interpretação de padrões de comportamento em vez de dados individuais de usuários. Ao eliminar informações sensíveis logo na origem, a tecnologia mitiga riscos de privacidade que frequentemente preocupam o setor financeiro. A empresa sustenta que o volume imenso de dados comportamentais compensa a ausência de dados pessoais, permitindo que o sistema identifique padrões comercialmente valiosos sem comprometer a identidade dos clientes.
A infraestrutura técnica necessária para sustentar esse projeto contou com a colaboração de empresas especializadas, utilizando tecnologias de computação de alto desempenho da Nvidia e a plataforma de engenharia de dados e desenvolvimento de modelos da Databricks. Essa arquitetura permite que o LTM funcione como um motor de percepções, ou insights, capaz de integrar-se aos fluxos de trabalho já existentes na companhia. Ao agir como uma ferramenta de apoio à decisão, o modelo auxilia as equipes internas a aprimorar processos de detecção de fraudes, que historicamente dependiam de regras estáticas e intervenções manuais constantes.
A cibersegurança foi escolhida como o campo prioritário para a implementação prática dessa tecnologia. Tradicionalmente, os sistemas antifraude necessitam de calibração humana para definir o que caracteriza um comportamento suspeito, como o aumento repentino na frequência de compras ou transações realizadas em locais geograficamente distantes em intervalos curtos. O novo modelo, no entanto, demonstrou uma capacidade superior ao distinguir eventos legítimos de atividades fraudulentas, especialmente em casos de transações de alto valor e baixa frequência, que costumavam ser erroneamente sinalizadas como anomalias por métodos convencionais.
Para garantir a estabilidade e a conformidade regulatória, a estratégia da empresa envolve a utilização de sistemas híbridos. Isso significa que o modelo avançado opera em conjunto com os procedimentos estabelecidos anteriormente, reconhecendo que nenhuma solução tecnológica única é capaz de responder perfeitamente a todos os cenários possíveis. Além da segurança, a organização planeja aplicar a tecnologia em áreas como a gestão de portfólios, análise de programas de fidelidade e outras operações que lidam com grandes volumes de dados estruturados, visando simplificar processos e reduzir os custos operacionais associados ao monitoramento e validação de múltiplos sistemas adaptados individualmente.
O futuro dessa abordagem, contudo, exige cautela, especialmente em relação a falhas potenciais, visto que a dependência de um modelo de grande escala aplicado amplamente pode acarretar consequências sistêmicas. Por esse motivo, a empresa enfatiza a importância da transparência, da explicabilidade dos modelos e da auditabilidade, preparando-se para o escrutínio regulatório que envolve qualquer sistema com impacto direto em decisões de crédito ou resultados de fraude. À medida que o sistema evolui, a disponibilização de acesso via interfaces de programação e ferramentas de desenvolvimento deve permitir que equipes internas criem novas aplicações, consolidando os modelos tabulares como pilares da infraestrutura bancária moderna.
RESUMO: A Mastercard desenvolveu um modelo tabular de grande escala para aprimorar a detecção de fraudes em transações financeiras. Diferente da inteligência artificial generativa comum, este sistema processa bilhões de registros estruturados, focando em padrões comportamentais e excluindo dados de identificação pessoal para reforçar a privacidade. A tecnologia atua como um motor de percepções integrado aos sistemas existentes, superando métodos tradicionais em transações complexas de alto valor. Com infraestrutura tecnológica de ponta, a empresa adota uma abordagem híbrida, conciliando novos modelos com procedimentos de segurança estabelecidos, enquanto planeja futuras expansões para gestão de portfólios e outras análises internas, priorizando sempre a auditabilidade e a conformidade regulatória.
