万事达卡开发了一种大型表格模型（LTM，区别于大语言模型），该模型基于交易数据而非文本或图像进行训练，专门用于解决数字支付中的安全性和真实性问题。

该公司已在数十亿笔信用卡交易上训练了这一基础模型，计划未来扩展至千亿笔交易规模。训练数据集包括支付事件及相关数据，如商户位置、授权流程、欺诈事件、退单和忠诚度活动。万事达卡表示，在训练开始前已移除个人标识符，模型专注于解析行为模式而非个体身份。

通过排除个人数据，该技术降低了可能影响金融服务领域其他人工智能形式的隐私风险。公司在最近的博客文章中表示，尽管缺乏用户个人信息，但数据的规模和丰富性仍能让模型推断出具有商业价值的模式。虽然匿名化处理移除了在风险评估中可能有用的信号，但万事达卡坚持认为，使用足够大量的行为数据可以弥补丰富数据的损失。

LTM架构与大语言模型的架构不同

LTM架构与大语言模型不同，后者基于非结构化输入进行训练，通过预测序列中的下一个Token来工作。万事达卡的LTM检查多维数据表中字段间的关系，使该技术的定义更接近纯机器学习而非人工智能。

大型表格模型从原始输入中准确学习哪些关系是可预测的，因此能识别预定义规则无法捕获的异常模式。

该公司将LTM描述为一个"洞察引擎"，可用于现有产品中，增强现有工作流程。与客户互动的模型（通常是大语言模型）的操作风险不同于作为内部决策一部分的模型。

LTM的技术基础设施来自英伟达和Databricks，前者提供计算平台，Databricks负责数据工程和模型开发。

网络安全领域率先应用

网络安全是万事达卡首个积极部署该技术的领域。像许多机构一样，万事达卡运营着多个检查交易数据的欺诈检测系统。这些系统在开始时需要人工输入，并需要持续调整以定义可疑行为。这些可能包括交易频率突然增加，或用户在短时间内在世界不同地区进行购买。

公司表示，早期结果显示在特定情况下相比传统技术有改进的性能。它引用了高价值、低频率购买的例子，传统模型可能将其标记为异常，但新模型似乎能比同类模型更准确地区分合法事件。

该公司计划部署结合既定程序和新模型的混合系统，这种谨慎程度反映了其运营的监管水平。它承认没有单一模型能在所有场景下都表现良好，因此LTM将在这一领域的工具中占据一席之地。

据称该模型可以扫描忠诚度计划活动，用于投资组合管理和内部分析，这些领域都有大量结构化数据。在当前运营中，公司通常为每项任务部署多个适配的模型，但这可能涉及多倍的训练成本以及验证和监控努力。一个可以针对不同任务进行微调的单一基础模型可能简化流程并降低成本。

多功能方法的风险和未来计划

多功能LTM方法当然存在风险：广泛部署的模型如果出现故障可能产生系统性后果，这在一定程度上解释了万事达卡将其技术与现有检测系统结合应用的策略，至少目前如此。

万事达卡希望增加模型使用的数据规模和整体复杂性。它还计划提供API访问和SDK，让内部团队构建新应用。

博客文章强调了LTM承担的数据责任，提到了隐私和透明度、模型可解释性和可审计性。除了LTM运营中涉及的任何数据实践外，对影响信贷决策或欺诈结果的任何系统进行监管审查都是预期的。

高度结构化的数据（相对于文本或图像）是LTM的核心。大型表格模型可能是核心银行和支付基础设施中新一代AI系统的开始。迄今为止的证据仍限于供应商报告，因此任何性能声明不应被视为确定性的。

对抗条件下的稳健性、长期训练后成本和监管接受度都是表格模型可能失败或成功的问题。这些因素将决定采用的步伐和范围，但这是万事达卡目前下注的领域。

Q&A

Q1：万事达卡的大型表格模型LTM与大语言模型有什么区别？

A：LTM基于交易数据而非文本或图像进行训练，检查多维数据表中字段间的关系，更接近纯机器学习。而大语言模型基于非结构化输入训练，通过预测序列中下一个Token工作。

Q2：万事达卡如何保护用户隐私？

A：万事达卡在训练开始前移除了所有个人标识符，模型专注于解析行为模式而非个体身份。通过排除个人数据，该技术降低了隐私风险，使用大量匿名化行为数据来补偿丰富数据的损失。

Q3：大型表格模型在反欺诈方面有什么优势？

A：LTM能从原始输入中准确学习可预测关系，识别预定义规则无法捕获的异常模式。在高价值、低频率购买等场景中，新模型能比传统模型更准确地区分合法事件，减少误报。