AI解释器：大型交易模型正在确保付款流量|pymnts.com

数字化转型已经打开了一系列新信息流，尤其是在付款和商业周围。

每天，数十亿美元通过网络，银行和金融科技平台流动。虽然随着数字交易中的这一爆炸式爆炸，威胁景观已有急剧发展，付款利益相关者也可以使用数据驱动的防御措施。得益于现在通过并实现付款环境的大量交易数据，好人终于在持续的欺诈武器竞赛中获得了一些财务火力。

输入大型交易模型（LTMS），这是一种新的生成人工智能（AI）模型，该模型适合金融犯罪，并准备彻底改变金融服务环境中的安全，效率和运营有效性。

多年来，付款参与者和银行一直使用传统的机器学习（ML）模型来增强交易处理，并通过提高转化率和降低欺诈行为来改善用户体验。这些方法建立在明确定义的功能之类的特征，例如垃圾箱，邮政编码和付款方式上，已经带来了可观的收益，但是它们的常规方法具有内在的局限性。

例如，诸如特征选择之类的ML元素限制了模型的范围，要求针对不同挑战的单独，特定于任务的模型，例如授权，欺诈检测和争议解决。

认识到这些限制，企业越来越多地探索一个根本不同的途径：基于变压器的模型，以其在自然语言处理领域（NLP）领域的变革性影响而闻名。

阅读更多：从伪造的发票到伪造的高管，Genai都改变了欺诈

什么是大型交易模型？

类似于已转换基于语言任务的大型语言模型（LLMS），LTMS将深度学习用于处理和分析大量的交易数据序列。

沃尔夫冈·伯纳（Wolfgang Berner），联合创始人和CPO 鹰，去年夏天与PYMNTS讨论了LTM在建立更健壮，准确，全面的检测和预防机制方面所代表的机会。

核心的想法是我们对待交易作为句子伯纳说，教授变压器模型的语言和语法类似于在网络文本上对GPT-4（例如GPT-4）进行培训的方式。”通过这样做，它对交易，交易如何相互关系以及对它们的真实或可能是可疑的。

这些模型主要建立在基于变压器的体系结构上，摄入了数百万，甚至数十亿的历史交易记录，学习复杂的模式和行为，以识别异常，预测欺诈活动并实时简化合规过程。

该技术有效地将付款定位在庞大的基于矢量的景观中，该景观传达了深厚的语义联系。由同一发行人集群处理的交易自然而然地在一起，而来自相同银行的交易却更加接近。共享共享属性（例如通用电子邮件地址）的交易在嵌入中几乎无法区分，突出了传统模型看不见的微妙而又重要的模式。

另请阅读：一个 工业化欺诈的崛起加热了网络武器竞赛

改变欺诈检测和预防

LTM不断根据新兴的欺诈策略来完善他们的理解，使它们随着时间的流逝而更加有效。付款带有隐藏的顺序依赖性和复杂的特征互动，但是这些复杂性通过手动功能工程历来避免了捕获。

监视所有各种方式变得越来越困难 欺诈者攻击企业， 埃里克·弗兰维奇（Eric Frankovic），业务付款总经理 韦克斯，在9月告诉PYMNTS。

欺诈检测的另一个重大挑战是平衡警惕性与客户的便利性。LTM可以帮助区分合法和欺诈性交易之间的细微行为差异，显着降低了误报并改善客户体验。

这本质上是一个对抗性游戏； 罪犯``正在赚钱，[商业]社区需要削减这项活动，” 鹰首席解决方案官 迈克尔·希勒（Michael Shearer）2月告诉PYMNTS。现在的不同是，双方都武装着一些令人印象深刻的技术。

PYMNTS情报报告利用AI和ML来阻止骗子与Hawk的合作，研究了人工智能和机器学习的作用，以帮助防止欺诈者占上风。

B2B网络审核可以帮助组织评估其安全姿势，确定漏洞并与合作伙伴和客户建立信任。对于C-Suite领导者，这些审计不仅涉及合规性，而且还关乎维护其企业的长期稳定性，韧性和信任。

但是，ltms几乎是关于预防欺诈的；他们重塑了银行和金融机构内的更广泛的运营。通过自动化大部分合规性和风险评估过程，LTM可以帮助简化操作。除欺诈和合规性外，LTM可能会在信用评分，客户服务自动化和战略决策中发挥关键作用。

对于所有PYMNTS AI覆盖范围，请订阅每日一个 AIâ新闻通讯。