Mastercard's nieuwe AI-model bestrijdt fraude met transactiedata

Sophie Jansen · 2026-03-18

Mastercard heeft iets revolutionairs ontwikkeld: een groot tabellair model, oftewel een LTM. In plaats van tekst of afbeeldingen te analyseren, is dit model getraind op transactiedata. Het doel? Veiligheids- en authenticiteitsproblemen in digitale betalingen aanpakken. Het bedrijf heeft een foundation model getraind op miljarden kaarttransacties, met plannen om uit te breiden naar honderden miljarden. De datasets bevatten betaalgebeurtenissen en bijbehorende data zoals winkelocatie, autorisatiestromen, fraude-incidenten, 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. ### Wat is een LTM eigenlijk? De architectuur van een groot tabellair model verschilt fundamenteel van die van grote taalmodellen. LLM's worden getraind op ongestructureerde inputs en werken door het volgende token in een reeks te voorspellen. Mastercard's LTM onderzoekt relaties tussen velden in multidimensionale datatabellen. Je zou kunnen zeggen dat deze technologie dichter bij pure machine learning staat dan bij kunstmatige intelligentie. Het model leert van ruwe inputs precies welke relaties voorspelbaar zijn, waardoor het afwijkende patronen kan identificeren die niet worden vastgelegd door vooraf gedefinieerde regels. Mastercard beschrijft de LTM als een 'inzichtenmotor' die kan worden gebruikt in bestaande producten, waardoor workflows worden verbeterd. Het operationele risico van een model dat met klanten interageert (vaak een LLM) verschilt van dat van een model dat deel uitmaakt van interne besluitvorming. ### Waar gaan we LTM's in actie zien? Cybersecurity bij Mastercard is het eerste gebied waar de technologie actief wordt ingezet. Net als veel instellingen gebruikt Mastercard verschillende fraudedetectiesystemen die transactiedata onderzoeken. Deze systemen vereisen menselijke input bij hun opstart - en voortdurende aanpassingen - om te definiëren wat als verdacht gedrag wordt beschouwd. Denk aan plotselinge toename van transactiefrequentie, of gebruikers die aankopen doen in verschillende delen van de wereld binnen korte tijd. 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 regelgevingsniveaus waaronder het bedrijf opereert. Ze erkennen dat geen enkel model waarschijnlijk goed zal presteren in alle scenario's. Daarom zal de LTM zijn plaats innemen tussen de tools in dit domein. Het model kan activiteit op loyaliteitsprogramma's scannen, 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 kosten laag houden. ### De toekomst van fraudebestrijding Wat betekent dit voor professionals in Nederland? We staan aan het begin van een nieuwe fase in fraudedetectie. Traditionele systemen werken met vooraf gedefinieerde regels, maar fraudeurs worden steeds slimmer. Ze vinden altijd weer nieuwe manieren om systemen te omzeilen. Mastercard's aanpak met gedragsanalyse op enorme schaal biedt een veelbelovend alternatief. Het is alsof je niet meer naar individuele verdachte personen zoekt, maar naar verdachte patronen in de menigte. De schaal en rijkdom van de data stellen het model in staat patronen af te leiden die commercieel waardevol zijn. Ondanks het gebrek aan per-gebruikersinformatie, compenseert het gebruik van voldoende grote volumes gedragsdata volgens Mastercard voor elk verlies van rijke data. Anonimisering verwijdert weliswaar signalen die nuttig zouden kunnen zijn op het gebied van risicobeoordeling, maar de hoeveelheid data maakt het verschil. De technische infrastructuur voor de LTM komt van Nvidia en Databricks. Nvidia levert het rekenplatform, terwijl Databricks zich bezighoudt met data-engineering en modelontwikkeling. Deze samenwerking zorgt voor de benodigde rekenkracht om miljarden transacties te analyseren. Voor Nederlandse professionals in de financiële sector biedt deze ontwikkeling interessante inzichten. Het toont aan dat privacy en effectieve fraudebestrijding niet per se tegenstrijdig hoeven te zijn. Door slimme technologie te combineren met zorgvuldige data-aanpak, ontstaan nieuwe mogelijkheden. Zoals een expert onlangs opmerkte: 'De toekomst van fraudedetectie ligt niet in meer regels, maar in beter begrip van normaal gedrag.' Mastercard's LTM lijkt precies die richting op te gaan.