Mastercard's 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 betalingstransacties. In plaats van tekst of afbeeldingen te analyseren, kijkt dit zogenaamde 'large tabular model' naar patronen in miljarden kaarttransacties. Het doel? Fraude beter herkennen en de veiligheid van digitale betalingen vergroten. Het bijzondere 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 te spotten. ### Wat is een Large Tabular Model (LTM) eigenlijk? Je hoort tegenwoordig overal over Large Language Models (LLM's) zoals ChatGPT. Die zijn getraind op tekst. Een LTM werkt fundamenteel anders. Het is een model dat is gebouwd om relaties te zien in gestructureerde tabellen met data – denk aan een enorme spreadsheet met transacties. Waar een LLM het volgende woord in een zin probeert te voorspellen, zoekt een LTM naar voorspelbare verbanden tussen velden. Bijvoorbeeld tussen het bedrag, de locatie van de winkel, het tijdstip en of de transactie later als fraude werd bestempeld. Het leert zelf welke combinaties 'normaal' zijn en welke afwijken. Mastercard noemt het zelf een 'inzichten-engine'. Het is meer pure machine learning dan de generatieve AI waar we nu aan gewend raken. De technische basis komt van Nvidia en Databricks. ### Waar gaat Mastercard dit model precies voor gebruiken? De eerste toepassing is cybersecurity en fraudedetectie. Dat is logisch, want daar ligt de grootste directe noodzaak. Traditionele systemen werken vaak met vooraf ingestelde regels. Die regels moeten door mensen worden bedacht en bijgehouden. Denk aan een regel als: "Een transactie in Nederland, gevolgd door een transactie in Australië binnen een uur, is verdacht." Dat werkt, maar het is ook vrij grof. Het nieuwe model kan subtielere, complexere patronen leren die niet in simpele regels te vatten zijn. - **Betere detectie van specifieke fraude:** Het model lijkt bijvoorbeeld beter onderscheid te kunnen maken tussen legitieme, hoge bedragen (zoals een aanbetaling voor een verbouwing) en echt frauduleuze transacties. - **Minder 'false positives':** Hierdoor worden onschuldige klanten minder vaak lastiggevallen met geblokkeerde betalingen. - **Toekomstige toepassingen:** Mastercard ziet ook mogelijkheden voor het analyseren van loyaliteitsprogramma's, portefeuillebeheer en interne bedrijfsanalyses. ### Een voorzichtige, hybride aanpak Mastercard is geen start-up die alles overboord gooit. Ze opereren in een zwaar gereguleerde sector. Daarom kiezen ze voor een hybride aanpak. Het nieuwe LTM wordt niet het enige systeem, maar komt naast de bestaande, bewezen methodes te staan. Zoals een Mastercard-woordvoerder het zou kunnen uitleggen: "Geen enkel model is perfect voor elke situatie. Soms werkt een simpele regel nog steeds het beste. Soms zie je met complexe AI iets wat je anders zou missen. We combineren de kracht van beide werelden." Dit is een slimme move. Het beperkt de risico's en zorgt voor een geleidelijke, beheerste integratie. Het uiteindelijke doel is wel duidelijk: processen vereenvoudigen en kosten beheersen door niet voor elke taak een apart, speciaal model te hoeven trainen en onderhouden. ### Wat betekent dit voor privacy? Dit is misschien wel het meest interessante punt. Door vanaf het begin persoonlijke identifiers te verwijderen, pakt Mastercard een groot bezwaar aan dat vaak wordt geuit tegen AI in de financiële sector: privacyrisico's. Je kunt je afvragen of anonimisering ook nuttige signalen wegneemt voor risico-inschatting. Mastercard stelt dat de enorme schaal en rijkdom van de gedragsdata – denk aan miljarden, straks honderden miljarden transacties – dit verlies ruimschoots compenseren. Het gaat om het collectieve patroon, niet om jou als individu. Het is een andere filosofie. In plaats van alles over één persoon te weten om risico in te schatten, leert het model wat 'normaal' gedrag is binnen een oceaan van anonieme data. Een vreemde vis in die oceaan valt dan op, zonder dat je hoeft te weten welke vis het precies is. Een geruststellende gedachte in een tijd waarin data-privacy steeds belangrijker wordt.