主要内容
Mastercard 开发了一种大型表格模型（LTM），而非传统的语言模型（LLM），该模型基于交易数据训练，旨在解决数字支付中的安全与真实性问题。公司已利用数十亿张卡交易数据训练该基础模型，未来计划扩展至数千亿级数据规模。
训练数据包含支付事件及商户位置、授权流程、欺诈事件、拒付和忠诚度活动等关联信息。Mastercard 强调，训练前已移除个人身份标识，模型通过分析行为模式而非关注个体身份来降低隐私风险。尽管匿名化可能减少风险评估的细节信息，但大规模行为数据可弥补数据丰富度的损失。
LTM 架构与 LLM 不同，后者基于非结构化输入训练，预测序列中的下一个“token”（常被误称为单词），而 LTM 则分析多维数据表中字段间的关系，更接近纯机器学习而非人工智能。它通过识别可预测的关系，发现预设规则未捕捉的异常模式，被描述为“洞察引擎”，可整合至现有产品，优化工作流程。
技术层面，LTM 依托英伟达的计算平台和 Databricks 的数据工程与模型开发支持。其首个应用将落地网络安全领域，辅助现有的欺诈检测系统，提升异常交易识别能力。Mastercard 计划采用混合系统，结合现有流程与 LTM，简化模型管理并降低运营成本，未来或扩展至内部决策、忠诚度项目分析等场景。