Mastercard's AI-model bestrijdt fraude met transactiedata

Sophie Jansen · 2026-03-18

Mastercard heeft een nieuw soort AI-model ontwikkeld dat specifiek is getraind op transactiedata. In plaats van tekst of afbeeldingen te analyseren, kijkt dit 'Large Tabular Model' naar betalingspatronen om veiligheidsproblemen in digitale betalingen aan te pakken. Het bedrijf heeft een foundation model getraind op miljarden kaarttransacties, met plannen om uit te breiden naar honderden miljarden. De datasets bevatten betalingsevenementen en bijbehorende data zoals winkelocatie, autorisatiestromen, fraudegevallen, chargebacks en loyaliteitsactiviteit. Persoonlijke identificatiegegevens worden verwijderd voordat de training begint. Het model analyseert gedragspatronen in plaats van zich te richten op individuele identiteiten. Door persoonlijke data uit te sluiten, vermindert de technologie privacyrisico's die andere AI-vormen in de financiële sector kunnen beïnvloeden. De schaal en rijkdom van de data stellen het model in staat waardevolle commerciële patronen af te leiden – ondanks het gebrek aan per-gebruikersinformatie. ### Wat is een LTM eigenlijk? De architectuur van een Large Tabular Model verschilt fundamenteel van die van grote taalmodellen. Waar LLM's werken met ongestructureerde invoer en het volgende 'token' voorspellen, onderzoekt Mastercard's LTM relaties tussen velden in multidimensionale datatabellen. Je zou kunnen zeggen dat deze technologie dichter bij pure machine learning staat dan bij kunstmatige intelligentie zoals we die kennen van chatbots. Het grote tabulaire model leert van ruwe invoer precies welke relaties voorspelbaar zijn. Hierdoor kan het afwijkende patronen identificeren die niet worden vastgelegd door vooraf gedefinieerde regels. Mastercard beschrijft de LTM als een 'inzichtenmotor' die kan worden gebruikt in bestaande producten, waarbij bestaande workflows worden versterkt. Het operationele risico van een model dat met klanten omgaat (vaak een LLM) verschilt van dat van een model dat deel uitmaakt van interne besluitvorming. De technische infrastructuur voor de LTM komt van Nvidia en Databricks. Nvidia levert het rekenplatform, terwijl Databricks zich bezighoudt met data-engineering en modelontwikkeling. ### Waar gaan we de LTM in actie zien? Cybersecurity bij Mastercard is het eerste gebied waar de technologie actief wordt ingezet. Net als veel instellingen heeft Mastercard verschillende fraudedetectiesystemen die transactiedata onderzoeken. Deze systemen vereisen menselijke input bij hun opzet – en voortdurende bijstelling – om te definiëren wat als verdacht gedrag wordt beschouwd. Denk aan: - Plotselinge toename van transactiefrequentie - Gebruikers die aankopen doen in verschillende delen van de wereld binnen korte tijd - Ongebruikelijke aankoopbedragen buiten normale patronen Vroege resultaten wijzen op verbeterde prestaties ten opzichte van conventionele technieken in specifieke gevallen. Het bedrijf noemt het voorbeeld van hoogwaardige, laagfrequente aankopen die met traditionele modellen als anomalieën kunnen worden gemarkeerd. Het nieuwe model lijkt legitieme gebeurtenissen nauwkeuriger te kunnen onderscheiden dan zijn tegenhangers. ### Voorzichtigheid blijft belangrijk Mastercard plant hybride systemen te implementeren die gevestigde procedures combineren met het nieuwe model. Deze mate van voorzichtigheid weerspiegelt de regelgevende niveaus waaronder het bedrijf opereert. Er wordt erkend dat geen enkel model waarschijnlijk goed zal presteren in alle scenario's. De LTM zal daarom zijn plaats innemen tussen de tools in dit domein. Er wordt beweerd dat het model activiteiten op loyaliteitsprogramma's kan scannen, kan worden gebruikt in portefeuillebeheer en voor interne analyses – gebieden waar grote hoeveelheden gestructureerde data beschikbaar zijn. In huidige operaties implementeren bedrijven vaak veel modellen die zijn aangepast aan elke taak. Dit kan leiden tot veelvoudige trainingskosten en validatie- en monitoringinspanningen. Een enkel foundation model dat voor verschillende taken kan worden afgestemd, kan processen vereenvoudigen en de kosten laag houden. Zoals een analist het verwoordde: 'Het is alsof je één multifunctionele gereedschapskist hebt in plaats van twintig gespecialiseerde hamers.' De toekomst van fraudebestrijding ziet er dus anders uit. Niet langer alleen afhankelijk van voorgeprogrammeerde regels, maar van AI die leert van miljarden transacties – zonder daarbij onze privacy in gevaar te brengen.