Mastercard's nieuwe AI-model bestrijdt fraude met transactiedata

Sophie Jansen · 2026-03-18

Mastercard heeft een nieuwe vorm van kunstmatige intelligentie ontwikkeld die specifiek is getraind op transactiedata. In plaats van tekst of afbeeldingen te analyseren, kijkt dit zogenaamde 'Large Tabular Model' naar patronen in miljarden betalingstransacties. Het doel? Fraude beter opsporen en de veiligheid van digitale betalingen vergroten. Het bijzondere aan deze aanpak is dat alle persoonlijke gegevens worden verwijderd voordat de training begint. Het model leert dus niet wie je bent, maar wel hoe je betaalgedrag er normaal gesproken uitziet. Door op deze schaal naar anonieme gedragspatronen te kijken, hoopt Mastercard verdachte activiteiten sneller en nauwkeuriger te kunnen identificeren. ### Wat is een Large Tabular Model precies? Je hoort tegenwoordig overal over Large Language Models (LLM's) zoals ChatGPT. Die zijn getraind op tekst. Een Large Tabular Model (LTM) werkt fundamenteel anders. Het is ontworpen om relaties te ontdekken in gestructureerde tabellen met data – precies wat betalingstransacties zijn. Stel je een gigantische spreadsheet voor met kolommen voor bedrag, tijd, locatie en type winkel. Het LTM leert welke combinaties van deze waarden 'normaal' zijn en welke afwijken. Het gaat dus minder om kunstmatige intelligentie in de traditionele zin, en meer om geavanceerde machine learning die patronen in cijfers herkent. > "Het model fungeert als een 'inzichtenmotor' die bestaande workflows kan versterken," legt Mastercard uit. Het grote voordeel? Omdat het niet met klanten communiceert, zijn de operationele risico's anders – en vaak lager – dan bij een openbaar chatbot-systeem. ### Waar wordt deze technologie ingezet? De eerste toepassing is cybersecurity en fraudedetectie. Mastercard gebruikt al verschillende systemen om fraude op te sporen, maar die vereisen vaak menselijke input om te bepalen wat 'verdacht' is. Denk aan een plotselinge piek in transacties, of aankopen vanuit verschillende werelddelen in korte tijd. Het nieuwe model lijkt vooral beter te presteren bij complexe gevallen. Bijvoorbeeld bij hoge, eenmalige aankopen die traditionele modellen vaak ten onrechte als anomalie markeren. De eerste resultaten zijn veelbelovend, maar Mastercard blijft voorzichtig. Ze implementeren hybride systemen die de nieuwe technologie combineren met bewezen methodes. - Verbeterde detectie van complexe fraudegevallen - Analyse van loyaliteitsprogramma's op misbruik - Toepassing in portefeuillebeheer voor financiële instellingen - Interne data-analyse voor betere bedrijfsprocessen ### De voordelen van één foundation model Veel bedrijven gebruiken tientallen gespecialiseerde AI-modellen voor verschillende taken. Dat is duur in training, validatie en monitoring. Het idee achter dit foundation model is dat je één basis model traint op enorme hoeveelheden data, dat je vervolgens kunt finetunen voor specifieke toepassingen. Dat kan de kosten aanzienlijk verlagen en processen vereenvoudigen. De technische infrastructuur voor het LTM wordt geleverd door Nvidia (rekenkracht) en Databricks (data-engineering en modelontwikkeling). De balans tussen innovatie en privacy blijft cruciaal. Door anonimisering verdwijnen er weliswaar enkele datapunten die voor risicoanalyse nuttig kunnen zijn, maar Mastercard stelt dat de enorme schaal aan gedragsdata dit compenseert. Het is een interessante ontwikkeling in een sector waar vertrouwen en veiligheid voorop staan.