Finanzinstitute haben über Jahre hinweg zahlreiche task-spezifische KI-Modelle entwickelt – darunter Betrugserkennung, Kreditmodelle, Empfehlungssysteme und Risikomodelle. Diese fragmentierte Architektur führt jedoch zu Silodenken und verhindert ein einheitliches Verständnis des Kundenverhaltens.
Laut NVIDIA wächst die Komplexität mit der Skalierung von KI. Führende Institute wechseln daher zu transformer-basierten Transaction Foundation Models. Diese Modelle werden auf Milliarden proprietärer Finanzereignisse trainiert – Zahlungen, Überweisungen, Produktinteraktionen und Verhaltenssignale – und erzeugen eine einheitliche Repräsentation des Kundenverhaltens.
Im Gegensatz zu isolierten Signalen interpretieren Foundation Models Kontext: Zeitpunkt, Gerät, Ort und vorherige Aktivitäten fließen ein. Dadurch werden zuvor unsichtbare Muster in tabellarischen Daten sichtbar.
Revolut hat in Zusammenarbeit mit NVIDIA das Modell PRAGMA entwickelt. Es wurde auf 24 Milliarden Ereignissen und 26 Millionen Nutzerdatensätzen trainiert und übertrifft in Tests task-spezifische Modelle bei Kreditscoring, Betrugserkennung und Produktempfehlungen. Der Ansatz reduziert den Aufwand für manuelle Feature-Engineering erheblich.
Mastercard entwickelt ein proprietäres Large Tabular Foundation Model für Zahlungen, das auf Milliarden anonymisierter Transaktionen basiert. Adyen setzt Transaction Foundation Models ein, um bei der Verarbeitung großer Zahlungsvolumina sowohl Conversion zu maximieren als auch Risiken zu minimieren.
Stripe nutzt vergleichbare Foundation-Model-Ansätze, um Kontext statt isolierter Signale zu verarbeiten und Betrug effektiv zu reduzieren.
NVIDIA stellt mit „Build Your Own Transaction Foundation Model“ ein Developer-Beispiel bereit, das auf AWS mit SageMaker HyperPod und auf Nebius AI Cloud ausgeführt werden kann. Partner wie EXL, Thoughtworks und GFT integrieren die Technologie in ihre Plattformen und Beratungsangebote.
Quelle: NVIDIA Blog
FAQ
Was ist ein Transaction Foundation Model?
Ein großskaliges Transformer-Modell, das auf Milliarden finanzieller Transaktionen und Verhaltensdaten trainiert wird, um eine einheitliche, kontextreiche Repräsentation des Kundenverhaltens zu lernen.
Warum wechseln Banken von task-spezifischen Modellen zu Foundation Models?
Fragmentierte Modelle verhindern ein ganzheitliches Verständnis. Foundation Models ermöglichen bessere Kontextinterpretation und reduzieren den Aufwand für Feature-Engineering über mehrere Anwendungsfälle hinweg.
Welche Vorteile zeigen erste Implementierungen bei Revolut, Mastercard und Adyen?
Die Modelle übertreffen herkömmliche Ansätze in Betrugserkennung, Kreditentscheidungen und Empfehlungen, verringern manuelle Feature-Arbeit und verbessern die Kontextqualität erheblich.